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。
- 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。
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
使用NewChatPromptTemplate创建对话模板，包含多个MessageFormatter。
NewSystemMessagePromptTemplate定义系统角色（如客服助手）。
NewHumanMessagePromptTemplate定义用户输入模板，{{.question}}等变量为占位符。
运行效果如下所示:
除了上述介绍的方式来创建提示词外，langchaingo还提供了其他方法来创建提示词，这里我就不一一介绍和演示了。
总结
langchaingo 提供了灵活的提示词工程工具，帮助我们优化LLM的输入，提高回答质量。合理利用这些技术，可以让LLM更精准地理解和执行任务，提升AI应用的可靠性！
