纲要
- 提示词模板核心概念
PromptTemplate：面向纯文本 LLM 的字符串模板ChatPromptTemplate：面向对话模型的结构化消息模板MessagesPlaceholder：在消息列表中动态插入内容的占位符- 使用
SystemMessage、HumanMessage、AIMessage灵活组合模板 - 自定义模板：继承
StringPromptTemplate实现特殊逻辑
- 关键流程：定义模板 → 声明变量 → 格式化（
format/format_messages）→ 提交给 LLM - 涉及组件：
langchain_core.prompts、langchain_core.messages - 代码演示：完整可运行的 Python 脚本，涵盖所有模板类型
引言
在构建 AI Agent 或大语言模型应用时，提示词（Prompt）是连接业务逻辑与模型能力的桥梁。LangChain 提供了一套丰富的提示词模板系统，使开发者可以像管理配置一样维护复杂的提示词结构，而无需手动拼接字符串。
本文将系统讲解五种最常用的提示词模板：字符串模板、对话模板、消息占位符、Message 组合模板以及自定义模板，并提供可直接运行的代码示例。
字符串模板 PromptTemplate
字符串模板是最基础的提示词模板，适用于传统的文本补全模型（LLM），它接收一个包含占位符的字符串，通过 format 方法将参数注入，最终生成一段完整的文本提示。
核心特点：输入输出均为纯文本，不支持结构化消息。
from langchain_core.prompts import PromptTemplate
# 定义模板，花括号内为变量
template = "你是一个{role}，帮我起一个具有{country}特色的{gender}名字。"
prompt = PromptTemplate.from_template(template)
# 传入参数格式化
formatted = prompt.format(role="算命大师", country="法国", gender="女孩")
print(formatted)
输出：
你是一个算命大师，帮我起一个具有法国特色的女孩名字。
模板中声明的变量数量必须与 format 传入的参数完全一致，否则会抛出 KeyError 异常。
对话模板 ChatPromptTemplate
对话模板是当前应用最广泛的形式，专为对话类模型（Chat Model）设计。它返回的是一个结构化的消息列表，每条消息都带有明确的角色（system、human、ai），便于下游处理。
from langchain_core.prompts import ChatPromptTemplate
# 使用 from_messages 构建消息列表
template = ChatPromptTemplate.from_messages([
("system", "你是一个起名大师，你的名字叫{name}。"),
("human", "你好，感觉如何？"),
("ai", "你好，我状态非常好。"),
("human", "你叫什么名字？"),
("ai", "你好，我叫{name}。"),
("human", "{user_input}"),
])
# 对话模板使用 format_messages 而非 format
messages = template.format_messages(
name="陈大师",
user_input="你的爸爸是谁呢？"
)
print(messages)
输出：将是一个包含 SystemMessage、HumanMessage、AIMessage 的列表，每条消息都带有 content 字段，并保留了元数据，适合在应用中进行结构化解析和后续调用。
消息占位符 MessagesPlaceholder
当需要在消息列表的特定位置动态插入一组消息（例如历史聊天记录），但又不确定其具体数量或类型时，可以使用 MessagesPlaceholder。它相当于一个“插槽”，在最终调用模型前可以被替换为实际的消息列表。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage
# 构造带占位符的模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个厉害的人工智能助手。"),
MessagesPlaceholder(variable_name="history"),
("human", "{question}")
])
# 在调用阶段动态传入消息列表
result = prompt.invoke({
"history": [HumanMessage(content="你好，请多关照！")],
"question": "今天天气如何？"
})
print(result.messages)
从 LangChain 0.3.x 版本开始，官方推荐使用 MessagesPlaceholder 类来声明占位符。不过，使用 ("placeholder", "{history}") 的简写方式在部分版本中仍然兼容，建议查阅当前使用版本的官方文档确认具体支持情况。
占位符的灵活性在于，它允许在 invoke 阶段（而非 format 阶段）再确定插入的内容，这对构建复杂 Agent 的多轮对话记忆非常实用。
使用 Message 对象直接组合模板
除了通过 ChatPromptTemplate.from_messages 声明式构建，还可以直接用 SystemMessage、HumanMessage、AIMessage 等消息对象手动拼装，形成消息列表。这种方式更灵活，适合将公共的系统消息或用户消息进行复用组合。
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from langchain_core.prompts import ChatPromptTemplate
# 手动构建消息
system_msg = SystemMessage(content="你是一个起名大师", additional_kwargs={"大师名字": "陈瞎子"})
human_msg = HumanMessage(content="请问大师叫什么？")
ai_msg = AIMessage(content="我叫陈瞎子。")
# 直接拼成列表，即是一个合法的消息模板
chat_list = [system_msg, human_msg, ai_msg]
prompt = ChatPromptTemplate.from_messages(chat_list)
print(prompt.format_messages())
该方式允许将某个 SystemMessage 作为公共提示词在多个场景中复用，并自由组合后续对话流程，提升代码的模块化程度。需要注意的是，additional_kwargs 中的元数据不会影响消息内容本身，但可能在某些回调或日志中被使用。
自定义提示词模板
当内置的 PromptTemplate 和 ChatPromptTemplate 无法满足需求时，可以通过继承 StringPromptTemplate 来实现自定义模板逻辑。例如，创建一个“函数解释”模板：输入函数名，自动获取函数源代码，并生成一段要求解释代码的提示词。
实现步骤：
- 继承
StringPromptTemplate - 重写
format方法，在其中实现自定义逻辑（如获取源代码、拼接提示） - 调用时与普通模板一致
import inspect
from langchain_core.prompts import StringPromptTemplate
# 定义一个示例函数
def hello_world(a, b, c):
"""测试函数"""
print("hello world")
return a, b, c
# 自定义模板类
class CustomCodeExplainerTemplate(StringPromptTemplate):
def format(self, **kwargs) -> str:
func_name = kwargs["function_name"]
# 获取函数源代码
source_code = inspect.getsource(globals()[func_name])
# 内嵌提示词
prompt_template = (
"你是一个非常有经验和天赋的程序员。现在给你如下函数名称，"
"你会按照如下格式输出这段代码的名称、源代码和中文解释。\n"
"函数名称: {function_name}\n"
"源代码: {source_code}\n"
"代码解释: "
)
