前端拥抱AI：LangChain.js 入门遇山开路之PromptTemplate

PromptTemplate是什么

PromptTemplate是一个可重复使用的模板，用于生成引导模型生成特定输出的文本。与Prompt的区别: PromptTemplate相对于普通Prompt的优势，即其灵活性和可定制性。

简单了解PromptTemplate后，咱们就来聊聊LangChain里的PromptTemplate—让聊天变得像搭积木一样简单的神奇工具，我们知道通过提供不同的Prompt，AI模型能够生成风格迥异的答案。明确的Prompt能引导模型生成高质量的文本内容。

首先，咱们得明白，prompt就是那根能撬动大模型智慧的杠杆。在没有template时，需要自己一字一句地构造问题。但现在，有了PromptTemplate，就像有了个私人定制的工厂，想要什么都行！

无输入变量的模板

新手村第一站，从最基础的开始——无变量Template，就是“hello world”级别的问候。但它却是理解PromptTemplate世界的敲门砖。

引用langchain的prompts模块提供的PromptTemplate 方法传入 inputVariables 和 template，打印一下，在Jupter运行如下

import { PromptTemplate } from "npm:/@langchain/core/prompts";``   ``const greetingPrompt = new PromptTemplate({`  `inputVariables: [],`  `template: "hello，前端慢报",``});``const formattedGreetingPrompt = await greetingPrompt.format();``console.log(formattedGreetingPrompt);

带变量的模板

接下来，咱们升级一下，整点带变量的。比如，“{greeting}，{name}”，咱们就可以根据对方的名字来定制问候了。

const autoInferTemplate = PromptTemplate.fromTemplate("{greeting}，{name}");``console.log(autoInferTemplate.inputVariables);``   ``const formattedAutoInferTemplate = await autoInferTemplate.format({`  `greeting: "吃了吗您",`  `name: "AI降临派",``});` `console.log(formattedAutoInferTemplate)

动态变量的模板

LangChain让咱们可以像玩乐高一样组合这些PromptTemplate。想象一下，你手里有一堆五颜六色的积木块，每个都代表着不同的问候、指令或者问题。你只需要按照心情和场景，随意搭配，当我们面临需要实时动态地为PromptTemplate生成参数的情况时，我们可以巧妙地利用函数来实现这一目标。就像一位经验丰富的工匠，精心雕琢每一块拼图，函数能够精确地指定template中的部分参数，使其根据实际需求灵活变化，提升了我们的工作效率

    通过写一个获取日期的函数，传给date变量，示例代码如下：

const getCurrentDate = () => {` `return new Date().toLocaleDateString();``};``   ``const promptWithDynicDate = new PromptTemplate({` `template: "今天是{date}，{dowhat}。",` `inputVariables: ["date", "dowhat"],``});``   ``const partialedPromptWithDate = await promptWithDynicDate.partial({`  `date: getCurrentDate,``});``   ``const formattedPromptWithDate = await partialedPromptWithDate.format({`  `dowhat: "看三体",``});``console.log(formattedPromptWithDate);

与大模型结合的模板

但LangChain的神奇之处远不止于此，开胃凉菜上完了，该硬菜了。

为了方便我们构建和处理这种复杂但至关重要的聊天消息，LangChain提供了一系列强大的工具，使我们与模型的交互将更加得心应手，为了方便地构建和处理这种结构化的聊天消息，LangChain对不同的角色有不同的消息类别，分为：

HumanMessage、AIMessage、SystemMessage、ToolMessage

在下边的代码示例中，systemTemplate 和 humanTemplate 分别对应了一段 ChatMessage 不同的角色。通过角色标识消息的发送者。角色的概念对 LLM 理解和构建整个对话流程非常重要，相同的内容由不同的 role 发送出来的意义是不同的 (可以对下边的代码片段执行下，看下返回的效果)。

systemTemplate 对应的"SystemMessage"角色的消息用于设置对话的上下文或指定模型采取特定的行为模式。这些消息不会直接显示在对话中，但它们对模型的行为有指导作用。可以理解成模型的元信息，权重比较高，但并不是所有的模型都支持。

humanTemplate 对应"HumanMessage"角色代表来自用户的消息。这些消息通常是问题、指令等。

import { StringOutputParser } from "npm:/@langchain/core/output_parsers";``import { Ollama } from "npm:/@langchain/community/llms/ollama";` `import { ChatPromptTemplate } from "npm:/@langchain/core/prompts";``   ``const systemTemplate = "你是一个专业的翻译员，你的任务是将文本从{source_lang}翻译成{target_lang}。";``const humanTemplate = "请翻译这句话：{text}";``const chatPrompt = ChatPromptTemplate.fromMessages([`  `["system", systemTemplate],`  `["human", humanTemplate],` `]);``// only human, AI, or system message coercion is currently supported``const chatModel = new Ollama({` `baseUrl: "http://localhost:11434",`  `model: "llama3",` `});``const outputPraser = new StringOutputParser();``   ``const chain = chatPrompt.pipe(chatModel).pipe(outputPraser);``   ``await chain.invoke({`  `source_lang: "中文",`  `target_lang: "英语",`  `text: "你好，世界",``})

代码里ChatPromptTemplate 数组接受的参数目前看只支持 system, human, ai

const chatPrompt = ChatPromptTemplate.fromMessages([`  `["system", systemTemplate],`  `["human", humanTemplate],` `]);``// only human, AI or system message coercion is currently supported.

填写其他会报错

总结

本文介绍了

PromptTemplate是什么
无输入变量的模板
带变量的模板
动态变量的模板
与大模型结合的模板

通过这篇文章，读者可以深入了解LangChain.js中的PromptTemplate概念、创建方法、高级特性以及最佳实践，从而在实际项目中更好地利用这一功能。

Make your hands dirty! 动手试试吧

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述