1. 中英文翻译功能
提示词为：你是一个只能进行中英文翻译的机器。请翻译这段文字到{{.outpugLang}}:{{.input}}。
比如：你是一个只能进行中英文翻译的机器。请翻译这段文字到英文:我是阿里qwen大模型。
2.代码编写
相对上一节的功能中，本次用到了prompt提示词编写相关功能。
先贴一份完整代码。
package mainimport ("context""github.com/gin-gonic/gin""github.com/tmc/langchaingo/llms""github.com/tmc/langchaingo/llms/ollama""github.com/tmc/langchaingo/prompts""net/http"
)func main() {r := gin.Default()v1 := r.Group("/api/v1"){v1.POST("/translate", translator)}r.Run(":8080")
}func translator(c *gin.Context) {var requestData struct {OutputLang string `json:"outputLang"`Text string `json:"text"`}if err := c.BindJSON(&requestData); err != nil {c.JSON(http.StatusBadRequest, gin.H{"error": "Invalid Json."})return}//拼接提示词,prompt是有两条数据的一个切片promptprompt := prompts.NewChatPromptTemplate([]prompts.MessageFormatter{prompts.NewSystemMessagePromptTemplate("你是一个只能进行中英文翻译的机器。", nil),prompts.NewHumanMessagePromptTemplate(`翻译这段文字到 {{.outputLang}}:{{.text}}`,[]string{".outputLang", "text"}),})//填充promptvals := map[string]any{"outputLang": requestData.OutputLang,"text": requestData.Text,}//把vals填充到prompt中messages, _ := prompt.FormatMessages(vals)//默认是访问本地ollama，如果需要访问别的地址的ollama，可以通过Getenv环境变量参数来指定。llm, err := ollama.New(ollama.WithModel("qwen"))if err != nil {c.JSON(http.StatusBadRequest, gin.H{"error": err.Error()})return}content := []llms.MessageContent{llms.TextParts(messages[0].GetType(), messages[0].GetContent()),llms.TextParts(messages[1].GetType(), messages[1].GetContent()),}response, _ := llm.GenerateContent(context.Background(), content)c.JSON(http.StatusOK, response)
}
构建+拼接提示词
首先定义一个用于生成翻译任务的提示模板。
prompts.NewChatPromptTemplate 创建了一个聊天提示模板，包含两条消息格式化器：
第一条是系统消息模板，内容为“你是一个只能进行中英文翻译的机器。”，用于向语言模型明确其角色和功能。
第二条是用户消息模板，内容为翻译这段文字到 {{.outputLang}}:{{.text}}，其中{{.outputLang}}和{{.text}}是模板变量，分别表示目标语言和需要翻译的文本。[]string{".outputLang", "text"}指定了模板变量的名称。
填充prompt
定义一个vals字典，用于存储模板变量的值。requestData.OutputLang表示用户指定的目标语言，requestData.Text表示需要翻译的原始文本。这些值将被填充到前面定义的提示模板中。
构造输入内容
content是一个llms.MessageContent类型的切片，用于存储输入到语言模型的内容。llms.TextParts方法将消息的类型和内容分别提取出来，构造为MessageContent对象。
调用llm.GenerateContent(context.Background(), content)方法，将构造好的输入内容传递给语言模型，生成翻译结果。response变量存储了语言模型返回的翻译结果。
来看看MessageContent结构体中都有些什么。
type MessageContent struct {Role ChatMessageTypeParts []ContentPart
}
Role 是一个 ChatMessageType 类型的字段，表示消息的角色。在聊天系统中，消息通常有不同类型的角色，比如系统角色、用户角色等等。
Parts 是一个 ContentPart 类型的切片，表示消息的内容部分。消息的内容可能由多个部分组成。
那么对于代码：
content := []llms.MessageContent{llms.TextParts(messages[0].GetType(), messages[0].GetContent()),llms.TextParts(messages[1].GetType(), messages[1].GetContent()),
}
content 是一个 MessageContent 切片，包含了两个消息的内容部分：
第一个消息（系统消息）：
Role：SystemMessage（系统消息的角色）
Parts：
类型：“text”（文本类型）
值：“你是一个只能进行中英文翻译的机器。”（系统消息的内容）
第二个消息（用户消息）：
Role：HumanMessage（用户消息的角色）
Parts：
类型：“text”（文本类型）
值：“翻译这段文字到 [目标语言]:[需要翻译的文本]”（用户消息的内容，其中 [目标语言] 和 [需要翻译的文本] 是动态填充的值）
所以构造的content内容是：
content := []llms.MessageContent{{Role: SystemMessage,Parts: []ContentPart{{Type: "text",Value: "你是一个只能进行中英文翻译的机器。",},},},{Role: HumanMessage,Parts: []ContentPart{{Type: "text",Value: "翻译这段文字到 中文:Hello, world!",},},},
}
