AI Agent从无到有27: LangChain 提示词模板原理与实践_hiagent 调用大模型使用变量和提示词生成回复-优快云博客

纲要

提示词在大模型应用中的核心地位
提示词模板的工作原理
提示词模板的核心优势
从自然语言到结构化输出的完整链路
高质量提示词的组成要素
LangChain 中的两种模板：PromptTemplate 与 ChatPromptTemplate
实战：使用 ChatPromptTemplate 构建旅游攻略生成器
完整可运行代码示例

提示词：大模型应用的“控制面板”

对于任何基于大语言模型（Large Language Model, LLM）的应用而言，提示词（Prompt）构成了最主要的人机交互接口。即便不进行应用开发，日常使用诸如 ChatGPT、DeepSeek 等对话式工具时，用户交互的本质即是在持续撰写和优化提示词。在 LangChain 的组件化体系中，提示词模板（Prompt Template）被提升至可工程化、可复用的抽象层次，充当连接用户意图与模型能力的核心桥梁。

一个基于大模型应用的典型输入输出（I/O）流程如下所示：

流程中各环节的职责划分如下：

提示词模板：负责将动态内容抽象为变量占位符，并将静态指令部分固化。其工作方式类似于填空题模板，通过变量注入生成具体提示词。
大语言模型（ChatModel） ：接收格式化后的完整提示词，执行推理并返回自然语言形式的响应。
输出解析器（Output Parser） ：负责将模型返回的自然语言文本转换为程序可读的结构化数据（例如 JSON 或 Pydantic 对象），以便下游系统进行进一步处理。

上述流程清晰揭示了提示词在系统中的关键地位：它既是模型输入的唯一通道，也是直接影响输出质量的最核心的可控变量。

提示词模板的工作原理

在未引入模板机制的场景下，每次调用模型均需手动拼接完整的提示词字符串。这种做法不仅导致大量重复性编码工作，也使得提示词的维护和版本管理变得异常困难。提示词模板通过占位符机制将提示词中的可变部分进行抽离，从而实现逻辑复用。

举例说明：

模板定义："{role}，请为我规划一个{theme}的旅行攻略，预算{budget}元。"
变量赋值：role="导游", theme="海南", budget="10000"
格式化结果："导游，请为我规划一个海南的旅行攻略，预算10000元。"

在 LangChain 框架中，该格式化过程通过模板对象的 format() 或 invoke() 方法完成。模板引擎会自动完成变量注入与转义处理，最终生成提交给模型的字符串（针对传统 LLM）或消息列表（针对 ChatModel）。

提示词模板的核心优势

采用提示词模板进行工程化管理，可带来以下几方面的显著收益：

复用性：同一模板可适配不同的变量组合，从而生成多样化提示词，避免重复定义。
可维护性：提示词逻辑集中在模板定义处，修改一处即可同步所有调用点，降低维护成本。
版本控制：模板作为代码资产的一部分，可纳入 Git 仓库进行版本管理，支持团队协作与变更追溯。
安全性：可通过变量校验机制对输入内容进行过滤与转义，有效防范提示词注入等安全风险。

高质量提示词的组成要素

为了充分发挥模型能力，尤其是针对非推理优化型模型，一份高质量的提示词通常应包含以下四个核心要素：

角色设定（Role） ：为模型赋予一个明确的专家身份，引导其进入特定领域的语境与思维模式。
背景信息（Context） ：提供充分的问题背景与上下文说明，帮助模型准确理解任务场景。
明确目标（Objective） ：清晰、无歧义地描述期望模型完成的具体任务或达成的结果。
约束条件（Constraints） ：指明输出格式、语气风格、禁忌内容等限制条件，对模型输出进行有效规约。

对比示例：

低质量提示词："帮我做一份旅行攻略。"
高质量提示词："假设你是一名资深导游，我要和两位朋友去海南玩七天，预算一万元。我们不喜欢行程太赶，也不喜欢网红景点，更偏爱有文化底蕴的地方。请推荐景点并附上门票价格。"

