classifierchain = ChatPromptTemplate.frommessages([ ("system",…
- User
classifier_chain = ChatPromptTemplate.from_messages([ ("system", "你是一个专门的问题分类器。你的任务是将用户问题准确分类为以下三个类别之一:LangChain、Programing 或 General。"), ("human", "请将以下问题分类:{question}"), ("assistant", "我会将这个问题分类为:") # 引导模型直接给出分类结果 ]) | model | parser
这里的assistant是本来就有的角色,还是自定义的
Assistant
在你提供的代码片段中,
assistant角色是自定义的。让我们分解一下代码:
ChatPromptTemplate.from_messages([...]): 这部分代码创建了一个聊天提示模板。它定义了与语言模型交互的结构。("system", ...): 这行代码定义了系统提示,它为模型提供背景信息和任务说明。在这里,它告诉模型它是一个问题分类器,并指定了三个分类类别。("human", ...): 这行代码定义了用户提示,它代表用户输入的问题。{question}是一个占位符,将在实际使用时替换为具体的问题。("assistant", ...): 这行代码定义了助手提示,它引导模型如何响应。在这里,它引导模型直接给出分类结果,而不是进行详细的解释。
总结:
assistant角色是你在创建提示模板时自定义的,用于引导模型以特定格式输出分类结果。- User
预定义的角色都有哪些
Assistant
在构建聊天提示模板(如
ChatPromptTemplate)时,通常会使用一些预定义的角色来组织对话。这些角色帮助模型理解对话的结构和上下文。常见的预定义角色包括:-
system
- 作用:提供全局指令或背景信息,指导模型如何响应。
- 示例:"你是一个帮助用户解答编程问题的助手。"
-
user 或 human
- 作用:代表用户输入的问题或请求。
- 示例:"如何在Python中实现冒泡排序?"
-
assistant 或 ai
- 作用:代表模型的响应或输出。
- 示例:"冒泡排序的Python实现如下:
python [代码]"
-
example_user 和 example_assistant
- 作用:在少样本学习或示例引导中,用于提供示例对话,帮助模型理解期望的输入和输出格式。
- 示例:
("example_user", "什么是LangChain?"), ("example_assistant", "LangChain是一个用于构建基于语言模型的应用的框架。")
这些角色是常见的,但具体实现可能因框架或库而异。例如,在
langchain中,ChatPromptTemplate通常使用system、human(或user)、assistant等角色。如果使用其他框架(如OpenAI的API),可能直接使用system、user和assistant作为键。注意:
- 角色名称可以自定义,但建议遵循常规命名,以提高可读性和兼容性。
- 在某些情况下,可以省略
system角色,直接从user和assistant开始对话。
-
Other models, same or similar prompt
Responses were produced in different, uncontrolled contexts (system prompts, settings, prior turns). This is not a benchmark.