给AI“喂”例子就像教小朋友看图说话？LangChain这波操作我服了

我挖掘了一个巨牛的 人工智能 学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

前言

在大模型开发过程中，很多开发者只会写零样本提示：直接下发任务指令，让模型依靠原生知识作答。但零样本存在明显短板：输出格式混乱、推理逻辑不统一、自定义规则难以对齐、模型容易自由发挥产生幻觉。

我们上一篇刚学了样本提示词模板，这就派上用场了！

学的提示词模板是作为“加工每个样例的工具”传入少样本模板的。它不直接构成最终答案，但少样本模板最终拼出来的那堵“提示词大墙”，每一块砖（每个样例）都是由你那个小模板烧制出来的。

少样本提示（Few-shotting） 是解决该问题的核心提示工程手段：给 LLM 提供少量「输入 + 标准输出」样例，让模型模仿样例的格式、逻辑、思考流程完成任务。结合 LangChain 封装的FewShotPromptTemplate、FewShotChatMessagePromptTemplate，我们可以标准化、工程化实现少样本能力，搭配结构化输出还能实现高精度信息提取。

本文从零讲解少样本提示核心概念、区分字符串 / 聊天两类少样本模板，附带两大完整实战案例：链式推理问答、人物结构化信息提取，全部代码可直接复制运行，适配生产环境。

一、少样本提示核心概念

1.1 零样本 vs 少样本直观对比

零样本（Zero-shot）

只下发任务指令，无任何参考样例，模型自由解读需求。 示例代码：

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o-mini")
res = model.invoke("What is 2 🦜 9?")
res.pretty_print()

输出问题：模型无法理解🦜代表运算，会解读为符号组合，无法给出计算结果。

少样本（Few-shot）

在正式提问前，提供多组标准样例，让模型自主归纳任务规则。 样例集：

examples = [
{"input": "2 🦜 2", "output": "4"},
{"input": "2 🦜 3", "output": "5"},
]

模型读取样例后可自动识别：🦜等价于加法，最终计算2 🦜 9 = 11。

1.2 少样本提示能解决哪些开发痛点？

二、LangChain 少样本模板基础实现

LangChain 区分两类场景，提供两套少样本模板：

2.1 对话专用：FewShotChatMessagePromptTemplate

聊天模型接收HumanMessage/AIMessage消息结构，该模板自动将样例批量转换为对话消息。

完整基础示例

from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义样例数据集
examples = [
{"input": "2 🦜 2", "output": "4"},
{"input": "2 🦜 3", "output": "5"},
]

# 2. 定义单条样例的格式化模板（基础ChatPromptTemplate）
example_prompt = ChatPromptTemplate([
("human", "{input}"),
("ai", "{output}"),
])

# 3. 初始化少样本模板
few_shot_prompt = FewShotChatMessagePromptTemplate(
example_prompt=example_prompt, # 样例格式化模板
examples=examples # 样例数据
)

# 4. 组装完整全局提示词：系统指令 + 少样本示例 + 用户新问题
final_prompt = ChatPromptTemplate([
("system", "你是一个神奇的数学奇才。"),
few_shot_prompt,
("human", "{input}"),
])

# 5. 构建LCEL链执行
model = ChatOpenAI(model="gpt-4o-mini")
chain = final_prompt | model
res = chain.invoke({"input": "What is 2 🦜 9?"})
res.pretty_print()

输出结果：11，模型成功通过样例归纳运算规则。

核心参数说明

FewShotChatMessagePromptTemplate同样实现Runnable接口，支持.invoke()方法：

• examples：样例字典列表，存放每组输入输出；
• example_prompt：基础聊天模板，规定单组人机样例排版；
• .invoke()：传入空字典生成完整样例消息；
• .to_messages()：返回对话消息列表，可直接传入模型；
• .to_string()：转换为纯文本字符串。

完整流程梳理：

• 准备原始样本数据 examples（list[dict]）；
• 第一个 ChatPromptTemplate：定义单条样本的对话格式（user 提问 + ai 标准答案）；
• FewShotChatMessagePromptTemplate： 接收两样东西：原始样本 examples + 格式化规则 example_prompt； 自动循环所有样本，按规则批量生成一堆 HumanMessage / AIMessage 示范对话；
• 第二个 ChatPromptTemplate（最终总模板）： 把系统指令 system、上一步生成好的少样本对象、用户当前新提问拼接在一起，组装成一套完整对话上下文；
• 拼接模型形成 chain，调用执行。

2.2 纯文本场景：FewShotPromptTemplate

面向非对话文本模型，基于PromptTemplate构建，支持prefix前置说明、suffix后置提问。 核心参数：

• prefix：样例前全局任务描述；
• examples：文本样例集合；
• example_prompt：单条样例格式化文本模板；
• suffix：样例后用户新问题占位符；
• input_variables：模板动态变量列表。

FewShotChatMessagePromptTemplate vs FewShotPromptTemplate核心区别对比

可涵的疑问：

为什么 FewShotPromptTemplate 有 few_shot_prompt 就可以直接链式调用了，而 FewShotChatMessagePromptTemplate 还需要再封装一层# 最终提示词模板chat_prompt_template = ChatPromptTemplate  ？

