有时候，我们只是想利用 LLM 来帮助我们完成一些特定类型的任务，
但每次可能我们跟 LLM 对话的内容只是有一些细微的差别，这时候我们可以使用提示词模板来帮助我们更方便地构建对话。
PromptTemplate
在 langchain 中，我们可以使用 PromptTemplate 来定义一个提示词模板：
from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import PromptTemplate from langchain_openai import ChatOpenAI prompt_template = "What is a good name for a company that makes {product}?" prompt = PromptTemplate(template=prompt_template, input_variables=["product"]) llm = ChatOpenAI( model_name="gpt-3.5-turbo", temperature=0, max_tokens=200, api_key="your key", base_url="https://api.openai-hk.com/v1", ) chain = prompt | llm | StrOutputParser() response = chain.invoke({"product": "shoes"}) print(response)
输出：
SoleStride Footwear Co.
在上面这个例子中，我们的 PromptTemplate 是 What is a good name for a company that makes {product}?，
在这里，product 是一个变量，我们可以在调用 chain.invoke 的时候传入一个字典，来替换这个变量。
这样，我们就实现了一个模板化的提示词，可以方便地构建对话。
RunnableSerializable
在上面的例子中，chain = prompt | llm | StrOutputParser() 这一行代码我们可能会看得有点懵逼。
这里的 | 并不是常见的 or 运算，而是 prompt 里面的 __or__ 方法调用，等于是运算符重载了。
这一行代码的最终结果是，返回一个 RunnableSequence 的实例，我们可以调用它的 invoke 方法。
接着就执行类似管道的操作，前一个操作的输出作为后一个操作的输入。
管道抽象
如果熟悉 linux 命令行的话，我们会知道，其实 linux 中的管道操作符也是 |。与之类似的，langchain 重载 | 操作符也是为了抽象管道这种操作。
在这行代码中，prompt 的输出会作为 llm 的输入，同时，llm 的输出也会作为 StrOutputParser() 的输入。然后最终得到多个管道处理后的结果。
invoke 实现管道操作的源码
# invoke all steps in sequence try: for i, step in enumerate(self.steps): # mark each step as a child run config = patch_config( config, callbacks=run_manager.get_child(f"seq:step:{i+1}") ) if i == 0: input = step.invoke(input, config, **kwargs) else: input = step.invoke(input, config) # finish the root run except BaseException as e: run_manager.on_chain_error(e) raise
批量调用
我们也可以使用 chain 的 batch 方法来传入多个模板参数：
response = chain.batch([ {"product": "shoes"}, {"product": "cup"}, ])
这样我们就可以同时得到多个问题的答案了。
