LangChain入门：10.基于Chain of Thought构建店铺运营助手

在本次实战中，我们将开发一个 AI 运营助手，它能根据用户的需求进行推理和生成答案。将在用户提出花卉选择需求时，根据事先定义的思维链模板进行推理，并给出最合适的答案。

项目需求

作为一个为花店电商公司工作的 AI 助手，它的目标是帮助客户根据他们的喜好做出明智的决定。具体需求如下：

1. 理解客户的需求。
2. 按部就班的思考，考虑各种鲜花的涵义。
3. 根据客户的需求，给出最符合逻辑的花卉推荐。
4. 需要向客户解释推荐的原因。

实现思路

为了实现运营助手，我们可以按照以下步骤进行：

1. 定义思维链模板：设计思维链模板，用于指导运营助手在用户提出需求时进行推理和生成答案。
2. 编写代码逻辑：根据思维链模板编写代码逻辑，实现运营助手的核心功能。
3. 测试和优化：测试运营助手功能，并根据测试结果进行优化和改进。

示例对话及代码实现

针对这次的需求，我设计了下面这样的思维链模板。

示例 1:
人类：我想找一种象征爱情的花。
AI：首先，我理解你正在寻找一种可以象征爱情的花。在许多文化中，红玫瑰被视为爱情的象征，
这是因为它们的红色通常与热情和浓烈的感情联系在一起。因此，考虑到这一点，我会推荐红玫瑰。
红玫瑰不仅能够象征爱情，同时也可以传达出强烈的感情，这是你在寻找的。

示例 2:
人类：我想要一些独特和奇特的花。
AI：从你的需求中，我理解你想要的是独一无二和引人注目的花朵。兰花是一种非常独特并且颜色鲜艳的花，
它们在世界上的许多地方都被视为奢侈品和美的象征。因此，我建议你考虑兰花。
选择兰花可以满足你对独特和奇特的要求，而且，兰花的美丽和它们所代表的力量和奢侈也可能会吸引你。

下面是示例代码，实现了运营助手的核心功能：

#创建聊天模型
from langchain_openai import ChatOpenAI
llm=ChatOpenAI(
    openai_api_key='替换为你的API密钥', 
    base_url='https://api.chatanywhere.tech/v1',
    model='gpt-3.5-turbo',
    temperature=0,
)

#设定AI的角色和目标
role_template = "你是一个为花店电商公司工作的AI助手, 你的目标是帮助客户根据他们的喜好做出明智的决定"

#CoT的关键部分，AI解释推理过程，并加入一些先前的对话提示（Few-Shot Learning）
cot_template = """
作为一个为花店电商公司工作的AI助手，我的目标是帮助客户根据他们的喜好做出明智的决定。 
我会按部就班的思考，先理解客户的需求，然后考虑各种鲜花的涵义，最后根据这个需求，给出我的推荐。
同时，我也会向客户解释我这样推荐的原因。
示例 1: 
人类：我想找一种象征爱情的花。 
AI：首先，我理解你正在寻找一种可以象征爱情的花。在许多文化中，红玫瑰被视为爱情的象征，
这是因为它们的红色通常与热情和浓烈的感情联系在一起。因此，考虑到这一点，我会推荐红玫瑰。
红玫瑰不仅能够象征爱情，同时也可以传达出强烈的感情，这是你在寻找的。

示例 2: 
人类：我想要一些独特和奇特的花。 
AI：从你的需求中，我理解你想要的是独一无二和引人注目的花朵。兰花是一种非常独特并且颜色鲜艳的花，
它们在世界上的许多地方都被视为奢侈品和美的象征。因此，我建议你考虑兰花。
选择兰花可以满足你对独特和奇特的要求，而且，兰花的美丽和它们所代表的力量和奢侈也可能会吸引你。
"""

from langchain.prompts import ChatPromptTemplate,HumanMessagePromptTemplate,SystemMessagePromptTemplate
system_prompt_role=SystemMessagePromptTemplate.from_template(role_template)
system_prompt_cot=SystemMessagePromptTemplate.from_template(cot_template)

#用户提问
human_trmplate="{question}"
human_prompt=HumanMessagePromptTemplate.from_template(human_trmplate)

#将以上所有信息结合为一个聊天提示
chat_prompt= ChatPromptTemplate.from_messages([system_prompt_role,system_prompt_cot,human_prompt])

prompt = chat_prompt.format_prompt(question="我想为我的女朋友购买一些花。她喜欢粉色和紫色。你有什么建议吗?")

#接收用户的询问，返回回答结果
response = llm.invoke(prompt)
print(response)

注意要点

• 设置 temperature=0 可以让模型生成更确定性的回答，即输出更倾向于最可能的结果。
• 定义 CoT 模板，其中包括了 AI 的角色和目标描述、思考链条以及遵循思考链条的一些示例，显示了 AI 如何理解问题，并给出建议。

总结

在本次实战中，我们开发了一个 AI 运营助手，它能根据用户的需求进行推理和生成答案。 能够按部就班地思考，理解用户的需求，并给出最合适的花卉推荐。