预备知识
-
with_structured_output
-
bind_tools
对这两种方式不了解的朋友，可以翻阅我的这篇文章找到用法哈
LangChain实战技巧之三：关于Tool的一点拓展
实现方法
方法一
步骤一
# 首先，新建一个提示词抽取器
prompt_extractor = ChatPromptTemplate.from_template(
template="""你从用户的输入中提取出一些`关键信息`，然后根据关键信息生成一个提示词模板, 提示词模板应该是一个有效的Prompt Template。`关键信息`包含以下内容：- 找到有效的提示词的目标- 找到有效的要求内容- 找到传递给提示词模板的变量用户的输入内容是: {input}"""
)# 再来一个Prompt
prompt_generator = ChatPromptTemplate.from_messages([("system", "请根据以下输入的内容，生成一个有效的Prompt Template。"),("human", "{input}"),])
步骤二
# 用好Pydantic，记得继承BaseModel
class PromptExtractor(BaseModel):object: str = Field(description="提示词目标")requirement: str = Field(description="提示词要求")input_variable: str = Field(description="提示词变量")
步骤三
# 来个你熟悉的chain，记得加上with_structured_output
chain_extractor = prompt_extractor | model.with_structured_output(PromptExtractor)
步骤四
prompt_generator = chain_generator.invoke({"input": f"""提示词目标:{res_extractor.object}提示词要求:{res_extractor.requirement}placeholder:{res_extractor.input_variable}"""})
见效：）
content='"寻找一份深度解析并以易于理解方式讲解最新AI技术和人工智能基础知识的学习资料，要求内容深入浅出且详尽，适合初学者和进阶学习者。{input}"'
方法二
需要把上面的步骤三修改为
chain_extractor = prompt_extractor | model.bind_tools(tools=[PromptExtractor])
步骤四修改为
prompt_generator = chain_generator.invoke({"input": f"""提示词目标:{rres_extractor.tool_calls[0]["args"]["object"]}提示词要求:{res_extractor.tool_calls[0]["args"]["requirement"]}placeholder:{res_extractor.tool_calls[0]["args"]["input_variable"]}"""})
最后，我们就可以用这个生成好的提示词啦
prompt = ChatPromptTemplate.from_template(template=prompt_generator.content)chain = prompt | model
简言之，当你写的提示词Prompt不够完美，AI会帮你自动“润色”你的提示词
不过，你可以仔细想想，用这种方式可以去做哪些特别有趣的事情呢？： ）
