粤ICP备17114055号
微信扫码
与创始人交个朋友
支持私有云部署
我要投稿
Prompt（提示）是赋予 LLM 表达能力的基本输入。LlamaIndex 使用提示来构建索引、执行插入、在查询期间检索、合成最终答案。
LlamaIndex 提供了一组开箱即用的默认提示模板：
https://github.com/run-llama/llama_index/blob/main/llama-index-core/llama_index/core/prompts/default_prompts.py
另外，这里还有一些专门针对 gpt-3.5-turbo 等聊天模型编写和使用的提示：
https://github.com/run-llama/llama_index/blob/main/llama-index-core/llama_index/core/prompts/chat_prompts.py
自定义提示
用户还可以提供自己的提示模板来进一步定制框架的行为。自定义的最佳方法是从上面的链接复制默认提示，然后在其基础上进行修改：
from llama_index.core import PromptTemplatetemplate = ("We have provided context information below. \n""---------------------\n""{context_str}""\n---------------------\n""Given this information, please answer the question: {query_str}\n")qa_template = PromptTemplate(template)# you can create text prompt (for completion API)prompt = qa_template.format(context_str=..., query_str=...)# or easily convert to message prompts (for chat API)messages = qa_template.format_messages(context_str=..., query_str=...)
你甚至可以直接将英文提示翻译成中文，然后使用你喜欢的中文 LLM。
注意！不要更改 {context_str} 和 {query_str} 这两个字符串。
我们也可以自定义聊天消息的模板：
from llama_index.core import ChatPromptTemplatefrom llama_index.core.llms import ChatMessage, MessageRolemessage_templates = [ChatMessage(content="You are an expert system.", role=MessageRole.SYSTEM),ChatMessage(content="Generate a short story about {topic}",role=MessageRole.USER,),]chat_template = ChatPromptTemplate(message_templates=message_templates)# you can create message prompts (for chat API)messages = chat_template.format_messages(topic=...)# or easily convert to text prompt (for completion API)prompt = chat_template.format(topic=...)
获取和设定自定义提示
最常用的提示模板如下：
text_qa_template：用于从检索到的节点中获取查询的初始答案。
refine_template：用户当检索到的文本不适合使用 response_mode =“compact”（默认）的单个LLM调用时，或者当使用 response_mode =“refine” 检索多个节点时。第一个查询的答案将作为现有答案插入，LLM 必须根据新上下文更新或重复现有答案。
我们可以在 LlamaIndex 中的许多模块上调用 get_prompts 来获取模块和嵌套子模块中使用的提示列表：
query_engine = index.as_query_engine(response_mode="compact")prompts_dict = query_engine.get_prompts()print(list(prompts_dict.keys()))
输出如下：
['response_synthesizer:text_qa_template', 'response_synthesizer:refine_template']
注意，每个提示都有自己所属的子模块作为命名空间。
我们可以使用 update_prompts 函数根据键更新提示：
query_engine.update_prompts({"response_synthesizer:text_qa_template": qa_template})更改查询引擎中的提示
对于查询引擎，我们还可以在查询时直接传入自定义提示：
通过高级 API：
query_engine = index.as_query_engine(text_qa_template=custom_qa_prompt, refine_template=custom_refine_prompt)
2. 通过低级 API：
retriever = index.as_retriever()synth = get_response_synthesizer(text_qa_template=custom_qa_prompt, refine_template=custom_refine_prompt)query_engine = RetrieverQueryEngine(retriever, response_synthesizer)
上面的两种方法是等效的，其中 1 本质上是 2 的语法糖，并隐藏了潜在的复杂性。我们可以使用 1 快速修改一些常用参数，并使用 2 进行更精细的控制。
更改建立索引时使用的提示
最常用的 VectorStoreIndex 和 SummaryIndex 在构建过程中不使用任何 Prompt。
但是有的索引会在构建过程中使用不同的提示。例如，TreeIndex 使用摘要提示来分层汇总节点，KeywordTableIndex 使用关键字提取提示来提取关键字。
有两种等效的方法可以覆盖默认提示：
index = TreeIndex(nodes, summary_template=custom_prompt)
和
index = TreeIndex.from_documents(docs, summary_template=custom_prompt)
一些高级提示技巧
部分格式化，先填充一部分变量，其余变量以后再填充：
from llama_index.core import PromptTemplateprompt_tmpl_str = "{foo} {bar}"prompt_tmpl = PromptTemplate(prompt_tmpl_str)partial_prompt_tmpl = prompt_tmpl.partial_format(foo="abc")fmt_str = partial_prompt_tmpl.format(bar="def")
模板变量映射
LlamaIndex 提示抽象通常需要某些键（如果你熟悉 Python 字符串格式化的话）。例如，text_qa_prompt需要 context_str 作为上下文，query_str 作为用户查询。
如果我们在其他地方发现了很好的提示模板，但是模板中的键不一样，要么我们手工替换这些键，要么定义 template_var_mappings：
template_var_mappings = {"context_str": "my_context", "query_str": "my_query"}prompt_tmpl = PromptTemplate(qa_prompt_tmpl_str, template_var_mappings=template_var_mappings)
函数映射
将函数作为模板变量而不是固定值传递。这是相当先进和强大的，允许我们进行动态提示。
下面是重新格式化 context_str 的示例：
def format_context_fn(**kwargs):# format context with bullet pointscontext_list = kwargs["context_str"].split("\n\n")fmtted_context = "\n\n".join([f"- {c}" for c in context_list])return fmtted_contextprompt_tmpl = PromptTemplate(qa_prompt_tmpl_str, function_mappings={"context_str": format_context_fn})prompt_tmpl.format(context_str="context", query_str="query")
53AI，企业落地应用大模型首选服务商
产品：大模型应用平台+智能体定制开发+落地咨询服务
承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业
2024-11-19
llamaindex实战-Workflow:工作流入门（本地部署断网运行）
2024-11-15
llamaindex实战-Agent-在Agent中使用RAG查询(本地部署)
2024-11-07
深度解析 REAcT Agent 的实现：利用 LlamaIndex 和 Gemini 提升智能代理工作流
2024-11-04
手把手教你用Coze零代码搭建一个智能搜索智能体，高时效性、保姆级！
2024-10-11
深入解析LlamaIndex Workflows【下篇】：实现ReAct模式AI智能体的新方法
2024-10-10
使用Milvus和Llama-agents构建更强大的Agent系统
2024-09-19
LlamaIndex报告：未来Agentic App，不仅是RAG
2024-08-28
对于初学者，该如何选择 LlamaIndex 与 LangChain ？
2024-07-09
2024-04-20
2024-06-05
2024-04-25
2024-04-28
2024-05-09
2024-07-20
2024-04-26
2024-04-08
2024-06-19
回到顶部