第一章zero-shot
1.1概念
zero-shot指的是零样本提示词,不提供示例直接让llm处理提示词生成答案
1.2实现
from langchain import PromptTemplate from langchain_community.llms import Ollama model = Ollama(model="qwen2.5:7b") # 定义模板 template = "我的邻居姓{lastname}，他生了个儿子，给他儿子起个名字" prompt = PromptTemplate( input_variables=["lastname"], template=template, ) prompt_text = prompt.format(lastname="王") print(prompt_text) # result: 我的邻居姓王，他生了个儿子，给他儿子起个名字 result = model(prompt_text) print(result) ''' 如果您的邻居想要给他的儿子起一个名字，可以考虑以下建议： 1. **个性化选择**：根据孩子的性别、年龄或者其他个人喜好来命名。 2. **传统或流行的名字**：可以从传统文化中寻找灵感，或者参考当前比较流行的男孩名字。例如，如果孩子是男孩，可以选择“宇航”、“浩然”、“启明”等富有寓意的汉字作为名字。 3. **结合家族背景和姓氏**：如果您想保持与邻居的关系，可以考虑使用他的姓氏作为孩子的名字的一部分，如“王宇航”、“王浩然”。 4. **简单易读的名字**：避免过于复杂的或拗口的名字，以便于孩子成长过程中的发音。 请记住，无论选择哪种方式命名，重要的是要考虑到孩子的性格特点和未来发展。 '''第二章few-shot
2.1概念
自己提供少量样例结合prompt辅助llm生成答案
2,2代码实现
from langchain import PromptTemplate, FewShotPromptTemplate from langchain_community.llms import Ollama model = Ollama(model="qwen2.5:7b") examples = [ {"word": "开心", "antonym": "难过"}, {"word": "高", "antonym": "矮"}, ] example_template = """ 单词: {word} 反义词: {antonym}\\n """ example_prompt = PromptTemplate( input_variables=["word", "antonym"], template=example_template, ) few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_prompt, prefix="给出每个单词的反义词", suffix="单词: {input}\\n反义词:", input_variables=["input"], example_separator="\\n", ) prompt_text = few_shot_prompt.format(input="粗") print(prompt_text) print('*'*80) # 给出每个单词的反义词 # 单词: 开心 # 反义词: 难过 # 单词: 高 # 反义词: 矮 # 单词: 粗 # 反义词: # 调用模型 print(model(prompt_text)) # 细第三章适用场景
相比零样本，少样本提示能产生更准确的结果，因为它通过示例明确了任务要求。两种方法分别适用于不同场景：零样本适合简单直接的任务，少样本则能提升复杂任务的准确性。
