先我们直接问大模型看他如何回答

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

from langchain_openai import ChatOpenAI

import os

from dotenv import load_dotenv

llm = ChatOpenAI(

    api_key=os.getenv("DEEPSEEK_API_KEY"),

    base_url=os.getenv("DEEP_URL"),  # Deepseek 的 API 基础地址

    model="deepseek-v3:671b",  # Deepseek 对话模型（可选：deepseek-chat-pro 等高级模型）

    temperature=0.7,  # 温度参数（0-1，越低越稳定）

    max_tokens=1024  # 最大生成 tokens

)

response = llm.invoke('李白和白居易谁活得的更久？')

print(response.content)

 结果如下：

1

2

3

4

5

6

7

8

9

10

11

李白和白居易的寿命对比如下：

1. **李白（701年－762年）** 

   - 享年约61岁（虚岁62岁）。 

   - 去世原因：普遍认为是病逝，但也有“醉后捞月溺亡”的民间传说。 

2. **白居易（772年－846年）** 

   - 享年74岁（虚岁75岁），在唐代诗人中属长寿。 

   - 晚年生活：辞官隐居洛阳，笃信佛教，生活闲适。 

**结论**：白居易比李白多活约13年，寿命更长。两人虽同属唐代，但白居易出生时李白已去世10年，二者并无交集。

 那么如何引导大模型按照我们期望的结果输出呢？代码如下：

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

from langchain.prompts.few_shot import FewShotPromptTemplate

from langchain.prompts.prompt import PromptTemplate

from langchain_openai import ChatOpenAI

from langchain_core.output_parsers import StrOutputParser

import os

# 定义少样本学习（Few-Shot Learning）中的示例列表

# 每个示例包含一个复杂问题及其结构化的多步推理答案

# 目的是教会模型：面对需要多跳推理的问题时，应如何分解问题、逐步追问并整合答案

examples = [

    {

        "question": "乾隆和曹操谁活得更久?",

        "answer": """

这里是否需要跟进问题：是的。

追问：乾隆去世时几岁？

中间答案：乾隆去世时87岁。

追问：曹操去世时几岁？

中间答案：曹操去世时66岁。

所以最终答案是：乾隆

""",

    },

    {

        "question": "小米手机的创始人什么时候出生?",

        "answer": """

这里是否需要跟进问题：是的。

追问：小米手机的创始人是谁？

中间答案：小米手机 由 雷军 创立。

跟进：雷军什么时候出生？

中间答案：雷军出生于 1969 年 12 月 16 日。

所以最终的答案是：1969 年 12 月 16 日

""",

    },

    {

        "question": "乔治·华盛顿的外祖父是谁？",

        "answer": """

这里是否需要跟进问题：是的。

追问：乔治·华盛顿的母亲是谁？

中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。

追问：玛丽·鲍尔·华盛顿的父亲是谁？

中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔。

所以最终答案是：约瑟夫·鲍尔

""",

    },

    {

        "question": "《大白鲨》和《皇家赌场》的导演是同一个国家的吗？",

        "answer": """

这里是否需要跟进问题：是的。

追问：《大白鲨》的导演是谁？

中间答案：《大白鲨》的导演是史蒂文·斯皮尔伯格。

追问：史蒂文·斯皮尔伯格来自哪里？

中间答案：美国。

追问：皇家赌场的导演是谁？

中间答案：《皇家赌场》的导演是马丁·坎贝尔。

跟进：马丁·坎贝尔来自哪里？

中间答案：新西兰。

所以最终的答案是：不会

""",

    },

]

# 定义单个示例的格式模板

# 将每个 example 中的 question 和 answer 按照指定格式拼接

example_prompt = PromptTemplate(

    input_variables=["question", "answer"],  # 声明模板中使用的变量名

    template="Question: {question}\n{answer}"  # 实际的文本模板

)

print('---------')

# 构建完整的少样本提示模板（Few-Shot Prompt Template）

# 该模板会自动将 examples 按 example_prompt 格式拼接，并在末尾追加用户输入的问题

prompt = FewShotPromptTemplate(

    examples=examples,              # 提供的示例列表

    example_prompt=example_prompt,  # 单个示例的格式

    suffix="Question: {input}",     # 用户实际输入问题的位置（占位符为 {input}）

    input_variables=["input"],      # 声明整个提示模板接收的输入变量名

)

