提示词管理

提示词模板 (Prompt Templates)

提示词模板是 LangChain 4J 中用于创建可重用提示词的工具，它允许您定义带有变量的提示词结构：

基本用法

import dev.langchain4j.prompt.PromptTemplate;

// 创建提示词模板
PromptTemplate promptTemplate = PromptTemplate.from("请解释 {topic} 的概念，面向 {audience} 受众");

// 应用变量
String prompt = promptTemplate.apply("量子计算", "计算机科学专业学生");
System.out.println(prompt);
// 输出: 请解释 量子计算 的概念，面向 计算机科学专业学生 受众

高级模板

支持更复杂的模板结构，包括条件语句和循环：

// 带有条件的模板
PromptTemplate conditionalTemplate = PromptTemplate.from("请解释 {topic} 的概念" +
        "{{#if includeExamples}}，并提供 {examplesCount} 个例子{{/if}}");

// 应用变量
String promptWithExamples = conditionalTemplate.apply(
        "量子计算", 
        true, // includeExamples
        3     // examplesCount
);

示例选择器 (Example Selectors)

示例选择器用于从示例库中选择相关的示例，以增强模型的输出：

基本示例选择器

import dev.langchain4j.prompt.example.Example;
import dev.langchain4j.prompt.example.selector.ExampleSelector;
import dev.langchain4j.prompt.example.selector.similarity.SimilarityExampleSelector;
import dev.langchain4j.embedding.EmbeddingModel;
import dev.langchain4j.embedding.openai.OpenAiEmbeddingModel;

// 创建示例
List<Example> examples = Arrays.asList(
        Example.builder()
                .input("如何学习 Java？")
                .output("学习 Java 的步骤：1. 学习基本语法 2. 练习编程 3. 学习面向对象编程 4. 构建项目")
                .build(),
        Example.builder()
                .input("如何学习 Python？")
                .output("学习 Python 的步骤：1. 学习基本语法 2. 练习编程 3. 学习库的使用 4. 构建项目")
                .build()
);

// 创建嵌入模型
EmbeddingModel embeddingModel = OpenAiEmbeddingModel.builder()
        .apiKey(System.getenv("OPENAI_API_KEY"))
        .build();

// 创建示例选择器
ExampleSelector exampleSelector = SimilarityExampleSelector.builder()
        .examples(examples)
        .embeddingModel(embeddingModel)
        .maxExamples(1)
        .build();

// 选择相关示例
List<Example> selectedExamples = exampleSelector.select("如何学习 JavaScript？");

自定义示例选择器

您可以实现自定义的示例选择器，根据特定的逻辑选择示例：

public class CustomExampleSelector implements ExampleSelector {
    private final List<Example> examples;
    
    public CustomExampleSelector(List<Example> examples) {
        this.examples = examples;
    }
    
    @Override
    public List<Example> select(String input) {
        // 自定义选择逻辑
        return examples.stream()
                .filter(example -> example.input().contains("学习"))
                .limit(1)
                .collect(Collectors.toList());
    }
}

输出解析器 (Output Parsers)

输出解析器用于将模型的原始输出解析为结构化数据：

基本解析器

import dev.langchain4j.output.parser.JsonOutputParser;

// 创建 JSON 输出解析器
JsonOutputParser<Person> parser = new JsonOutputParser<>(Person.class);

// 定义提示词，要求模型输出 JSON 格式
PromptTemplate promptTemplate = PromptTemplate.from(
        "请提供关于 {name} 的信息，以 JSON 格式输出，包含 name、age、occupation 字段"
);

// 生成并解析输出
String rawOutput = model.generate(promptTemplate.apply("爱因斯坦"));
Person person = parser.parse(rawOutput);
System.out.println(person.getName());
System.out.println(person.getAge());
System.out.println(person.getOccupation());

自定义解析器

您可以实现自定义的输出解析器，处理特定格式的输出：

public class CustomOutputParser implements OutputParser<CustomResult> {
    @Override
    public CustomResult parse(String text) {
        // 自定义解析逻辑
        String[] parts = text.split("\\n");
        CustomResult result = new CustomResult();
        for (String part : parts) {
            if (part.startsWith("Title: ")) {
                result.setTitle(part.substring(7));
            } else if (part.startsWith("Content: ")) {
                result.setContent(part.substring(9));
            }
        }
        return result;
    }
}

提示词链 (Prompt Chains)

提示词链将多个提示词模板组合在一起，形成一个完整的处理流程：

顺序提示词链

// 创建第一个提示词模板
PromptTemplate topicTemplate = PromptTemplate.from("请为 {subject} 生成 3 个相关的讨论话题");

// 创建第二个提示词模板
PromptTemplate detailTemplate = PromptTemplate.from("请详细讨论以下话题：{topic}");

// 生成话题
String topics = model.generate(topicTemplate.apply("人工智能"));
System.out.println("生成的话题：" + topics);

// 详细讨论第一个话题
String firstTopic = topics.split("\\n")[0].replace("1. ", "");
String detail = model.generate(detailTemplate.apply(firstTopic));
System.out.println("详细讨论：" + detail);

条件提示词链

根据前一个步骤的结果，选择不同的提示词模板：

// 生成初步答案
String initialAnswer = model.generate("请回答：{question}", "什么是量子计算？");

// 根据答案长度选择不同的提示词模板
PromptTemplate followUpTemplate;
if (initialAnswer.length() < 100) {
    followUpTemplate = PromptTemplate.from("请详细解释：{answer}");
} else {
    followUpTemplate = PromptTemplate.from("请总结：{answer}");
}

// 生成后续答案
String followUpAnswer = model.generate(followUpTemplate.apply(initialAnswer));
System.out.println("后续答案：" + followUpAnswer);

最佳实践

1. 使用模板：使用提示词模板提高代码的可维护性和重用性
2. 优化提示词：精心设计提示词，明确任务要求和输出格式
3. 使用示例：提供相关示例，帮助模型更好地理解任务
4. 结构化输出：使用输出解析器将模型输出转换为结构化数据
5. 迭代优化：根据模型的输出，不断优化提示词和解析逻辑
6. 考虑上下文：在提示词中包含足够的上下文信息
7. 限制输出：明确指定输出的长度和格式要求
8. 测试不同提示词：尝试不同的提示词结构，找到最佳效果