return prompt_template.format(function_name=func_name, source_code=source_code)
# 使用自定义模板
custom_prompt = CustomCodeExplainerTemplate(input_variables=["function_name"])
final_prompt = custom_prompt.format(function_name="hello_world")
print(final_prompt)
该输出已包含函数名称和源代码，可直接提交给 LLM 获取代码解释。这种模式允许在模板内部封装复杂的预处理逻辑，将提示词构建过程完全自动化。
从 LangChain 0.3.x 开始，StringPromptTemplate 仍然可用，但官方推荐在更复杂的场景中使用 RunnableLambda 或自定义 Runnable 来替代，以获得更好的链式组合能力。
五种模板对比
| 模板类型 | 输入变量占位 | 输出格式 | 适用模型 | 灵活性 |
|---|---|---|---|---|
PromptTemplate | 字符串花括号 | 纯文本 | LLM（补全） | 低 |
ChatPromptTemplate | 消息列表变量 | 结构化消息列表 | Chat Model | 中 |
MessagesPlaceholder | 动态消息插槽 | 含占位符的消息列表 | Chat Model | 高 |
| Message 对象组合 | 无 | 消息列表 | Chat Model | 高 |
自定义 StringPromptTemplate | 自定义 | 任意 | 均可 | 极高 |
模板工作流程
以下 Mermaid 时序图展示了从定义模板到 LLM 调用的一般流程。
完整可运行代码
以下代码整合了上述五种模板的示例，可直接复制执行。执行前请安装依赖：
pip install langchain langchain-core
import inspect
from langchain_core.prompts import (
PromptTemplate,
ChatPromptTemplate,
MessagesPlaceholder,
StringPromptTemplate
)
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
# ========== 1. 字符串模板 ==========
str_template = PromptTemplate.from_template(
"你是一个{role}，帮我起一个具有{country}特色的{gender}名字。"
)
str_result = str_template.format(role="算命大师", country="法国", gender="女孩")
print("字符串模板结果：\n", str_result, "\n")
# ========== 2. 对话模板 ==========
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一个起名大师，你的名字叫{name}。"),
("human", "你好，感觉如何？"),
("ai", "你好，我状态非常好。"),
("human", "你叫什么名字？"),
("ai", "你好，我叫{name}。"),
("human", "{user_input}"),
])
chat_result = chat_template.format_messages(
name="陈大师",
user_input="你的爸爸是谁呢？"
)
print("对话模板结果：\n", chat_result, "\n")
# ========== 3. 消息占位符 ==========
placeholder_template = ChatPromptTemplate.from_messages([
("system", "你是一个厉害的人工智能助手。"),
MessagesPlaceholder(variable_name="history"),
("human", "{question}")
])
ph_result = placeholder_template.invoke({
"history": [HumanMessage(content="你好，请多关照！")],
"question": "今天天气如何？"
})
print("消息占位符结果：\n", ph_result.messages, "\n")
# ========== 4. Message 组合模板 ==========
sys_msg = SystemMessage(content="你是一个起名大师", additional_kwargs={"大师名字": "陈瞎子"})
human_msg = HumanMessage(content="请问大师叫什么？")
ai_msg = AIMessage(content="我叫陈瞎子。")
composed_list = [sys_msg, human_msg, ai_msg]
composed_template = ChatPromptTemplate.from_messages(composed_list)
comp_result = composed_template.format_messages()
print("Message 组合模板结果：\n", comp_result, "\n")
# ========== 5. 自定义模板 ==========
def hello_world(a, b, c):
"""测试函数"""
print("hello world")
return a, b, c
class CustomCodeExplainerTemplate(StringPromptTemplate):
def format(self, **kwargs) -> str:
func_name = kwargs["function_name"]
source_code = inspect.getsource(globals()[func_name])
prompt_template = (
"你是一个非常有经验和天赋的程序员。现在给你如下函数名称，"
"你会按照如下格式输出这段代码的名称、源代码和中文解释。\n"
"函数名称: {function_name}\n"
"源代码: {source_code}\n"
"代码解释: "
)
return prompt_template.format(function_name=func_name, source_code=source_code)
custom_prompt = CustomCodeExplainerTemplate(input_variables=["function_name"])
custom_result = custom_prompt.format(function_name="hello_world")
print("自定义模板结果：\n", custom_result, "\n")
官方文档
- LangChain Core Prompts 官方文档：https://python.langchain.com/docs/modules/model_io/prompts/
- LangChain Python API Reference - prompts：https://api.python.langchain.com/en/latest/prompts/langchain_core.prompts.html
参考链接
- LangChain 官方 GitHub 仓库：https://github.com/langchain-ai/langchain
- LangChain 提示词模板概念指南：https://python.langchain.com/docs/concepts/prompts/
- LangChain 消息类型 API 参考：https://api.python.langchain.com/en/latest/messages/langchain_core.messages.html
总结
本文详细介绍了 LangChain 中五种提示词模板的用法及适用场景，从最简单的字符串模板到高度灵活的自定义模板，覆盖了绝大多数 LLM 应用的提示词构建需求。
通过对比和完整代码示例，开发者可以快速选择适合项目的模板类型，并基于此构建稳健、可维护的 AI Agent 系统。
427
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
