from langchain_core.prompts import PromptTemplate
from langchain_demo.my_llm import llm

# 定义带变量的模板

prompt_template = PromptTemplate.from_template("帮我生成一个简短的，关于{topic}的报幕词。")

# 单独渲染模板（不调用模型，用于调试）

# res = prompt_template.invoke({"topic": "相声"})

# print(res)

# 构建链：模板 → 大模型

chain = prompt_template | llm

# 传入变量执行并获取结果

resp = chain.invoke({'topic': "相声"})
print(resp)

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_demo.my_llm import llm

# 步骤一：提供示例

examples = [
    {
        "question": "穆罕默德·阿里和艾伦·图灵谁活得更久？",
        "answer": """
是否需要后续问题：是。
后续问题：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
后续问题：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里
"""
    },
    {
        "question": "乔治·华盛顿的外祖父是谁？",
        "answer": """
是否需要后续问题：是。
后续问题：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。
后续问题：玛丽·鲍尔·华盛顿的父亲是谁？
中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔。
所以最终答案是：约瑟夫·鲍尔
"""
    },
    {
        "question": "《大白鲨》和《007：大战皇家赌场》的导演是否来自同一个国家？",
        "answer": """
是否需要后续问题：是。
后续问题：《大白鲨》的导演是谁？
中间答案：《大白鲨》的导演是史蒂文·斯皮尔伯格。
后续问题：史蒂文·斯皮尔伯格来自哪里？
中间答案：美国。
后续问题：《007：大战皇家赌场》的导演是谁？
中间答案：《007：大战皇家赌场》的导演是马丁·坎贝尔。
后续问题：马丁·坎贝尔来自哪里？
中间答案：新西兰。
所以最终答案是：否
"""
    }
]

# 步骤二：定义单个示例的渲染模板

base_prompt_template = PromptTemplate.from_template('问题:{question}\n{answer}')

# 步骤三：创建少样本总模板

final_template = FewShotPromptTemplate(
    examples=examples,                 # 示例列表
    example_prompt=base_prompt_template,  # 单条示例格式
    suffix="问题:{input}",             # 真实问题拼接在最后
    input_variables=['input']          # 输入变量名
)

# 步骤四：构建链并调用

chain = final_template | llm

# 测试不同问题

# resp = chain.invoke({'input': "巴伦特朗普的父亲是谁"})

resp = chain.invoke({'input': "中国古代历史上唐朝和宋朝哪个朝代延续时间更长"})
print(resp）

from langchain_core.messages import HumanMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import MessagesPlaceholder, FewShotChatMessagePromptTemplate
from langchain_demo.my_llm import llm
from langchain_core.prompts import ChatPromptTemplate

# 步骤一：准备聊天场景的 ICL 示例（键值对格式，对应后续单条消息模板的变量）
examples = [
    {"input": "2 ？ 3 = 5","output": "5"},
    {"input": "3 ？ 4 = 7","output": "7"},
]

# 步骤二：定义单个示例的聊天消息模板（区分 Human/Ai 角色，对应示例的 input/output）
base_prompt = ChatPromptTemplate.from_messages(
    [
        # 每条示例中，用户输入（human 角色）对应 input 变量
        ('human', '{input}'),
        # 每条示例中，AI 回复（ai 角色）对应 output 变量
        ('ai', '{output}'),
    ]
)

# 步骤三：创建聊天场景的少样本提示词模板（整合所有示例）
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,          # 传入聊天场景的示例列表
    example_prompt=base_prompt, # 传入单条示例的聊天消息模板
)

# 步骤四：构建完整的聊天提示词模板（包含系统消息、ICL 示例、真实消息占位符）
final_template = ChatPromptTemplate.from_messages([
    # 系统消息：定义 AI 的角色和行为准则
    ("system", "你是一个AI助手！"),
    # 嵌入 ICL 少样本示例（会自动按 base_prompt 的格式渲染所有示例）
    few_shot_prompt,
    # 消息占位符：用于动态接收真实的用户对话消息（支持多轮消息传入）
    MessagesPlaceholder("msgs")
])

# 步骤五：构建执行链
chain = final_template | llm

# 步骤六：传入真实用户消息，调用执行链
resp = chain.invoke({"msgs": [HumanMessage(content="2？9结果是多少")]})

# 打印结果
print(resp)