后者通过明确的角色、背景、目标和约束，显著提升了模型输出的相关性与质量。

LangChain 中的两种模板

LangChain 针对不同类型的模型提供了两种对应的模板实现：

模板类	适用模型类型	输出格式
`PromptTemplate`	传统 LLM（纯文本补全模型）	字符串（String）
`ChatPromptTemplate`	ChatModel（对话式模型）	消息列表（List[BaseMessage]），支持 system、human、ai 等角色

鉴于当前主流模型已全面转向 Chat 模式，在实际开发中推荐优先使用 ChatPromptTemplate。该模板支持独立构建系统消息（System Message）与人类消息（Human Message），并允许为不同角色分别注入模板变量，具备更强的表达能力和灵活性。

实战：使用 ChatPromptTemplate 构建旅游攻略生成器

本节通过一个完整的实战示例，演示如何利用 LangChain 的提示词模板构建一个可复用的旅行攻略助手。该示例将定义一个包含系统角色设定和用户提问模板的 ChatPromptTemplate，并调用 ChatModel 生成结构化的旅行推荐内容。

项目结构

├── main.py
└── requirements.txt

依赖安装

pip install langchain-openai langchain-core

完整可运行代码

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 1. 初始化 ChatModel 实例
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    temperature=0.7,
    api_key=os.getenv("OPENAI_API_KEY"),
)

# 2. 定义 ChatPromptTemplate
#    包含系统消息（设定角色）和人类消息（携带变量占位符）
template = ChatPromptTemplate.from_messages([
    ("system", "你是一位资深的旅行规划师，擅长制定个性化的旅行方案。"),
    ("human", (
        "我要和{num_people}位朋友去{destination}玩{days}天，"
        "总预算{budget}元。我们不喜欢行程太紧凑，也不喜欢网红景点，"
        "更偏爱有文化底蕴的景点。请推荐景点并尽量附上门票价格。"
    )),
])

# 3. 通过 invoke 方法注入变量，生成完整的提示词消息列表
prompt = template.invoke({
    "num_people": "两",
    "destination": "海南",
    "days": "7",
    "budget": "10000",
})

print("生成的提示词消息：")
print(prompt.to_string())
print("\n" + "=" * 50 + "\n")

# 4. 调用模型并输出响应
response = llm.invoke(prompt)
print("模型回答：")
print(response.content)

# 5. 可选：打印 Token 用量信息（若模型提供）
if response.usage_metadata:
    print("\nToken 用量:", response.usage_metadata)

运行说明：

运行前需在环境变量中设置 OPENAI_API_KEY，值为有效的 OpenAI API 密钥。
示例代码基于 gpt-3.5-turbo 模型，该模型具备良好的成本效益，足以完成旅行规划类任务。
开发者可根据实际需求调整模板中的系统消息和人类消息内容，例如增加更细致的约束条件或补充更丰富的角色背景。
如需接入本地部署模型（如 Ollama），可将 ChatOpenAI 替换为 ChatOllama 并相应调整 base_url 参数，提示词模板部分无需改动，具备良好的可移植性。

总结

本文围绕 LangChain 框架中的提示词模板机制，系统性地阐述了其设计原理、核心优势及实践方法。关键结论如下：

提示词是连接人类意图与模型能力的核心通道，其质量直接决定大模型应用的最终效果。
LangChain 通过 PromptTemplate 与 ChatPromptTemplate 两类模板，将提示词管理提升至工程化层面，有效提升了复用性、可维护性与安全性。
在实际开发中，ChatPromptTemplate 因其对多角色消息的原生支持，成为面向对话模型的首选方案。
高质量提示词应包含角色设定、背景信息、明确目标和约束条件四个基本要素，这是构建稳健 AI Agent 的基础能力。