LangChain 提示词模板：从入门到精通的专业指南

原创已于 2025-11-14 13:46:37 修改 · 920 阅读

5 ·

CC 4.0 BY-SA版权

文章标签：

#python #langchain

于 2025-11-14 13:46:17 首次发布

langchain 专栏收录该内容

1 篇文章

订阅专栏

引言

在大型语言模型（LLM）驱动的应用开发中，提示（Prompt）的设计与管理是决定模型输出质量的关键环节。一个精心设计的提示能够引导模型生成更准确、更相关、更符合预期的内容。然而，随着应用逻辑的复杂化，硬编码的静态提示变得难以维护和扩展。为了解决这一挑战，LangChain 框架提供了一套强大而灵活的工具——提示词模板（Prompt Templates），旨在帮助开发者以结构化、可重用的方式构建和管理提示。

提示工程的核心理念

在深入了解 LangChain 的具体实现之前，我们有必要先回顾一下提示工程（Prompt Engineering）的基本构成。一个结构良好的提示通常包含以下四个部分 1：

组件	描述
指令 (Instructions)	明确告知模型需要执行的任务，例如“将以下文本翻译成法语”或“根据上下文回答问题”。
外部信息 (External Information / Context)	为模型提供额外的知识背景，这些信息可以手动插入，也可以通过向量数据库检索等方式动态获取。
用户输入 (User Input / Query)	用户提出的具体问题或请求。
输出指示器 (Output Indicator)	标记模型生成内容的开始，引导其以特定格式输出，例如在生成代码时以 import 开头。

理解这些组成部分，有助于我们更好地利用 LangChain 的提示词模板来构建高效的提示。

LangChain 提示词模板入门

LangChain 提供了多种类型的提示词模板，以适应不同的应用场景。以下是最核心的三种类型。

1. PromptTemplate：构建简单的字符串提示

PromptTemplate 是最基础的模板类型，适用于那些接受单个字符串输入的完成式模型（Completion-style models），如 OpenAI 的 text-davinci-003。它允许您通过占位符动态地插入变量。

from langchain_core.prompts import PromptTemplate

# 定义一个带有单个占位符的模板
prompt_template = PromptTemplate.from_template(
    "你是一位专业的命名顾问。请为一个生产{product}的公司想一个好名字。"
)

# 格式化模板，填充占位符
filled_prompt = prompt_template.format(product="彩色袜子")

print(filled_prompt)
# 输出: 你是一位专业的命名顾问。请为一个生产彩色袜子的公司想一个好名字。

使用 from_template 类方法，LangChain 会自动推断出模板中的输入变量，简化了模板的创建过程。

2. ChatPromptTemplate：为聊天模型设计带角色的提示

与完成式模型不同，聊天模型（如 GPT-4、Claude 3）的输入是一个由多条消息组成的消息列表，每条消息都包含一个角色（system、human 或 ai）和内容。ChatPromptTemplate 正是为了优雅地构建这种结构化输入而设计的。

System: 系统消息，用于设定 AI 的行为和背景，模型会更严格地遵循这部分指令。
Human: 用户消息，代表用户的输入。
AI: AI 消息，代表模型的历史回复，常用于提供对话上下文。

from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一位乐于助人的翻译家，能将{input_language}翻译成{output_language}。"),
    ("human", "{text}")
])

# 格式化聊天模板
formatted_messages = chat_template.format_messages(
    input_language="英语",
    output_language="法语",
    text="I love programming."
)

print(formatted_messages)
# 输出:
# [
#     SystemMessage(content=\'你是一位乐于助人的翻译家，能将英语翻译成法语。\'),
#     HumanMessage(content=\'I love programming.\')
# ]

3. MessagesPlaceholder：动态插入聊天历史

在构建多轮对话应用时，我们需要将历史对话作为上下文提供给模型。MessagesPlaceholder 允许我们在模板中预留一个位置，用于在运行时动态插入一个消息列表 3。

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

# 创建一个包含聊天历史占位符的模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的职业规划导师。"),
    MessagesPlaceholder(variable_name="conversation"),
    ("human", "{current_question}")
])

# 定义历史对话
conversation_history = [
    HumanMessage(content="我应该如何准备一场工作面试？"),
    AIMessage(content="首先，研究公司背景并练习常见的面试问题。")
]

# 格式化模板，同时传入历史对话和当前问题
formatted_messages = chat_prompt.format_messages(
    conversation=conversation_history,
    current_question="面试后我应该发送感谢邮件吗？"
)

# 这将生成一个包含系统指令、历史对话和当前问题的完整消息列表

高级用法：Few-Shot 学习与动态示例

当模型难以理解复杂的任务要求时，我们可以通过在提示中提供少量示例（Few-shot Learning）来引导它。LangChain 为此提供了 FewShotPromptTemplate。

FewShotPromptTemplate：提供上下文示例

这种模板允许我们定义一组示例，并将它们与前缀（指令）和后缀（用户输入）结合起来，构建一个信息丰富的提示。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 1. 定义示例
examples = [
    {"query": "你怎么样？", "answer": "我从不抱怨，但有时还是会。"},
    {"query": "现在几点了？", "answer": "是时候买块表了。"}
]

# 2. 创建示例的格式化模板
example_template = PromptTemplate.from_template("用户: {query}\nAI: {answer}")

# 3. 创建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    prefix="以下是与一个AI助手的对话节选。这个助手通常很讽刺和机智，能对用户的问题做出创造性和有趣的回答。",
    suffix="用户: {query}\nAI:",
    input_variables=["query"],
    example_separator="\n\n"
)

print(few_shot_prompt.format(query="生命的意义是什么？"))

LengthBasedExampleSelector：动态选择示例

在实际应用中，我们需要考虑模型的最大上下文窗口限制。如果示例过多，可能会导致提示过长。LengthBasedExampleSelector 可以根据输入查询的长度动态选择包含在提示中的示例数量，从而避免超出限制并优化成本。

from langchain_core.prompts.example_selector import LengthBasedExampleSelector

# 创建一个示例选择器，设置最大长度（按单词数计算）
example_selector = LengthBasedExampleSelector(
    examples=examples, 
    example_prompt=example_template, 
    max_length=50
)

# 创建使用动态选择器的 FewShotPromptTemplate
dynamic_prompt = FewShotPromptTemplate(
    example_selector=example_selector, # 使用选择器替代静态示例列表
    example_prompt=example_template,
    prefix="...",
    suffix="...",
    input_variables=["query"],
    example_separator="\n"
)

# 当查询较长时，模板会自动减少包含的示例数量

最佳实践

为了最大限度地发挥 LangChain 提示词模板的效用，我们建议遵循以下最佳实践：

保持一致性：使用模板来标准化提示的结构，确保模型接收到的指令清晰一致，从而提高输出的稳定性和可靠性。
选择合适的模板：根据您使用的模型类型（完成式 vs. 聊天式）和任务需求（简单问答 vs. 多轮对话）选择最合适的模板。
利用 from_template：优先使用 from_template 方法创建模板，以减少手动指定输入变量的繁琐和出错可能。
管理上下文长度：在需要提供大量示例或长对话历史时，务必使用 LengthBasedExampleSelector 或其他策略来动态管理上下文长度，防止超出模型限制。
结构化与模块化：将复杂的提示分解为不同的部分（如指令、示例、用户输入），并利用模板的组合功能进行管理，提高代码的可读性和可维护性。