# 打印生成的完整提示词，用于调试或查看模型实际看到的上下文

print('--------提示词begin--------')

print(prompt.format(input="李白和白居易谁活得的更久？"))

print('--------提示词end--------')

# 配置大语言模型（LLM）参数，使用 DeepSeek 的 API（兼容 OpenAI 接口）

llm = ChatOpenAI(

    api_key=os.getenv("DEEPSEEK_API_KEY"),   # 从环境变量读取 API 密钥（更安全）

    base_url=os.getenv("DEEP_URL"),          # 从环境变量读取 DeepSeek 的 API 基础地址

    model="deepseek-v3:671b",                # 指定使用的模型名称

    temperature=0.7,                         # 控制生成文本的随机性（0~1，值越高越有创造性）

    max_tokens=1024                          # 限制模型最大输出长度（以 token 为单位）

)

# 创建输出解析器，将模型返回的 AIMessage 对象解析为纯字符串

output_parser = StrOutputParser()

# 使用 LangChain 的管道操作符（|）构建处理链：

# 输入 → 提示模板 → 大模型 → 输出解析 → 最终字符串结果

chain = prompt | llm | output_parser

# 调用链式流程，传入用户问题：“李白和白居易谁活得的更久？”

response = chain.invoke({"input": "李白和白居易谁活得的更久？"})

# 打印模型生成的最终回答

print('--------最终回答--------')

print(response)

 --------最终回答--------
这里是否需要跟进问题：是的。
追问：李白去世时几岁？
中间答案：李白去世时61岁。
追问：白居易去世时几岁？
中间答案：白居易去世时75岁。
所以最终答案是：白居易

一、核心目标

教会大语言模型（LLM）如何分步思考，解决需要多步推理（Multi-hop Reasoning）的复杂问题

二、关键技术点

1. 少样本提示（Few-Shot Prompting）
  • 概念：在提示词中提供几个“输入-输出”示例，引导模型模仿回答格式和推理逻辑。
  • 作用：无需微调模型，仅通过提示工程（Prompt Engineering）提升复杂任务表现。
  • 实现工具：langchain.prompts.few_shot.FewShotPromptTemplate

2. 结构化推理模板设计
  • 每个示例包含清晰的推理链条：
    • 判断是否需要追问（“这里是否需要跟进问题：是的。”）
    • 分步提出子问题（“追问：...”）
    • 给出中间答案（“中间答案：...”）
    • 最终整合结论（“所以最终答案是：...”）
  • 目的：让模型学会“先分解问题 → 再逐步求解 → 最后综合答案”的思维模式。

3. LangChain 提示模板组合
  • PromptTemplate：定义单个示例的格式（如 "Question: {question}\n{answer}"）
  • FewShotPromptTemplate：自动拼接多个示例 + 用户问题，生成完整提示
  • 支持动态插入用户输入（通过 {input} 占位符）

4. 大模型调用与安全配置
  • 使用 ChatOpenAI 调用兼容 OpenAI API 的第三方模型（如 DeepSeek）
  • 关键参数：
    • temperature=0.7：平衡创造性与稳定性
    • max_tokens=1024：控制输出长度
  • 安全实践：通过 os.getenv() 从环境变量读取 API 密钥，避免硬编码

5. 链式处理（Chain）与输出解析
    • 构建数据流管道：
      输入 → 提示模板 → 大模型 → 字符串解析 → 最终结果
    • 使用 | 操作符连接组件（LangChain 的函数式风格）
    • StrOutputParser()：将模型返回的结构化消息（如 AIMessage）转为纯文本
# 人工智能 # python
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

【Codex】用Kaggle竞赛项目模块管理数据竞赛学习资源

avatar AI编程社区
cover

【Codex】用文章分类模块构建内容运营分类体系

avatar AI编程社区
cover

【Codex】用内容购买模块管理教育资源采购与开通记录

avatar AI编程社区