Official Prompts

LangChain 코드에서 내부적으로 사용하는 prompt들에 대하여 기능 및 사용처 등을 적어놓고 나중에 필요한 경우가 오면 baseline으로 사용하면 좋을 것 같다.

langchain.chains.openai_functions.tagging._TAGGING_TEMPLATE

  _TAGGING_TEMPLATE = """Extract the desired information from the following passage.

  Only extract the properties mentioned in the 'information_extraction' function.

  Passage:
  {input}
  """

  def create_tagging_chain(
      schema: dict,
      llm: BaseLanguageModel,
      prompt: Optional[ChatPromptTemplate] = None,
      **kwargs: Any,
  ) -> Chain:
      """Creates a chain that extracts information from a passage
      based on a schema.

      Args:
          schema: The schema of the entities to extract.
          llm: The language model to use.

      Returns:
          Chain (LLMChain) that can be used to extract information from a passage.
      """
      function = _get_tagging_function(schema)
      prompt = prompt or ChatPromptTemplate.from_template(_TAGGING_TEMPLATE)
      output_parser = JsonOutputFunctionsParser()
      llm_kwargs = get_llm_kwargs(function)
      chain = LLMChain(
          llm=llm,
          prompt=prompt,
          llm_kwargs=llm_kwargs,
          output_parser=output_parser,
          **kwargs,
      )
      return chain

용도
- 주어진 텍스트와 schema로부터 value를 추론하는 역할을 할 때 사용한다.
참고사항
- 참고할 정보를 context라고 지칭하는 게 일반적이라고 생각했는데 여기에선 passage라는 단어를 사용하였다. passage가 대세인걸까?
- ... from the following passage ... Passage: ... 이런 구조는 자주 써먹을 수 있을 것 같다.

[langchain/langchain/output_parsers/format_instructions.py]
프롬프트 맛집

PREVIOUSEtc