我要投稿

LangChainGo中的提示词工程（Prompt Engineering）

发布日期：2025-03-11 05:06:44 浏览次数： 2097

作者：馬喽编程笔记

微信搜一搜，关注“馬喽编程笔记”

在使用LangchainGo（简称 langchaingo）构建智能应用时，提示词工程（Prompt Engineering） 是一个关键环节。它可以帮助我们更精准地引导LLM（大语言模型）生成符合预期的内容。本文将介绍在langchaingo中如何使用提示词工程。

什么是提示词工程？

提示词工程是人与机器进行沟通的桥梁，更是用户引导AI精准执行任务的关键。

提示词基础策略

明确目标: 用户需要明确地告诉AI应用的任务目标。只有清楚告诉AI应用需求完成什么样的任务时，才能设计出有效的提示词。
简洁明确: 用户提供的提示词应该简洁明了，应避免使用模糊或者过于复杂的表达。
逐步细化: 对于复杂的任务，可以采用逐步细化的策略，即通过一系列简单的提示词，分步骤的指导AI模型一步步完成整个任务流程。

提示词高级技巧

使用条件语句: 可以在提示词中使用条件语句引导AI模型根据不同的情况完成不同的输出。
利用历史信息: 在构建交互式AI应用时，我们可以将之前的历史对话或者交互历史作为提示词的一部分，帮助AI模型更好地理解上下文，从而生成更加相关和连贯的输出。
动态调整: 根据AI应用的反馈和效果，应动态的调整提示词，以达到最佳的性能。

基础提示词（Basic Prompting）

在langchaingo中，最简单的提示词是一个字符串，我们可以直接将其传递给LLM进行推理：

import (    "context"    "fmt"    "log"    "github.com/tmc/langchaingo/llms/ollama")func main() {    llm, err := ollama.New(ollama.WithModel("qwen2:7b"))    if err != nil {        log.Fatal(err)    }        ctx := context.Background()    prompt := "请用一句话描述go语言"        res, err := llm.Call(ctx, prompt)    if err != nil {        log.Fatal(err)    }        fmt.Println("AI Answer : ", res)}

解析

ollama.New：初始化Ollama LLM，使用WithModel方法传入对应的llama模型名称。
llm.Call(ctx, prompt)：将提示词传递给LLM，获取AI生成的文本。

运行结果如下所示:

使用模板优化提示词（Prompt Templates）

在实际应用中，我们往往需要动态构建提示词。Prompt Template是一种高效的方式，用于快速生成根据模板定制的提示词。它适用于那些需要固定模型与动态内容相结合的场景。

例如：

package mainimport (    "context"    "fmt"    "log"        "github.com/tmc/langchaingo/llms/ollama"    "github.com/tmc/langchaingo/prompts")func main() {    llm, err := ollama.New(        ollama.WithModel("qwen2:7b"),    )    if err != nil {        log.Fatal(err)    }        ctx := context.Background()    // 定义prompt template提示词模板    promptTemplate := prompts.NewPromptTemplate(        "请使用一句话描述 {{.topic}}",        []string{"topic"},    )        // 输出模板    fmt.Println(promptTemplate.Template)    // 渲染模板    prompt, err := promptTemplate.Format(map[string]any{        "topic": "nim-lang这门语言",    })    if err != nil {        log.Fatal(err)    }        fmt.Println(prompt)        res, err := llm.Call(ctx, prompt)    if err != nil {        log.Fatal(err)    }        fmt.Println(res)}

解析

prompts.NewPromptTemplate()：创建一个带有变量的提示词模板。
Format(map[string]string{"topic": "nim-lang这门语言"})：动态填充 topic 变量。
llm.Call(ctx, prompt)：调用LLM生成回答。

运行结果如下所示:

除了上面的方法之外我们还可以使用ChatPromptTemplate，它提供了一种模拟对话流的方式，非常适合创建更加动态和互动性强的文本生成场景。

例子如下所示:

package mainimport (    "context"    "fmt"    "log"    "github.com/tmc/langchaingo/llms/ollama"    "github.com/tmc/langchaingo/prompts")func main() {    llm, err := ollama.New(ollama.WithModel("qwen2:7b"))    if err != nil {        log.Fatal(err)    }        // 创建一个新的聊天提示模板    prompt := prompts.NewChatPromptTemplate([]prompts.MessageFormatter{        prompts.NewSystemMessagePromptTemplate("你是一个智能翻译助手", []string{}),        prompts.NewHumanMessagePromptTemplate("将这段文本从{{.input}}翻译成{{.output}}:\n{{.question}}",            []string{"input", "output", "question"}),    })        val, err := prompt.FormatPrompt(map[string]any{        "input":    "中文",        "output":   "英文",        "question": "你好，世界",    })        // 调用LLM    ctx := context.Background()    res, err := llm.Call(ctx, val.String())    if err != nil {        log.Fatal(err)    }        fmt.Println(res)}

解析