提示词模板（Prompts）

LangChain V1.x

1、什么是提示词模板

在大模型应用开发中，我们通常需要根据不同的用户输入来构造不同的Prompt。如果每次都手动拼接字符串，不仅代码冗余，还容易出错。提示词模板（Prompt Template）的核心思想是将Prompt中的固定部分与可变部分分离，通过定义模板 + 传入变量的方式，动态生成最终的Prompt。

核心价值：

优势	说明
复用性	一次定义模板，多次使用不同参数
参数化	支持变量插值和动态内容生成
标准化	统一管理所有提示词，便于维护和版本控制
优化友好	独立的模板便于A/B测试和提示词工程

2、提示词模板类型概览

LangChain围绕不同的使用场景，提供了多种提示模板类型。在学习具体类型之前，先从全局视角了解它们的定位：

下面我们按照从简单到复杂的顺序，逐一讲解每种模板。

3、提示词模板工作原理

在深入各类模板之前，先理解它们的统一工作原理。所有提示词模板都遵循相同的处理流程：

变量值 → PromptTemplate → PromptValue → 聊天模型 / LLM

工作流程：

输入：传入变量值（通常以字典形式，如 {"topic": "AI"}；若变量已通过partial预先填充，可不传）
格式化：模板将变量值插入到预定义的占位符位置
输出：生成 PromptValue 对象（一种中间格式）
调用：PromptValue 可以自动适配聊天模型（转为消息列表）或LLM（转为字符串）

这种统一的输入输出机制，使得所有模板都可以在LCEL链中无缝使用（LCEL将在后续课件中详细介绍）。

4、PromptTemplate

这是最基础的提示词模板类型，适用于简单的文本生成场景——即字符串提示模板。它接收一个包含占位符的字符串模板，通过传入变量值来生成最终的Prompt。

4.1 基本用法

python

from langchain_core.prompts import PromptTemplate

# 方式一：使用from_template
prompt = PromptTemplate.from_template(
    "讲一个关于{topic}的{adjective}故事"
)

# 方式二：使用构造方法
prompt = PromptTemplate(
    template="讲一个关于{topic}的{adjective}故事",
    input_variables=["topic", "adjective"]
)

# 调用模板
formatted_prompt = prompt.invoke({"topic": "人工智能", "adjective": "有趣的"})
print(formatted_prompt) # 得到一个PromptValue对象
# 输出: text='讲一个关于人工智能的有趣的故事'

4.2 部分变量

当模板中有些变量的值是固定的或可以提前确定时，可以使用 partial 机制预先填充部分变量，减少后续调用时需要传入的参数数量。

python

# 方式一：调用partial方法固定部分变量
prompt = PromptTemplate.from_template(
    "讲一个关于{topic}的{adjective}故事"
)
fixed_prompt = prompt.partial(adjective="有趣的")
print(fixed_prompt.invoke({"topic": "编程"}))
# 输出: text='讲一个关于编程的有趣的故事'

# 方式二：创建时直接指定partial_variables
prompt = PromptTemplate(
    template="请解释{concept}，使用{style}风格",
    input_variables=["concept"],
    partial_variables={"style": "简单易懂"}
)
print(prompt.invoke({"concept": "递归"}))
# 输出: text='请解释递归，使用简单易懂风格'

# 再次 partial，覆盖 style
advanced = prompt.partial(style="学术严谨")
print(advanced.invoke({"concept": "递归"}))
# 输出: 用学术严谨解释递归

如何选择？

优先用 partial()：当"固定值"是在运行时才确定，或需要分阶段逐步补全时
- 例：来自配置文件/环境变量/用户选择后再固定；或先固定 style，后续再固定 adjective。
- 优点：更灵活，适合链式构建与复用同一个基础模板。
优先用 partial_variables：当"固定值"在定义模板时就确定，且希望模板对象一创建就自带默认常量时
- 例：文档里明确规定"统一用简单易懂风格"；团队约定的固定前缀/固定语气。
- 优点：模板更"自描述"，一眼能看出哪些变量是固定的，适合沉淀为通用模板。
简单决策表
- 固定值 是否依赖运行时上下文：是 → partial()；否 → partial_variables
- 是否需要 多次派生不同版本（同一模板固定不同值）：是 → partial() 更方便
- 是否想把"默认值/常量"写死在模板定义处：是 → partial_variables

5、ChatPromptTemplate

PromptTemplate 生成的是一个纯字符串Prompt，而在多轮对话场景中，大模型需要接收的是消息列表（包含角色信息的多条消息）。ChatPromptTemplate——即聊天提示模板——正是为此设计的，它可以构建包含 system、human、ai 等不同角色的消息序列。

5.1 基本用法

python

from langchain_core.prompts import ChatPromptTemplate

# 使用from_messages构造（推荐）
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的{role}。"),
    ("human", "请回答关于{topic}的问题。"),
    ("ai", "好的，我会尽力回答。"),
    ("human", "{question}")
])

# 调用模板，生成消息列表
messages = chat_prompt.invoke({
    "role": "Python编程助手",
    "topic": "Python装饰器",
    "question": "什么是装饰器？"
})
print(messages)

其中，元组的第一个元素是角色标识，第二个元素是消息内容模板。LangChain支持的角色标识包括：

角色标识	对应消息类型	用途
`"system"`	`SystemMessage`	设定AI的行为规范和角色
`"human"`	`HumanMessage`	用户输入的消息
`"ai"`	`AIMessage`	AI的回复消息

