Zero-Shot && Few-Shot

# Zero-Shot
题目：计算 7 × 8(没有示例，直接算。)

# Few-Shot
3 × 4 = 12
5 × 6 = 30
7 × 8 = ?

注

Zero-shot:无提示，语言描述任务，依赖模型预训练知识回答

Few-shot:给与模型少量示例，引导模型对齐示例输出结果

Langchain 环境部署

pip install langchain langchain-community langchain-ollama dashscope chromadb

RAG

检索增强生成

余弦相似度 不同的维度，不同方向的得分

Embedding Models

01 GLM 模型调用（ChatOpenAI）

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

llm = ChatOpenAI(
    model="glm-5",
    openai_api_key="xxx",
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)

messages = [
    SystemMessage(content="你是我的人工智能助手。"),
    AIMessage(content="好的。"),
    HumanMessage(content="你好，评价一下Hello，World对于编程人的意义，简短说明即可！"),
]

for chunk in llm.stream(messages):
    if chunk.content:
        print(chunk.content, end="", flush=True)

核心点：

• invoke() 适合一次性返回
• stream() 适合流式输出
• 消息可用对象形式，也可用 ("role", "content") 元组形式

02 向量模型（OllamaEmbeddings）

from langchain_ollama import OllamaEmbeddings

model = OllamaEmbeddings(model="qwen3-embedding:4b")

print(model.embed_query("I like you!"))
print(model.embed_documents(["i", "like", "you"]))

核心点：

• embed_query：单条文本向量化
• embed_documents：批量文本向量化

03 提示词模板（PromptTemplate）

from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="glm-5",
    openai_api_key="xxx",
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)

prompt_template = PromptTemplate.from_template(
    "我的朋友生了个女儿，他姓{name}，你认为取什么名字好听，简单回答。"
)

chain = prompt_template | model
res = chain.invoke(name="张")

核心点：

• 模板负责变量插值
• | 直接拼成链，减少手动拼字符串

04 少样本提示（FewShotPromptTemplate）

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="glm-5",
    openai_api_key="xxx",
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)

examples = [
    {"question": "2+2", "answer": "4"},
    {"question": "3+3", "answer": "6"},
]

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

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

chain = prompt | model
response = chain.invoke({"problem": "5+5"})

核心点：

• 用示例约束输出格式
• suffix 是真正要回答的问题入口

05 对话模板（ChatPromptTemplate）

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的AI助手"),
    MessagesPlaceholder("history"),
    ("human", "1 + 1 = ?")
])

history = [
    ("ai", "你好"),
    ("human", "你好，AI助手！"),
]

messages = prompt_template.invoke({
    "history": history
})

print(messages.to_string())

核心点：

• MessagesPlaceholder("history") 用于动态注入历史对话
• 适合多轮对话场景

06 字符串解析链（StrOutputParser）

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0
)

draft_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的写作助手。"),
    ("human", "请根据下面主题写一段简洁介绍：{topic}")
])

polish_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的文本润色助手。"),
    ("human", "请将下面这段文字润色得更自然、更通顺：\n\n{text}")
])

parser = StrOutputParser()

draft_chain = draft_prompt | model | parser
final_chain = polish_prompt | model | parser

draft_text = draft_chain.invoke({"topic": "LangChain 是什么"})
final_text = final_chain.invoke({"text": draft_text})

核心点：

• StrOutputParser 直接把模型输出转成纯字符串
• 两段链串联时，可先“生成”再“润色”

07 JSON 解析链（JsonOutputParser）

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0
)

parser = JsonOutputParser()

prompt = ChatPromptTemplate.from_template(
    """
请根据用户输入的信息生成JSON：

{{
"name": "姓名",
"age": 年龄,
"job": "职业"
}}

用户输入：{text}
"""
)

chain = prompt | model | parser
result = chain.invoke({"text": "张三，今年20岁，是一名程序员"})

核心点：

• JsonOutputParser 让输出直接变为结构化对象
• 适合后续接接口、数据库或自动化流程

08 向量检索 + 回答（最小 RAG 闭环）

from langchain_core.vectorstores import InMemoryVectorStore
from langchain_ollama import OllamaEmbeddings
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="glm-5",
    openai_api_key="xxx",
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "请根据提供的参考资料回答用户问题。\n参考资料：{context}"),
    ("human", "问题：{input}")
])

vector_store = InMemoryVectorStore(
    embedding=OllamaEmbeddings(model="qwen3-embedding:4b")
)

vector_store.add_texts([
    "减肥要控制饮食，多吃蔬菜水果。",
    "减脂期间要减少高热量食物摄入。",
    "跑步是一种非常好的有氧运动。",
    "Hello, World是编程入门的经典示例。",
    "Python是一种非常流行的编程语言。"
])

input_text = "怎么减肥？"
docs = vector_store.similarity_search(input_text, k=2)
context = "\n".join([doc.page_content for doc in docs])

chain = prompt | model | StrOutputParser()
result = chain.invoke({
    "context": context,
    "input": input_text
})

核心点：

• InMemoryVectorStore 适合本地实验和教学
• 检索出的 context 再喂给模型，就是最小可运行 RAG

09 Runnable 链式检索（RunnablePassthrough）

这一节比上一个 RAG 示例更像 LangChain 的标准写法。重点不是“先查再问”，而是把检索、上下文组装、Prompt、模型、解析器串成一个完整 Runnable。

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_ollama import OllamaEmbeddings
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="glm-5",
    openai_api_key="xxx",
    openai_api_base="https://open.bigmodel.cn/api/paas/v4/",
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "以我提供的已知参考资料为主，简洁和专业的回答用户问题。参考资料：{context}。"),
        ("user", "用户提问：{input}"),
    ]
)

vector_store = InMemoryVectorStore(
    embedding=OllamaEmbeddings(model="qwen3-embedding:4b")
)

vector_store.add_texts(
    [
        "减肥就是要少吃多练",
        "在减脂期间吃东西很重要，清淡少油控制卡路里摄入并运动起来",
        "跑步是很好的运动哦",
    ]
)

def format_docs(docs):
    return "\n".join(doc.page_content for doc in docs)

retriever = vector_store.as_retriever(search_kwargs={"k": 2})

chain = (
    {"input": RunnablePassthrough(), "context": retriever | format_docs}
    | prompt
    | model
    | StrOutputParser()
)

result = chain.invoke("怎么减肥？")
print(result)

链路图（Mermaid）

核心点：

• RunnablePassthrough() 保留原始输入，给 prompt 的 input 字段直接复用
• retriever | format_docs 负责把检索结果转成可注入 Prompt 的上下文字符串
• 字典并行组装出 input 和 context 后，再整体流向 prompt | model | parser

贡献者: paiad