langchain中有個比較有意思的prompt template叫做FewShotPromptTemplate。
他是這句話的簡寫："Prompt template that contains few shot examples."
什麼意思呢？就是說在Prompt template帶了幾個比較簡單的例子。然後把這些例子傳送給LLM，作為簡單的上下文環境，從而為LLM提供額外的一些關鍵資訊。
這種few shot examples非常有用，如果你希望LLM可以基於你提供的prompt中的內容進行回答的時候，就需要用到這個東西了。
你可以把Few-shot prompt templates看做是簡單的知識庫，後面我們會具體講解如何搭建自己的知識庫。
現在先提前瞭解一下它的魅力吧。
加入現在我要問chatgpt這樣一個問題：
請問工具人的代表作是什麼？
因為這裡的工具人是我虛擬出來的一個人，真實並不存在，所以chatgpt的回答可能是下面這樣的：
工具人的代表作是邁克爾·佩拉的《開膛手傑克》。
因為chatgpt對不會的東西可能會亂回答，所以上面的答案是在合理範圍之內的。
那麼怎麼才能讓chatgpt按照我們虛構的內容進行回答呢？
答案就是在prompt中提供有用的資訊，比如下面這樣子：
問題: 請幫忙描述下古龍?
回答: 姓名:古龍，出生日期:1937年,代表作:《楚留香傳奇系列》、《陸小鳳系列》、《蕭十一郎系列》
問題: 請幫忙描述下金庸?
回答: 姓名:金庸，出生日期:1924年,代表作:《射鵰英雄傳》、《神鵰俠侶》、《天龍八部》
問題: 請幫忙描述下工具人?
回答: 姓名:工具人，出生日期:1988年,代表作:《工具人傳奇》、《工具人上班》、《工具人睡覺》
問題: 請問工具人的代表作是什麼？
下面是chatgpt的回答：
工具人的代表作是《工具人傳奇》、《工具人上班》和《工具人睡覺》。
所以大家想到了什麼？
沒錯，就是可以使用prompt中的資訊做知識庫，讓chatgpt從這個給定的知識庫中查詢出有用的東西，然後再用自己的語言組織起來，返回給使用者。
實際上，上面的問題和答案都是promot內容的一部分，所以可以儲存在PromptTemplate中。
而langchain有與之對應的專門的一個類叫做FewShotPromptTemplate。
上面的問答，其實可以儲存在一個json陣列中，然後再在FewShotPromptTemplate中使用：
from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts.prompt import PromptTemplate
examples = [
{
"question": "請幫忙描述下古龍?",
"answer":
"""
姓名:古龍，出生日期:1937年,代表作:《楚留香傳奇系列》、《陸小鳳系列》、《蕭十一郎系列》
"""
},
{
"question": "請幫忙描述下金庸?",
"answer":
"""
姓名:金庸，出生日期:1924年,代表作:《射鵰英雄傳》、《神鵰俠侶》、《天龍八部》
"""
},
{
"question": "請幫忙描述下工具人?",
"answer":
"""
姓名:工具人，出生日期:1988年,代表作:《工具人傳奇》、《工具人上班》、《工具人睡覺》
"""
}
]
首先我們來看一下FewShotPromptTemplate中都有哪些屬性：
examples: Optional[List[dict]] = None
"""Examples to format into the prompt.
Either this or example_selector should be provided."""
example_selector: Optional[BaseExampleSelector] = None
"""ExampleSelector to choose the examples to format into the prompt.
Either this or examples should be provided."""
example_prompt: PromptTemplate
"""PromptTemplate used to format an individual example."""
suffix: str
"""A prompt template string to put after the examples."""
input_variables: List[str]
"""A list of the names of the variables the prompt template expects."""
example_separator: str = "\n\n"
"""String separator used to join the prefix, the examples, and suffix."""
prefix: str = ""
"""A prompt template string to put before the examples."""
template_format: str = "f-string"
"""The format of the prompt template. Options are: 'f-string', 'jinja2'."""
validate_template: bool = True
"""Whether or not to try validating the template."""
其中examples和example_selector是可選的，其他的都是必須的。
example_prompt是用來格式化一個特定example的PromptTemplate。
如下所示：
example_prompt = PromptTemplate(input_variables=["question", "answer"], template="問題: {question}\n 回答：{answer}")
print(example_prompt.format(**examples[0]))
問題: 請幫忙描述下古龍?
回答: 姓名:古龍，出生日期:1937年,代表作:《楚留香傳奇系列》、《陸小鳳系列》、《蕭十一郎系列》
上面程式碼中，我們使用PromptTemplate對佇列中的資料進行了格式化。
有了examples和example_prompt,我們就可以構建FewShotPromptTemplate了：
prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
suffix="問題: {input}",
input_variables=["input"]
)
print(prompt.format(input="請問工具人的代表作是什麼？"))
這裡輸出的內容和我們最開始的內容是一樣的。
在上面的例子中，我們實際上是把所有的shot examples都提交給了大語言模型，但實際上並不是必須的。因為有些examples跟問題是沒有關聯關係的。
所以langchain給我們提供了一個類叫做ExampleSelector，可以通過這個selector來選擇跟我們問題相關的一些examples，從而減少不必要的內容傳輸。
這裡我們使用SemanticSimilarityExampleSelector，它的作用是根據語意的相似度來選擇examples：
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
example_selector = SemanticSimilarityExampleSelector.from_examples(
# 要選擇的examples
examples,
# embedding用來判斷文字的相似度
OpenAIEmbeddings(),
# 向量資料庫，用來儲存embeddings
Chroma,
# 最終要選擇的長度
k=1
)
# 選擇最為相似的作為輸入
question = "請問工具人的代表作是什麼？"
selected_examples = example_selector.select_examples({"question": question})
print(f"下面是和這個問題最相似的examples: {question}")
for example in selected_examples:
print("\n")
for k, v in example.items():
print(f"{k}: {v}")
最後，我們同樣的把ExampleSelector和FewShotPromptTemplate結合起來一起使用：
prompt = FewShotPromptTemplate(
example_selector=example_selector,
example_prompt=example_prompt,
suffix="問題: {input}",
input_variables=["input"]
)
print(prompt.format(input="請問工具人的代表作是什麼？"))
如果你有一些簡單的內容需要提供給大語言模型，那麼可以使用這個方式。但是如果你有很多內容的話，比如知識庫。這種實現就處理不了了。那麼如何構建一個知識庫應用呢？我們後續分享。