转型 AI 开发——LangChain实战第四课：为什么 Few-shot 是智能体的必修课？

今天继续给同学们分享智能体的开发技巧。我们做 AI 应用，不是为了闲聊几句，而是要让 AI 在 业务场景里，稳定地完成一份工作。

这时候就要上新玩法了——Few-shot Prompt。

在智能体开发里，Few-shot 不只是个小技巧，能决定 AI 能不能听懂你话，精准干活。

很多人一开始都用原生 API 来写 Few-shot，结果越写越乱，维护起来头大。

其实用 LangChain，你就能把 Few-shot 变成模板化配置，不但更清爽，还能复用在不同场景。

什么是 Few-shot？

简单理解，就是“先给 AI 看几个样子，它再模仿着做”。

比如你想让 AI 写周报，直接说“帮我写周报”，AI 可能写得七零八落；

但如果你先给它一份参考格式，AI 就能对照着，稳定地产出。

这就好像，你给它立了一个人设，还顺手塞了一个 SOP。

下面我举个很好理解的例子：STAR 法则写周报

STAR 是很多大厂写周报常用的套路：

• • S（Situation）：我遇到什么情境
• • T（Task）：我要完成什么任务
• • A（Action）：我采取了什么行动
• • R（Result）：最后有什么结果

有了这个框架，AI 写出来的周报就很清晰。

我们自己平时一开始写周报，如果没模板，可能想到什么写什么，把工作都挨个列出来，但是很容易写成流水账。自己照着模板写又很烦，写个周报动辄半小时起步。

而让AI帮我们套模板，5分钟列完工作，立马给你全新的优雅版本。

老规矩，上代码。

原生写法，新建文件 04_few-shot.py

            
            
            
            import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com/v1")

# 初始化对话历史，包含系统提示和few-shot示例
messages = [
    {"role": "system", "content": "你是一名专业的职场助理，专门帮忙写STAR格式的周报。用户会提供工作内容，你需要按照STAR格式整理成周报。"},
    # few-shot 示例作为参考
    {"role": "system", "content": """以下是周报示例：
【S】项目组新启动了A系统；
【T】我负责搭建基础脚手架；
【A】完成了TDD链路和数据库迁移；
【R】交付了一个可复用的基础版本。"""},
    {"role": "user", "content": "本周完成了项目脚手架的搭建，并做了数据库迁移初始化"},
    {"role": "assistant", "content": "【S】项目组启动了新系统开发；\n【T】我负责搭建项目基础架构；\n【A】完成了项目脚手架搭建和数据库迁移初始化工作；\n【R】为团队提供了完整的开发基础环境，后续开发可以直接基于此架构进行。"}
]

print("=== 周报助理 ===")
print("我是你的专业周报助理，请直接告诉我你本周的工作内容，我会帮你整理成STAR格式的周报。")
print("输入 'quit' 退出程序")
print()

while True:
    user_input = input("请输入你的工作内容: ")
    
    if user_input.lower() == 'quit':
        print("再见！")
        break
    
    if user_input.strip() == "":
        print("请输入有效的工作内容")
        continue
    
    # 添加用户输入到对话历史
    messages.append({"role": "user", "content": user_input})
    
    try:
        response = client.chat.completions.create(
            model="deepseek-chat",
            messages=messages
        )
        
        answer = response.choices[0].message.content
        print(f"\n=== 周报 ===")
        print(answer)
        print()
        
        # 添加AI回复到对话历史
        messages.append({"role": "assistant", "content": answer})
        
    except Exception as e:
        print(f"发生错误: {e}")
        # 如果出错，移除刚添加的用户消息
        messages.pop()

LangChain 写法，新建文件 04_few-shot_langchain.py

            
            
            
            import os
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from dotenv import load_dotenv

load_dotenv()

llm = ChatOpenAI(
    model="deepseek-chat", 
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key")
)

# 初始化对话历史，包含系统提示和few-shot示例
messages = [
    SystemMessage(content="你是一名专业的职场助理，专门帮忙写STAR格式的周报。用户会提供工作内容，你需要按照STAR格式整理成周报。"),
    # few-shot 示例作为参考
    SystemMessage(content="""以下是周报示例：
【S】项目组新启动了A系统；
【T】我负责搭建基础脚手架；
【A】完成了TDD链路和数据库迁移；
【R】交付了一个可复用的基础版本。"""),
    HumanMessage(content="本周完成了项目脚手架的搭建，并做了数据库迁移初始化"),
    AIMessage(content="【S】项目组启动了新系统开发；\n【T】我负责搭建项目基础架构；\n【A】完成了项目脚手架搭建和数据库迁移初始化工作；\n【R】为团队提供了完整的开发基础环境，后续开发可以直接基于此架构进行。")
]

print("=== 周报助理 (LangChain版) ===")
print("我是你的专业周报助理，请直接告诉我你本周的工作内容，我会帮你整理成STAR格式的周报。")
print("输入 'quit' 退出程序")
print()

while True:
    user_input = input("请输入你的工作内容: ")
    
    if user_input.lower() == 'quit':
        print("再见！")
        break
    
    if user_input.strip() == "":
        print("请输入有效的工作内容")
        continue
    
    # 添加用户输入到对话历史
    messages.append(HumanMessage(content=user_input))
    
    try:
        response = llm.invoke(messages)
        
        print(f"\n=== 周报 ===")
        print(response.content)
        print()
        
        # 添加AI回复到对话历史
        messages.append(response)
        
    except Exception as e:
        print(f"发生错误: {e}")
        # 如果出错，移除刚添加的用户消息
        messages.pop()

对比原生和langchain的few-shot写法，结合我们昨天讲的内容，可以看到：

langchain写起few-shot，更加模板化、结构化，显得更优雅。

我们开发智能体的过程中，灵活使用Few-shot 这种方式，可以让 AI 不再是“聊天机器人”。

而是能根据 既定 SOP，做流程化工作。