《从零开始学AI智能体开发》

第3节：链与提示词模板

1. 链

上一节我们接入大模型之后，是通过下面的方式给AI输入提示词的

prompt = "你是谁"
response = llm.invoke(prompt);
print(response.content)

在实际开发中，为了让提示词更加灵活，我们会把提示词下载一个提示词模板组件中，示例代码如下

# 引入提示词模板
from langchain.prompts import ChatPromptTemplate
# 创建一个提示词模板组件
prompt = ChatPromptTemplate("你是谁？")

那么如何给大模型发送这段提示词呢，可以使用langchian的“链”功能，代码如下：

chain = prompt | llm
response = chain.invoke({})
print(response.content)

代码中的chain = prompt | model是链的概念

在 LangChain 中，链可以将多个组件（如模型、提示模板、解析器、检索器、工具、智能体等）组合起来，按特定顺序执行，以完成更复杂任务的逻辑单元。

这是LangChain的表达式语言 ，简称LCEL

LCEL 的核心是 | (管道) 操作符，类似于 Unix/Linux 中的管道命令。它允许你将一个组件的输出"流"向下传递给下一个组件作为输入。

基本语法:

chain = component_A | component_B | component_C

这表示：

  1. 输入首先传递给 component_A。
  2. component_A 的输出作为输入传递给 component_B。
  3. component_B 的输出作为输入传递给 component_C。
  4. 整个 chain 的最终输出是 component_C 的输出。

因此示例代码chain = prompt | model的作用是当执行chain.invoke()的时候，从左到右依次调用组件，第一个组件的参数是invoke传递的参数，后续每一个组件的输入都是前一个组件的输出，一直到最后一组件返回结果。

Runnable 接口:

LangChain 中几乎所有的核心组件（PromptTemplates, Models, OutputParsers, Retrievers 等）都实现了Runnable接口，这样组件就有了公用的属性和方法，可以无缝地用 | 连接起来。

常用的 Runnable 方法:

  • invoke(input): 对单个输入调用链。
  • batch(list_of_inputs): 对输入列表进行批量调用（通常更高效）。
  • stream(input): 流式处理输入，逐步返回输出块（对于生成长文本很有用）。
  • astream(input): 异步版本的 stream。
  • ainvoke(input): 异步版本的 invoke。
  • abatch(list_of_inputs): 异步版本的 batch。

LCEL 的优势:

  • 简洁直观: 使用 | 操作符使得链的结构清晰易懂。
  • 类型安全: LangChain 会尝试进行类型检查，减少运行时错误。
  • 灵活性: 可以轻松组合各种组件，包括自定义函数（使用 RunnableLambda）。
  • 可组合性: 一个 LCEL 链本身也是一个 Runnable，可以嵌套在其他链中。
  • 内置优化: 支持并行执行、批处理、流式输出和异步操作。
  • 可观测性: 与 LangSmith 等工具集成良好，方便调试和追踪。

2. 提示词模板

了解了链的概念之后，我们接着看提示词模板，可以在ChatPromptTemplate方法中进一步划分系统提示词和用户提示词。系统提示词用来设置提问的背景，用户提示词用来描述具体问题。示例代码如下：

prompt = ChatPromptTemplate([
    ("system", "你是一个擅长心理学的学习助手，帮我用心理学的理论知识解决我学习过程中的困惑"),
    ("user", "{input}")
])

chain = prompt | llm
response = chain.invoke({"input": "我为什么学习不好"})
print(response.content)

可以看到，提示中可以通过{parms}的形式定义参数。在invoke方法中传入参数。