17. LangChain FewShotPromptTemplate少样本应用实战

做 AI 应用开发的人应该都有过这种经历：明明在提示词里写了一大堆要求，大模型还是会输出不符合预期的内容，甚至一本正经地胡说八道。这时候，与其继续堆砌文字说明，不如试试 LangChain 里的 FewShotPromptTemplate—— 用几个简单的示例，就能让大模型瞬间明白你想要什么。视频在这里《17. LangChain FewShotPromptTemplate 少样本应用实战》。

 这个工具的底层逻辑是少样本学习，说白了就是让大模型先看几个正确的示范，再去处理新的任务。不管是翻译、文本分类还是逻辑推理，只要给对了例子，它的输出准确率和一致性都会有明显提升。

 它的核心思想特别朴素：与其给 AI 写几百字的任务说明，不如直接扔给它两三个具体的例子。大模型对示例的理解能力，远比我们想象的要强得多。

这里有个容易踩的坑：创建 FewShotPromptTemplate 的时候，examples 和 example_selector 这两个参数是互斥的，必须填其中一个，不然代码直接报错。绝大多数情况下，我们直接用 examples 参数把准备好的示例数据传进去就行。

组件	说明	必填性	示例
example_selector	动态选择示例的选择器	二选一	SemanticSimilarityExampleSelector
examples	示例数据列表，每个是字典	二选一	[{"input": "Hi", "output": "你好"}]
example_prompt	单个示例的格式化模板	必填	PromptTemplate.from_template(...)
prefix	示例前的引导文本	可选，默认""	"请把英文翻译成中文："
suffix	示例后的用户输入提示	必填	"Input: {new_input}\nOutput:"
input_variables	用户输入变量列表	必填	["new_input"]
example_separator	示例之间的分隔符	默认\n\n	"\n"

先来看最基础的用法，针对文本补全模型，我们可以这样写：

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
# 准备示例数据
examples = [
    {"input": "Hello", "output": "你好"},
    {"input": "Thank you", "output": "谢谢"},
    {"input": "Good morning", "output": "早上好"},
]
# 定义示例的格式化模板
example_prompt = PromptTemplate.from_template(
    "{input} -> {output}"
)
# 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="请把以下英文翻译成中文：",
    suffix="{new_input} -> ",
    input_variables=["new_input"],
    example_separator="\n",
)
prompt_value = few_shot_prompt.invoke(
    {
        "new_input": "Good bye"
    }
)
print(prompt_value.to_string())
res = llm.invoke(prompt_value, config=config)
print(res.content)

如果用的是聊天模型，就要用专门的 FewShotChatMessagePromptTemplate，用法也差不多：

from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate
 
# 准备示例数据
examples = [
    {"input": "Hello", "output": "你好"},
    {"input": "Thank you", "output": "谢谢"},
    {"input": "Good morning", "output": "早上好"},
]
# 定义示例的格式化模板
example_prompt = ChatPromptTemplate.from_messages(
    [
        {"role": "user", "content": "{input}"},
        {"role": "ai", "content": "{output}"}
    ]
)
# 创建示例提示词模版
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt
)
# 构建最终的聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages(
    [
        {"role": "system", "content": "请把以下英文翻译成中文："},
        few_shot_prompt,
        {"role": "user", "content": "{new_input}"}
    ]
)
# 输入内容
prompt_value = chat_prompt.invoke(
    {
        "new_input": "Where are you from?",
    }
)
print(prompt_value.to_string())
res = llm.invoke(prompt_value, config=config)
print(res.content)

总的来说，FewShotPromptTemplate 是解决大模型输出不稳定问题最简单也最有效的手段之一。不用改模型，不用调参数，只要花几分钟准备几个高质量的示例，就能让你的 AI 应用体验上一个台阶。