提出问题

我们问AI某手机的配置，有时要求固定的返回格式，比如要求格式如下：

名称：iPhone 11
屏幕：6.1英寸
CPU：A13 Bionic（7纳米制程）
5G：不支持

代码：

from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 不用qwen3-max，因为qwen3-max是聊天模型，qwen-max是大语言模型
model = Tongyi(model="qwen-max")

# 调用stream向模型提问，返回generator类型
res = model.stream(input="iPhone 11配置")

for chunk in res:
    print(chunk, end="", flush=True)

回答如下：

iPhone 11是苹果公司在2019年推出的一款智能手机，它具有以下主要配置特点：

- **显示屏**：采用6.1英寸Liquid视网膜高清LCD全面屏，分辨率为1792 x 828像素（326 ppi），支持True Tone显示、宽色域显示(P3)以及触感触控。
- **处理器**：搭载了A13仿生芯片，这是当时非常先进的移动处理器之一，提供了强大的性能和能效比。
- **摄像头系统**：
  - 后置双摄：1200万像素超广角镜头+1200万像素广角镜头组合。支持夜间模式、人像模式、智能HDR等功能。
  - 前置摄像头为1200万像素TrueDepth相机系统，支持Face ID面部识别解锁。
- **存储选项**：提供64GB、128GB及256GB三种容量选择。
- **防水防尘等级**：达到IP68级别，在最深2米的水下停留时间最长可达30分钟。
- **操作系统**：最初预装iOS 13系统，并且能够升级到后续版本。
- **其他特性**：支持无线充电、快速充电（需额外购买适配器）、双卡双待功能等。

可以看到，回复内容太多，与我们要求的格式不同

解决

使用 FewShotPromptTemplate 提示词模板类，告诉AI格式例子，AI就会按照例子返回相同的格式

介绍

当 AI 仅靠 文字、指令无法精准理解你的输出要求 （格式/风格/逻辑）时，给 AI 看几个示例，让它模仿生成，此时应该使用 FewShotPromptTemplate

FewShotPromptTemplate 就是把 示例 + 基础提示词模板 打包，让你能快速构建带示例的提示词，解决纯文字指令描述不清、AI 输出格式不统一的问题。

适用场景

FewShotPromptTemplate 本质是「示例驱动的提示词生成」，适合以下场景：

• AI 输出格式不统一（比如需要固定JSON/表格/特定文本格式）；
• 任务逻辑复杂，纯文字指令描述不清（比如多条件的文本分类）；
• 需要 AI 模仿特定风格（比如专业报告、口语化对话、古风文案）；
• 少量示例就能让 AI 理解规则（少样本学习）。

语法

FewShotPromptTemplate(examples,example_prompt,prefix,suffix,input_variables,separator)

参数解释

方法

format() 方法

纯字符串渲染，填充变量生成最终提示词文本

返回值：生成最终提示词文本，字符串类型

案例

问AI某手机的配置，要求返回的格式如下：

名称：iPhone 11
屏幕：6.1英寸
CPU：A13 Bionic（7纳米制程）
5G：不支持

定义示例 + 示例模板

首先准备要给 AI 看的示例，并用模板定义示例的格式：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 第一步：定义示例模板（告诉 AI 示例的格式）
example_template = """
名称：{name}
屏幕：{screen}
CPU：{cpu}
5G：{5G}
"""

example_prompt = PromptTemplate.from_template(example_template)

# 第二步：准备示例（列表+字典格式，每个字典是一个示例）
examples = [
    {"name": "iPhone 17 Pro Max", "screen": "6.9英寸", "cpu": "A19 Pro（3纳米制程）", "5G": "支持"},
    {"name": "华为Mate 80 Pro", "screen": "6.8英寸", "cpu": "麒麟9100（4纳米制程）", "5G": "支持（麒麟5G芯片）"},
    {"name": "小米17 Ultra", "screen": "6.78英寸", "cpu": "骁龙8 Gen4（4纳米制程）", "5G": "支持"}
]

# 第三步：1.定义开头的引导语
prefix = "请按照以下格式返回指定手机的配置（参考示例格式）："
# 第三步：2.定义问AI的问题
suffix = "现在请生成 {name} 的手机配置："

# 第四步：组装 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    prefix=prefix,              # 开头的引导语
    example_prompt=example_prompt,  # 示例的格式模板
    examples=examples,          # 要展示给 AI 的示例
    suffix=suffix,              # 问AI的问题（包含动态变量）
    input_variables=["name"],   # 最终要传入的动态变量（这里是城市名）
)

# 渲染模板，生成最终提示词
final_prompt = few_shot_prompt.format(name="iphone15")
print("最终给 AI 的提示词：")
print(final_prompt)

运行结果（最终提示词）

最终给 AI 的提示词：
请按照以下格式返回指定手机的配置（参考示例格式）：


名称：iPhone 17 Pro Max
屏幕：6.9英寸
CPU：A19 Pro（3纳米制程）
5G：支持



名称：华为Mate 80 Pro
屏幕：6.8英寸
CPU：麒麟9100（4纳米制程）
5G：支持（麒麟5G芯片）



名称：小米17 Ultra
屏幕：6.78英寸
CPU：骁龙8 Gen4（4纳米制程）
5G：支持


现在请生成 iphone15 的手机配置：

结合ai

把这个模板和模型串联，AI 会严格模仿示例格式输出：

在上面的案例的开头加上导入：

from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv

在上面的案例的最下面，加上下面代码：

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 创建模型对象
model = Tongyi(model="qwen-max")

# 串联模板和模型（| 运算符）
chain = few_shot_prompt | model

# 调用链（自动渲染模板 + 调用模型）
res = chain.stream({"name": "iphone11"})

print("---------大模型回答--------------------")

for chunk in res:
    print(chunk, end="", flush=True)

AI 输出结果：

---------大模型回答--------------------
名称：iPhone 11
屏幕：6.1英寸 Liquid 视网膜高清显示屏
CPU：A13 仿生芯片（7纳米制程）
5G：不支持

可以看到：格式完全匹配示例

原文出处：/show_1GW2qOZeEQrL.html