5.2 使用Message对象

除了元组形式，也可以直接使用Message对象来构造模板。两种方式可以混合使用：

python

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个有帮助的AI助手"),    # 固定内容用Message对象
    HumanMessage(content="你好！"),                     # 固定内容
    AIMessage(content="你好！有什么可以帮助你的？"),      # 固定内容
    ("human", "请介绍{topic}")                          # 含变量的用元组形式
])

messages = chat_prompt.invoke({"topic": "LangChain"})
print(messages)

选择建议：如果消息内容是固定的（不包含变量），用Message对象更直观；如果内容包含需要填充的变量，用元组形式更简洁。

6、MessagesPlaceholder

在实际的对话应用中，我们往往需要将历史对话记录动态插入到Prompt中。MessagesPlaceholder 允许你在模板中预留一个"插槽"，运行时将一个消息列表整体插入到该位置。

这在构建带记忆的对话系统时尤为常用。

MessagesPlaceholder---->BaseMessagePromptTemplate

PromptTemplate-----> StringPromptTemplate---->BasePromptTemplate

ChatPromptTemplate---->BaseChatPromptTemplate---->BasePromptTemplate

python

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import AIMessage, HumanMessage

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是AI助手"),
    MessagesPlaceholder(variable_name="history"),   # 对话历史插槽
    ("human", "{input}")
])

# 调用时传入历史消息列表
messages = prompt.invoke({
    "history": [
        HumanMessage(content="什么是Python？"),
        AIMessage(content="Python是一种通用编程语言。"),
    ],
    "input": "它有什么特点？"
})
print(messages)

注意：history 变量在格式化的时候一定是一个列表类型

也可以使用更简洁的元组语法实现同样的效果：

python

# 等价写法，使用("placeholder", ...)语法
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是AI助手"),
    ("placeholder", "{history}"),    # 等同于MessagesPlaceholder
    ("human", "{input}")
])

7、FewShotPromptTemplate

前面介绍的模板解决了"如何动态构建Prompt"的问题。但在实际应用中，我们经常需要通过提供示例来引导模型理解任务模式——这就是少样本提示模板。FewShotPromptTemplate 将示例数据和格式化模板组合在一起，自动生成包含示例的完整Prompt。

7.1 基本用法

python

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 第一步：准备示例数据
examples = [
    {"input": "高兴", "output": "开心"},
    {"input": "难过", "output": "悲伤"},
    {"input": "生气", "output": "愤怒"}
]

# 第二步：定义单条示例的格式化模板
example_formatter = PromptTemplate(
    template="输入: {input}\n输出: {output}",
    input_variables=["input", "output"]
)

# 第三步：创建少样本提示模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_formatter,
    prefix="以下是一些同义词转换的例子：",    # 示例前的说明文字
    suffix="\n输入: {input}\n输出:",         # 示例后的实际问题
    input_variables=["input"]
)

# 调用
print(few_shot_prompt.invoke({"input": "兴奋"}))

生成的Prompt结构为：prefix + 示例1 + 示例2 + ... + suffix。

7.2 对接LLM

python

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

load_dotenv()
# 第一步：准备示例数据
examples = [
    {"input": "高兴", "output": "开心"},
    {"input": "难过", "output": "悲伤"},
    {"input": "生气", "output": "愤怒"}
]

# 第二步：定义单条示例的格式化模板
example_formatter = PromptTemplate(
    template="输入: {input}\n输出: {output}",
    input_variables=["input", "output"]
)

# 第三步：创建少样本提示模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_formatter,
    prefix="以下是一些同义词转换的例子：",  # 示例前的说明文字
    suffix="\n输入: {input}\n输出:",  # 示例后的实际问题
    input_variables=["input"]
)

# 第四步：格式化
prompt_value = few_shot_prompt.invoke({"input": "兴奋"})

# 第五步：定义LLM
llm = ChatOpenAI(model="gpt-4o-mini")

# 第六步：调用
res = llm.invoke(prompt_value)

print(res.content)

# 输出：激动

8、提示词模板最佳实践

实践	说明	示例
清晰的指令	明确告诉模型要做什么	"请翻译..." → "将以下文本从中文翻译成英文..."
提供示例	使用少样本学习引导模型	使用 `FewShotPromptTemplate`
角色设定	使用系统消息设定角色	"你是一个有10年经验的Python工程师"
约束条件	明确限制和约束	"不超过100字"、"只回答与Python相关的问题"

小结：介绍了LangChain提供的各类提示词模板。从简单的 PromptTemplate（字符串模板）到 ChatPromptTemplate（聊天模板），再到 FewShotPromptTemplate（少样本模板），它们解决的核心问题是如何灵活、可维护地构建Prompt。有了结构化的Prompt之后，下一个问题自然是：模型返回的结果如何解析为我们需要的结构化数据？这就是输出解析器要讨论的内容。

提示词模板（Prompts） ​

1、什么是提示词模板 ​

2、提示词模板类型概览 ​

3、提示词模板工作原理 ​

4、PromptTemplate ​

4.1 基本用法 ​

4.2 部分变量 ​

5、ChatPromptTemplate ​

5.1 基本用法 ​

5.2 使用Message对象 ​

6、MessagesPlaceholder ​

7、FewShotPromptTemplate ​

7.1 基本用法 ​

7.2 对接LLM ​

8、提示词模板最佳实践 ​

提示词模板（Prompts）

1、什么是提示词模板

2、提示词模板类型概览

3、提示词模板工作原理

4、PromptTemplate

4.1 基本用法

4.2 部分变量

5、ChatPromptTemplate

5.1 基本用法

5.2 使用Message对象

6、MessagesPlaceholder

7、FewShotPromptTemplate

7.1 基本用法

7.2 对接LLM

8、提示词模板最佳实践