核心一句话结论

三、两大落地实战案例

案例一：少样本引导多步链式推理

需求

对于问答类问题，强制模型分步拆解提问、分步查询中间信息，最后给出结论，禁止直接输出答案。

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate

example_prompt = PromptTemplate.from_template("Question: {question}\\n{answer}")

examples = [
{
"question": "李白和杜甫，谁更长寿？",
"answer": """
是否需要后续问题：是的。
后续问题：李白享年多少岁？
中间答案：李白享年61岁。
后续问题：杜甫享年多少岁？
中间答案：杜甫享年58岁。
所以最终答案是：李白
"""
},
{
"question": "腾讯的创始人什么时候出生？",
"answer": """
是否需要后续问题：是的。
后续问题：腾讯的创始人是谁？
中间答案：腾讯由马化腾创立。
后续问题：马化腾什么时候出生？
中间答案：马化腾出生于1971年10月29日。
所以最终答案是：1971年10月29日
""",
},
{
"question": "孙中山的外祖父是谁？",
"answer": """
是否需要后续问题：是的。
后续问题：孙中山的母亲是谁？
中间答案：孙中山的母亲是杨太夫人。
后续问题：杨太夫人的父亲是谁？
中间答案：杨太夫人的父亲是杨胜辉。
所以最终答案是：杨胜辉
""",
},
{
"question": "电影《红高粱》和《霸王别姬》的导演来自同一个国家吗？",
"answer": """
是否需要后续问题：是的。
后续问题：《红高粱》的导演是谁？
中间答案：《红高粱》的导演是张艺谋。
后续问题：张艺谋来自哪里？
中间答案：中国。
后续问题：《霸王别姬》的导演是谁？
中间答案：《霸王别姬》的导演是陈凯歌。
后续问题：陈凯歌来自哪里？
中间答案：中国。
所以最终答案是：是
""",
},
]

prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
suffix="Question: {input}",
input_variables=["input"],
)

from langchain_openai import ChatOpenAI
# 生成消息列表
prompt_messages = prompt.invoke({"input": "《教父》和《星球大战》的导演来自同一个国家吗？"}).to_messages()
model = ChatOpenAI(model="gpt-4o-mini")
res = model.invoke(prompt_messages)
res.pretty_print()

模型输出会严格复刻样例的分步推理格式，先拆解子问题、输出中间答案，最后汇总结论。

案例二：少样本 + 结构化输出 实现文本信息提取

需求

自由文本中自动提取人物结构化信息（姓名、身高、发色、肤色），无人物返回空列表，字段未知填充null。 整体流程：Pydantic 定义输出结构 → 构造工具调用样例 → 工具样例转消息模板 → 少样本注入提示词 → 绑定结构化模型执行。

from typing import List, Optional
from pydantic import BaseModel, Field

class Person(BaseModel):
"""人物基础信息"""
name: Optional[str] = Field(default=None, description="人物姓名")
hair_color: Optional[str] = Field(default=None, description="头发颜色")
skin_color: Optional[str] = Field(default=None, description="肤色")
height_in_meters: Optional[str] = Field(default=None, description="身高，单位米")

class Data(BaseModel):
"""批量人物提取结果"""
people: List[Person]

examples = [
(
"海洋是广阔而蓝色的。它有两万多英尺深。",
Data(people=[]),
),
(
"小强从中国远行到美国。",
Data(people=[
Person(name="小强", height_in_meters=None, skin_color=None, hair_color=None),
]),
),
]

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.utils.function_calling import tool_example_to_messages

# 全局提示词模板，预留样例消息占位
prompt_template = ChatPromptTemplate([
("system", "你是信息提取专家，仅提取文本内人物信息，未知字段返回null"),
MessagesPlaceholder("example_messages"),
("user", "{new_message}"),
])

# 批量转换样例为消息列表
example_messages = []
for txt, tool_call in examples:
ai_response = "检测到人" if tool_call.people else "未检测到人"
example_messages.extend(tool_example_to_messages(
input=txt,
tool_calls=[tool_call],
ai_response=ai_response
))

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-4o-mini")
# 强制模型输出Data结构化对象
structured_model = model.with_structured_output(schema=Data)
chain = prompt_template | structured_model

# 测试输入文本
res = chain.invoke({
"example_messages": example_messages,
"new_message": "篮球场上，身高两米的中锋王伟默契地将一米七的后卫挚友李明传球，完成绝杀。"
})
print(res)

输出标准化结构化数据：

people=[
Person(name='王伟', hair_color=None, skin_color=None, height_in_meters='2.0'),
Person(name='李明', hair_color=None, skin_color=None, height_in_meters='1.7')
]

该方案完美解决纯指令提取不准、字段缺失、格式错乱问题，是文档解析、简历抽取类业务标准方案。

四、核心知识点总结（面试 & 开发必背）

结语

提示词模板是 LangChain 提示工程的基础，而少样本提示是提示工程进阶核心能力。相比零样本，少样本能极大提升输出稳定性、统一业务规范，尤其适合结构化提取、标准化问答、固定格式生成等场景。

本文覆盖了少样本基础语法、纯文本 / 对话两套模板、推理引导、结构化信息提取两大可落地案例，所有代码开箱即用。掌握少样本提示后，搭配之前学习的基础 PromptTemplate、LangChain Hub 公共模板，即可搭建一套完整、标准化、工程化的提示词开发体系，支撑企业级 AI Agent、文档解析、对话机器人开发。