在 LangChain 中，提示词模板（Prompt Template） 是构建大模型应用的核心基石。
如果把大模型比作一个“极其聪明但没有记忆的员工”，那么提示词模板就是一份标准化的“工作指南”。它将用户的动态输入与预设的指令、上下文、格式要求结合起来，确保大模型能输出高质量、符合预期的结果。
一、 为什么需要提示词模板？
- 逻辑与数据分离：你不需要在代码里硬编码复杂的提示语。你可以定义一个模板，只在运行时注入变量（如用户的问题、背景资料）。
- 复用性：同一个任务（如翻译、总结）的指令可以定义一次，多次使用。
- 角色注入：轻松为 AI 设定特定的身份（如“资深架构师”或“幽默诗人”）。
- 标准化输出：配合前文提到的解析器，通过模板告知模型必须以 JSON 或特定格式返回。
二、 核心模板类型
LangChain 主要提供了两种模板，对应不同的模型接口：
1. PromptTemplate (普通模板)
用于传统的文本补全模型（LLMs），它只是一个简单的字符串模板。
1from langchain.prompts import PromptTemplate 2 3# 1. 定义模板字符串，使用 {variable} 作为占位符 4template = "你是一位专业的{field}教练。请为我制定一个{duration}的训练计划。" 5 6# 2. 实例化模板 7prompt = PromptTemplate( 8 input_variables=["field", "duration"], 9 template=template 10) 11 12# 3. 填充变量生成最终提示词 13final_prompt = prompt.format(field="马拉松", duration="三个月") 14print(final_prompt) 15# 输出: 你是一位专业的马拉松教练。请为我制定一个三个月的训练计划。 16
2. ChatPromptTemplate (对话模板) —— 最常用
用于聊天模型（ChatModels）。它由一组具有不同角色的“消息”组成（System, Human, AI）。
1from langchain.prompts import ChatPromptTemplate 2 3# 定义多角色对话模板 4chat_template = ChatPromptTemplate.from_messages([ 5 ("system", "你是一名{language}翻译官，负责将用户输入的中文翻译成{language}。"), 6 ("human", "请翻译这段话：{text}"), 7]) 8 9# 填充变量 10messages = chat_template.format_messages( 11 language="法语", 12 text="今天天气真不错" 13) 14# 生成的结果是一组 Message 对象，可直接发送给 ChatOpenAI 或 Ollama 15
三、 进阶用法：少样本模板 (Few-Shot Prompting)
“少样本”是指给模型几个例子，让它模仿。这在处理复杂逻辑或特定风格时非常有效。
1from langchain.prompts import FewShotPromptTemplate, PromptTemplate 2 3# 1. 准备示例 4examples = [ 5 {"input": "开心", "output": "像盛开的花朵一样灿烂"}, 6 {"input": "难过", "output": "像阴雨连绵的深秋一样萧索"}, 7] 8 9# 2. 定义示例的格式 10example_prompt = PromptTemplate( 11 input_variables=["input", "output"], 12 template="词语: {input}\n比喻: {output}" 13) 14 15# 3. 构建少样本模板 16few_shot_prompt = FewShotPromptTemplate( 17 examples=examples, 18 example_prompt=example_prompt, 19 suffix="词语: {user_input}\n比喻:", # 后缀，即用户的输入 20 input_variables=["user_input"] 21) 22 23print(few_shot_prompt.format(user_input="孤独")) 24# 模型会模仿之前的风格生成关于“孤独”的比喻 25
四、 组合提示词 (Pipeline Prompt)
有时候提示词非常复杂，你可能希望把几个小模板组合成一个大模板。
- 场景：先设定身份，再引入背景知识，最后提出问题。
- 实现：使用
PipelinePromptTemplate（由于篇幅，此处仅作概念介绍，它允许将基础模板插入到父模板的占位符中）。
五、 最佳实践技巧
- 部分填充 (Partial Formatting)： 如果你在程序开始时就知道某些变量（比如当前日期），而另一些变量（比如用户输入）要等会儿才知道，可以使用
partial。
1partial_prompt = prompt.partial(date="2024-05-20") 2# 稍后再填充剩下的变量 3final_prompt = partial_prompt.format(user_query="你好")
- 外部加载： 为了保持代码整洁，可以将复杂的 Prompt 存储在
yaml或json文件中，通过 LangChain 加载。 - LCEL 管道调用： 将模板直接放在链的最前端：
1chain = chat_template | model | output_parser 2chain.invoke({"language": "英语", "text": "吃了吗？"})
总结
提示词模板不仅仅是字符串拼接，它是 Prompt 工程的工程化实现。通过 LangChain 的模板系统，你可以：
- 结构化 地表达任务逻辑。
- 动态化 地注入实时数据。
- 模式化 地引导 AI 模仿特定行为。
掌握了 Prompt Template，你就掌握了控制大模型行为的“方向盘”。
《大模型技术 提示词模板 概述》 是转载文章，点击查看原文。
