AI Agent从无到有29: Few Shot 提示词工程的精准调优

关注

原创 2026-08-17 17:13:01 346 阅读 AI 写同款· GEO 优化 ›

AI Agent提示词实战：如何用6个关键要素提升大语言模型（LLM）任务成功率本文深入探讨了提升AI Agent任务成功率的实战方法，聚焦于构建高效提示词的六个核心要素：用户请求、Agent指令、环境状态、动作文档、示例演示和补充信息。通过系统化地整合这些要素，开发者可以为大语言模型（LLM）编写清晰的操作蓝图，从而显著提升其理解意图、调用工具和复杂决策的准确性与可靠性，实现从随机调参到工程化设计的转变。阅读详情

纲要

核心概念
- Zero Shot：零样本推理，直接提问不含示例
- Few Shot：少样本推理，通过少量输入-输出示例引导模型行为
- FewShotChatMessagePromptTemplate：LangChain 中专用于构建 Few Shot 提示的消息模板
关键流程
- 准备示例数据集 → 定义示例格式化模板 → 组合最终提示词（含系统消息、示例、用户问题） → 提交至 LLM
涉及组件与版本
- langchain_core.prompts：ChatPromptTemplate, FewShotChatMessagePromptTemplate
- langchain_core.messages：消息类型（HumanMessage, AIMessage）
- langchain_community.chat_models.fake：FakeListChatModel（用于离线测试）
- 适用版本：LangChain >=0.1.0, langchain-core >=0.1.0
完整可运行代码：演示自定义运算符“小鸟”作为加法，包含示例构建、模板组合、模型调用（模拟）

引言

在提示词工程中，直接要求大模型处理从未见过的任务（如自定义符号运算、专有格式转换）时，模型常因缺乏上下文而产生无关或错误的输出。Few Shot 提示通过提供少量精心设计的“输入-输出”示例，使模型迅速习得任务模式，从而在新输入上生成更符合预期的结果。

本文将系统阐述 Few Shot 的核心思想，并基于 LangChain 框架，利用 FewShotChatMessagePromptTemplate 高效构建示例驱动的提示词模板，同时给出完整可运行的代码示例（含模拟模型），便于读者在没有 API Key 的情况下验证流程。

Zero Shot 与 Few Shot 对比

Zero Shot（零样本）：不提供任何示例，仅凭任务指令直接提问。该方法依赖模型自身的推理能力，对于已具备强推理链（CoT）能力的大型模型（如 GPT-4）仍可奏效，但对常规模型或非标准任务效果欠佳。
Few Shot（少样本）：在提示中包含若干（通常 1~5 个）完整示例，每个示例均包含输入和期望输出。模型通过类比学习，按照示例的格式和逻辑进行回答。示例的质量和与目标任务的关联性远比数量重要。

示例说明：若直接问模型 “2 小鸟 9”，Zero Shot 方式可能得到随机或无关回复；若先给出示例 “2 小鸟 2 = 4”、“2 小鸟 3 = 5”，模型则能推断“小鸟”代表加法，并正确回答 “2 小鸟 9 = 11”。

方式	示例数量	适用场景	对模型推理能力要求
Zero Shot	0	常识问答、通用任务	高
Few Shot	≥1	自定义规则、格式转换、非标准任务	较低（借助示例）

LangChain 中的 Few Shot 实现

LangChain 提供 FewShotChatMessagePromptTemplate，它负责将一组示例与基础提示模板组合成最终的消息列表（适用于聊天模型）。整个流程如下图所示：

构建示例数据

示例通常以字典列表形式表示，每个字典包含 input 和 output 字段，分别对应人类问题和期望的 AI 响应内容。

定义示例模板

使用 ChatPromptTemplate.from_messages 定义如何将单个示例格式化为消息对：input 映射为 HumanMessage，output 映射为 AIMessage。

组合最终提示

将示例模板与完整提示模板（可包含系统消息、Few Shot 示例占位符及最终人类问题）结合，由 FewShotChatMessagePromptTemplate 统一注入示例消息。

完整可运行代码

以下代码演示如何使用 Few Shot 让模型理解自定义运算符“小鸟”代表加法，并利用 FakeListChatModel 模拟模型返回结果，无需真实 API Key。

环境准备（需 Python 3.8+）：

pip install langchain>=0.1.0 langchain-core>=0.1.0 langchain-community>=0.1.0

核心脚本（保存为 few_shot_demo.py）：

from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
)
from langchain_community.chat_models.fake import FakeListChatModel

# 1. 定义示例列表（每个示例包含 input 和 output）
examples = [
    {"input": "2 小鸟 2", "output": "4"},
    {"input": "2 小鸟 3", "output": "5"},
]

# 2. 构建示例模板：将每个示例格式化为 Human 和 AI 消息
example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}"),
])

# 3. 创建 FewShotChatMessagePromptTemplate 实例
few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
)

# 4. 构建最终提示词模板（系统指令 + few shot 示例占位 + 最终用户问题）
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位神奇的数学奇才。"),
    few_shot_prompt,   # 此处会自动展开为多个 Human/AI 消息
    ("human", "{input}"),
])

# 5. 格式化并打印组合后的消息列表（便于调试）
formatted_messages = final_prompt.format_messages(input="2 小鸟 9")
print("组合后的消息列表：")
for msg in formatted_messages:
    print(f"  {msg.type}: {msg.content}")

# 6. 使用模拟模型（预设回答为 "11"）
model = FakeListChatModel(responses=["11"])
chain = final_prompt | model
response = chain.invoke({"input": "2 小鸟 9"})
print(f"\n模型回答：{response.content}")

运行结果：控制台将依次打印出系统消息、两个示例消息（Human/AI 各两对）以及最后的用户问题，最终模型输出为 11，验证了 Few Shot 成功让模型习得“小鸟”为加法。

API 速览

本节梳理上述代码涉及的核心 API，便于读者按需调用。

`ChatPromptTemplate.from_messages`

所属库：langchain_core.prompts
方法签名：from_messages(messages: List[Union[Tuple[str, str], BaseMessagePromptTemplate]]) -> ChatPromptTemplate
参数：消息列表，支持元组 (角色, 内容) 或已实例化的消息模板。
返回值：ChatPromptTemplate 对象，可调用 format_messages(...) 生成消息列表。

`FewShotChatMessagePromptTemplate`

所属库：langchain_core.prompts
构造函数：FewShotChatMessagePromptTemplate(example_prompt: ChatPromptTemplate, examples: List[Dict[str, Any]], **kwargs)
参数：
- example_prompt：用于格式化单个示例的 ChatPromptTemplate（通常包含 human 和 ai 角色）。
- examples：字典列表，每个字典的键应与 example_prompt 中的变量匹配。
行为：该实例作为消息模板，在最终提示中被展开为多条 HumanMessage 和 AIMessage。