第三节:GoLangChain提示词(Prompts)处理详解

在使用大语言模型(LLM)时，提示词(Prompt)是与模型交互的关键。良好的提示词设计能够显著提升模型输出的质量。本文将基于langchaingo库，详细介绍Go语言中处理提示词的几种主要方式。

1. 引言
在与大语言模型交互时，提示词的设计至关重要。LangChain框架提供了一套完整的提示词处理工具，使得我们能够更好地控制和优化与模型的交互。本文将通过实际代码示例，介绍在Go语言中使用langchaingo库处理提示词的几种主要方式。

2. 基础提示词模板(PromptTemplate)
最简单的提示词处理方式是使用基础提示词模板。这种方式适用于单轮对话或简单的文本生成任务。

func TestPrompt(test *testing.T) {
    llm := getLLmOpenaiClientNew(test)
    // 创建一个模板
    // 参数一：prompt
    // 参数二： 提示模板所需的变量名称列表。
    template := prompts.NewPromptTemplate("请你为{{.dep}}部门的新入职员工{{.name}}设计一个自我介绍", []string{
       "dep",
       "name",
    })
    staff := map[string]any{
       "name": "木兮",
       "dep":  "go语言开发",
    }
    prompt, err := template.FormatPrompt(staff)
    NoError(err)
    log.Println("prompt:", prompt.String())
    singlePrompt, err := llms.GenerateFromSinglePrompt(context.Background(), llm, prompt.String())
    NoError(err)
    log.Println(singlePrompt)
}

在这个例子中，我们创建了一个带有两个变量(dep和name)的提示词模板，并通过传入具体的值来生成最终的提示词。这种方式简单直接，适用于大多数基础场景。

3. 聊天提示词模板(ChatPromptTemplate)
对于需要多轮对话或角色设定的场景，我们可以使用聊天提示词模板。这种方式允许我们定义系统消息和用户消息，从而更好地控制对话上下文。

func TestChat(test *testing.T) {
    template := prompts.NewChatPromptTemplate([]prompts.MessageFormatter{
        prompts.NewSystemMessagePromptTemplate("你是一个小学的{{.position}},可以根据学生的成绩指定教学计划", []string{
            "position",
        }),
        prompts.NewHumanMessagePromptTemplate("我叫{{.name}} 我{{.subjects}}考了{{.scores}}", []string{
            "name",
            "scores",
            "subjects",
        }),
    })
    val, err := template.FormatPrompt(map[string]any{
        "name":     "小王",
        "scores":   "15",
        "position": "老师",
        "subjects": "数学",
    })
    NoError(err)
    //=== RUN   TestChat
    //2025/09/18 15:51:13 system: 你是一个小学的老师,可以根据学生的成绩指定教学计划
    //Human: 我叫小王 我数学考了15
    //--- PASS: TestChat (0.00s)
    log.Println(val.String())

    llm := getLLmOpenaiClientNew(test)
    prompt, err := llms.GenerateFromSinglePrompt(context.Background(), llm, val.String())
    NoError(err)
    //2025/09/18 15:54:40 小王！你的数学成绩是15分，算是中等水平。根据你的成绩，我们可以制定一个针对性的教学计划来帮助你提高你的数学能力。
    //
    //首先，我们需要了解你的数学知识基础。我们来看看一下，你的数学知识点包括哪些：
    //
    //* 数学运算（加、减、乘、除）：15分
    //* 数形识别：14分
    //* 数学概念（数列、几何级数、图形）：13分
    //* 问题解答能力：12分
    log.Println(prompt)

}

在上述代码中，我们定义了两个消息模板：
系统消息模板：设定模型的角色
人类消息模板：模拟用户的输入
这种方式特别适用于需要明确角色设定的对话场景，能够更好地引导模型产生符合预期的输出。

4. 少样本提示(FewShot Prompt)
在某些场景下，我们可能需要通过提供示例来引导模型生成特定格式的输出。这时可以使用少样本提示：

func TestFormat(test *testing.T) {
    example := []map[string]string{
        {"name": "小王", "dep": "go 语言部门", "introduce": "大家好，我是小王 ，我有5年工作经验，很高兴加入"},
        {"name": "李正阳", "dep": "php 语言部门", "introduce": "大家好，我是李正阳 ，我有10年工作经验，很高兴加入"},
    }
    template := prompts.NewPromptTemplate("员工：{{.name}} \n部门:{{.dep}}\n介绍:{{.introduce}}",
        []string{"name", "dep", "introduce"})

    //NewFewShotPrompt 使用给定的输入创建一个新的 few-shot 提示。如果没有示例，则返回错误，同时提供了示例和 exampleSelector，或者当 ValidateTemplate 为 true 时，CheckValidTemplate 返回错误
    prompt, err := prompts.NewFewShotPrompt(template, example, nil, "请根据以下例子参考写出他们的入职介绍",
        "请你为{{.sdep}}部门入职的员工{{.sname}}设计一个自我介绍",
        []string{"prefId", "sdep", "sname"}, map[string]interface{}{
            "prefId": func() string {
                return "id"
            },
            "prefixCtx": "测试",
        }, "\n", prompts.TemplateFormatGoTemplate, false)
    NoError(err)
    formatPrompt, err := prompt.FormatPrompt(map[string]any{
        "sname": "木兮",
        "sdep":  "刘灿",
    })
    NoError(err)
    log.Println(formatPrompt.String())
    llm := getLLmOpenaiClientNew(test)
    res, err := llms.GenerateFromSinglePrompt(context.Background(), llm, formatPrompt.String())
    NoError(err)
    log.Println(res)
    //=== RUN   TestFormat
    //2025/09/18 16:25:05 请根据以下例子参考写出他们的入职介绍
    //员工：小王
    //部门:go 语言部门
    //介绍:大家好，我是小王 ，我有5年工作经验，很高兴加入
    //员工：李正阳
    //部门:php 语言部门
    //介绍:大家好，我是李正阳 ，我有10年工作经验，很高兴加入
    //请你为刘灿部门入职的员工木兮设计一个自我介绍
    //2025/09/18 16:25:11 根据例子，可以写出以下自我介绍：
    //
    //员工：木兮
    //部门:后端开发部门
    //介绍：大家好，我是木兮 ，我有8年工作经验，专注于后端开发，很高兴加入我们的团队。
    //--- PASS: TestFormat (6.24s)
    //PASS

}

通过提供具体的示例，模型能够更好地理解我们期望的输出格式和内容风格，从而生成更符合要求的结果。

6. 总结
通过langchaingo库，我们可以方便地处理各种类型的提示词：
基础提示词模板：适用于简单文本生成任务
聊天提示词模板：适用于多轮对话和角色设定场景
少样本提示：通过示例引导模型生成特定格式的输出
在实际应用中，应根据具体需求选择合适的提示词处理方式。良好的提示词设计不仅能提高模型输出的质量，还能更好地控制模型的行为，使其更符合业务需求。
通过熟练掌握这些提示词处理技巧，我们能够更有效地利用大语言模型的能力，构建出更智能、更实用的应用程序。