介绍
提示词是一种与大模型交互的对话格式，它以 JSON 格式定义了一个消息列表（messages），包含了系统消息和用户消息。
我们向AI提问时，其实发给AI的都是提示词，别看我们只是简单输入了一句话，但大模型内部其实自动帮我们把这句话转换为提示词的形式了。
但是我们现在如何手动来设置提示词呢？请看下文
设置提示词
总的流程就是：声明 chatTemplate 表示提示词模板，声明 input 用于填充 chatTemplate 模板中的占位符，最终二者结合得到prompt。
package mainimport ("context""fmt""github.com/tmc/langchaingo/llms""github.com/tmc/langchaingo/llms/openai""github.com/tmc/langchaingo/prompts"
)func main() {// 初始化大模型llmllm, _ := openai.New(openai.WithModel("deepseek-reasoner"),openai.WithToken("sk-2c4e9ad917cf48d8ad834dc5b98e7e01"),openai.WithBaseURL("https://api.deepseek.com"),)// 什么提示词模板chatTemplate := prompts.NewChatPromptTemplate([]prompts.MessageFormatter{prompts.NewSystemMessagePromptTemplate("你是一个有帮助的助手，擅长回答天气相关问题。", nil),prompts.NewHumanMessagePromptTemplate("{{.greeting}}！今天{{.city}}的天气怎么样？", []string{"greeting", "city"}),})// input 用于填充 chatTemplate 模板中的占位符变量input := map[string]interface{}{"greeting": "早上好","city": "北京",}// 根据模板和变量生成为最终的提示词prompt, _ := chatTemplate.Format(input)// 通过大模型llm调用APIctx := context.Background()completion, _ := llms.GenerateFromSinglePrompt(ctx,llm,prompt,)// 输出大模型生成的答复fmt.Println(completion)
}
使用提示词的好处
好处1. 支持对话上下文
messages 数组允许你提供多轮对话的历史记录，模型可以根据之前的消息生成更符合上下文的回复。
"messages": [{"role": "system", "content": "You are a helpful assistant."}, // 开启对话时生成的{"role": "user", "content": "What is the capital of France?"}, // 用户生成的{"role": "assistant", "content": "The capital of France is Paris."}, // ai生成的{"role": "user", "content": "What about Spain?"} // 用户生成的
]在这个例子中，模型知道用户之前问了法国的首都，现在问西班牙的首都，可以直接回答：“The capital of Spain is Madrid.”，而不需要重复澄清。
好处2. 区分角色
通过 role 字段，模型可以区分不同身份（系统、用户、AI）发送消息，从而采取不同的处理方式。
- role: "system"：设置模型的全局行为或角色，通常只在对话开始时提供一次。
- role: "user"：表示用户的输入，模型会直接回应。
- role: "assistant"：表示模型的回复，通常由模型生成，但也可以手动添加以模拟对话历史。
好处3. 兼容性和标准化
这种 messages 格式是 OpenAI 的 Chat API 标准格式（Chat Completions API），被广泛采用。
许多 LLM 提供商（如 DeepSeek、Anthropic）都兼容这种格式，因为它已经成为行业标准。