Разработка Prompt Templates с переменными

Разработка Prompt Templates с переменными

Prompt Templates — параметризованные шаблоны промптов, где переменные подставляются в runtime. Позволяют переиспользовать структуру промпта для разных входных данных, управлять версиями шаблонов централизованно и тестировать вариации.

Базовые шаблоны

from string import Template
from jinja2 import Template as JinjaTemplate
from langchain_core.prompts import ChatPromptTemplate, PromptTemplate

# Вариант 1: Python f-strings (простой)
def create_analysis_prompt(document: str, analysis_type: str, language: str = "ru") -> str:
    return f"""Проанализируй следующий документ.
Тип анализа: {analysis_type}
Язык ответа: {language}

Документ:
{document}

Предоставь структурированный анализ."""

# Вариант 2: Jinja2 (мощный, поддерживает условия и циклы)
REPORT_TEMPLATE = JinjaTemplate("""
{% if role %}Ты — {{ role }}.{% endif %}

Задача: {{ task }}

{% if context %}
Контекст:
{{ context }}
{% endif %}

{% if examples %}
Примеры:
{% for example in examples %}
Вход: {{ example.input }}
Выход: {{ example.output }}
---
{% endfor %}
{% endif %}

Входные данные:
{{ input_data }}

{% if output_format %}
Формат ответа:
{{ output_format }}
{% endif %}
""")

# Вариант 3: LangChain PromptTemplate
analysis_prompt = PromptTemplate(
    template="""Ты — {role}.

Задача: Проанализируй {document_type}.

Документ: {document}

Критерии оценки:
{criteria}

Верни JSON: {{
    "summary": "...",
    "key_findings": [...],
    "risk_level": "low|medium|high",
    "recommendations": [...]
}}""",
    input_variables=["role", "document_type", "document", "criteria"],
)

# Форматирование
prompt_text = analysis_prompt.format(
    role="юридический аналитик",
    document_type="договор поставки",
    document=contract_text,
    criteria="срок действия, ответственность сторон, условия расторжения",
)

Иерархические шаблоны

class PromptTemplateManager:
    """Управление библиотекой шаблонов промптов"""

    BASE_TEMPLATES = {
        "classifier": """Классифицируй следующий {input_type} по категориям: {categories}.

{input_type}: {input_text}

Верни JSON: {{"category": "...", "confidence": 0.0-1.0, "reasoning": "..."}}""",

        "extractor": """Извлеки {entities} из следующего текста.

Текст: {text}

Верни JSON: {extracted_schema}""",

        "summarizer": """Создай краткое резюме.
Стиль: {style}
Длина: {max_words} слов
Аудитория: {audience}

Текст:
{content}""",

        "qa": """Ответь на вопрос используя только предоставленный контекст.

Контекст:
{context}

Вопрос: {question}

Если ответа нет в контексте, скажи "Нет данных в предоставленном контексте".""",
    }

    def get(self, template_name: str, **variables) -> str:
        template = self.BASE_TEMPLATES.get(template_name)
        if not template:
            raise ValueError(f"Template '{template_name}' not found")
        return template.format(**variables)

    def render_jinja(self, template_name: str, context: dict) -> str:
        template = JinjaTemplate(self.BASE_TEMPLATES[template_name])
        return template.render(**context)

# Использование
manager = PromptTemplateManager()

# Классификатор поддержки
prompt = manager.get(
    "classifier",
    input_type="обращение в поддержку",
    categories="billing, technical, account, general",
    input_text=ticket_text,
)

# Экстрактор данных
extract_prompt = manager.get(
    "extractor",
    entities="ИНН, КПП, сумма, дата документа",
    text=invoice_text,
    extracted_schema='{"inn": "...", "kpp": "...", "amount": 0.0, "date": "YYYY-MM-DD"}',
)

Динамическое построение промптов

class DynamicPromptBuilder:
    """Строит промпты динамически на основе контекста запроса"""

    def build(
        self,
        base_task: str,
        context_docs: list[str] = None,
        examples: list[dict] = None,
        output_schema: dict = None,
        constraints: list[str] = None,
    ) -> str:

        parts = [f"Задача: {base_task}"]

        if context_docs:
            docs_text = "\n\n".join([f"[Документ {i+1}]: {doc}" for i, doc in enumerate(context_docs)])
            parts.append(f"\nКонтекст:\n{docs_text}")

        if examples:
            examples_text = "\n".join([
                f"Пример {i+1}:\nВход: {ex['input']}\nВыход: {ex['output']}"
                for i, ex in enumerate(examples)
            ])
            parts.append(f"\nПримеры:\n{examples_text}")

        if constraints:
            constraints_text = "\n".join(f"- {c}" for c in constraints)
            parts.append(f"\nОграничения:\n{constraints_text}")

        if output_schema:
            parts.append(f"\nВерни результат в формате JSON:\n{json.dumps(output_schema, ensure_ascii=False, indent=2)}")

        return "\n\n".join(parts)

Версионирование и хранение

# Хранение шаблонов в YAML (рекомендуется для командной работы)
# prompts/support_classifier.yaml
yaml_template = """
version: "2.1"
name: support_classifier
description: Классификатор обращений в поддержку
updated_at: "2025-03-15"
variables:
  - ticket_text
  - categories
template: |
  Классифицируй обращение в техподдержку.
  Категории: {{ categories }}

  Обращение:
  {{ ticket_text }}

  Верни JSON: {"category": "...", "priority": "low|medium|high|critical", "confidence": 0.0-1.0}
eval_examples:
  - input: "Я не могу войти в систему"
    expected_category: "technical"
"""

Сроки

• Базовые шаблоны для одного use case: 1 день
• Библиотека шаблонов с версионированием: 3–5 дней
• Динамический builder с тестами: 1 неделя