AI Agent从无到有35: LangChain 提示词模板体系总结与实践

关注

原创 2026-08-17 17:15:24 348 阅读 AI 写同款· GEO 优化 ›

LangChain技术解析与生产级Agent开发实践大语言模型（LLM）应用开发中，上下文管理、工具集成和工作流编排是核心挑战。LangChain作为开源框架，通过模块化设计解决了这些问题，显著提升开发效率。其分层架构包含应用层、核心层和适配层，支持快速原型搭建与深度定制。在生产环境中，LangChain可应用于客服自动化、智能数据分析等场景，结合Redis、Milvus等技术实现高性能Agent。关键优化包括GPU加速检索、动态上下文压缩和异步批处理，同时需监控端到端延迟、工具调用成功率等指标。通过混合Agent架构和持续训练方案，LangChain在金融阅读详情

纲要

提示词模板核心知识回顾
- PromptTemplate 与 ChatPromptTemplate：面向文本生成与对话交互的两种基础模板
- FewShotPromptTemplate 与 FewShotChatMessagePromptTemplate：基于示例驱动的提示结构
- 静态示例与动态示例的差异及适用场景
- 示例选择器三大类型：LengthBasedExampleSelector、SemanticSimilarityExampleSelector、MaxMarginalRelevanceExampleSelector
- Partial 部分格式化：支持静态值预设与动态函数生成
- LangSmith Hub：提示词的版本化管理与团队协作平台
动手实践任务
- 注册 LangSmith 并获取 API Key
- 从 Hub 拉取社区模板
- 修改提示词并推送至个人 Hub 仓库
- 版本管理与协作测试
完整可运行示例脚本：涵盖拉取、调用、推送与版本迭代的端到端流程

引言

在前序系列文章中，我们系统性地探讨了 LangChain 提示词模板的各个核心维度：从基础的字符串模板与对话模板，到 Few Shot 示例的动态选择机制，再到部分格式化与基于 LangSmith Hub 的工程化管理。本文旨在对该知识体系进行系统性总结，同时提供一份可操作的实践指南，帮助开发者将理论认知转化为可复用的工程能力。

提示词模板知识体系

整个提示词模板体系围绕“如何高效构建、管理和演进提示词”这一核心目标展开，可按照以下层次进行梳理。

基础模板

PromptTemplate：最基础的字符串模板，通过 format() 方法替换占位符变量，适用于传统文本生成型 LLM。
ChatPromptTemplate：结构化消息列表模板，通过 format_messages() 生成 SystemMessage、HumanMessage、AIMessage 等角色消息序列，专为 Chat Model 设计。

Few Shot 示例机制

FewShotPromptTemplate / FewShotChatMessagePromptTemplate：将一组输入-输出示例注入提示词上下文，引导模型进行模仿学习（In-Context Learning）。
静态示例：示例集合在模板定义时固定，无法根据输入动态调整。
动态示例选择器：根据当前输入内容，从示例池中自动筛选最相关或最合适的示例。

示例选择器对比

选择器类型	选择依据	优势	局限性
`LengthBasedExampleSelector`	控制最终提示词总长度，从头部开始依次选取	计算高效，无需额外依赖	选取策略机械，缺乏语义匹配能力
`SemanticSimilarityExampleSelector`	基于余弦相似度，选取与输入语义最接近的示例	语义匹配精准	需要向量数据库与嵌入模型支持
`MaxMarginalRelevanceExampleSelector`	采用 MMR 算法，兼顾相关性（Relevance）与多样性（Diversity）	避免示例同质化，提升泛化能力	计算开销相对较高

部分格式化

PromptTemplate.partial()：允许分步填充模板变量，支持静态值预设与动态函数绑定。动态函数在 format() 调用时实时执行，特别适用于注入当前时间戳、用户 ID 等运行时上下文信息。

LangSmith Hub

云端提示词仓库：提供 hub.pull() 接口拉取公共模板，Client.push_prompt() 与 Client.pull_prompt() 实现团队内部的提示词共享与分发。
版本管理：每次推送自动记录版本历史，支持通过标签（Tag）或版本号引用特定历史版本。
可观测性与评估：Hub 深度集成于 LangSmith 平台，支持提示词的在线监控、调试与性能评估。

动手实践：从 Hub 到本地，再回到 Hub

以下实践练习将引导你完整体验提示词从拉取、修改、推送到版本迭代的完整生命周期。

环境准备

第一步：注册 LangSmith 并获取 API Key

访问 LangSmith 官网注册账号，进入 Settings 页面创建 API Key，并将其配置为环境变量：

export LANGCHAIN_API_KEY="your_langsmith_api_key"
export OPENAI_API_KEY="your_openai_api_key"   # 如需调用模型

第二步：安装依赖

pip install langchain langchain-core langsmith langchain-openai

核心操作流程

第三步：拉取社区提示词模板

from langchain import hub

prompt = hub.pull("langchain-ai/text-to-sql")
print(prompt.format(question="查询所有订单数量大于5的客户"))

第四步：创建并推送自定义提示词

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate

client = Client()
my_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个精通唐诗宋词的助手，请使用中文回答。"),
    ("human", "{query}")
])

client.push_prompt("my-poetry-assistant", prompt=my_prompt)
print("提示词已成功推送至 LangSmith Hub")

第五步：拉取自定义提示词并调用模型

from langsmith import Client
from langchain_openai import ChatOpenAI

client = Client()
prompt = client.pull_prompt("my-poetry-assistant")
model = ChatOpenAI(model="gpt-3.5-turbo")
chain = prompt | model
response = chain.invoke({"query": "写一首关于秋天的七言绝句"})
print(response.content)

第六步：版本迭代与回滚

修改提示词内容，添加版本标签后再次推送，并演示如何拉取特定历史版本。

v2_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位风趣幽默的唐诗专家，每次回答均以“古人云”作为开头。"),
    ("human", "{query}")
])
client.push_prompt("my-poetry-assistant", prompt=v2_prompt, tags=["v2", "funny"])

old_prompt = client.pull_prompt("my-poetry-assistant:v1")
print("v1 版本系统消息:", old_prompt.messages[0].content)

通过上述流程，开发者可以在本地开发环境与云端 Hub 之间自由切换，实现提示词的完整生命周期管理。

完整可运行示例脚本

以下脚本整合了从拉取公共模板、创建自定义提示词、推送到 Hub、调用模型以及版本迭代的完整流程。配置好 API Key 后即可直接运行。

import os
import sys
from langchain import hub
from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

def check_env():
    """检查必要的环境变量是否已配置"""
    if not os.getenv("LANGCHAIN_API_KEY"):
        sys.exit("错误：请先设置 LANGCHAIN_API_KEY 环境变量")
    if not os.getenv("OPENAI_API_KEY"):
        print("警告：未设置 OPENAI_API_KEY，将跳过模型调用环节")

def main():
    check_env()
    client = Client()

    # 1. 拉取公共模板
    print(">>> 拉取公共模板：langchain-ai/text-to-sql")
    public_prompt = hub.pull("langchain-ai/text-to-sql")
    print("模板变量列表:", public_prompt.input_variables)

    # 2. 创建并推送自定义模板
    print("\n>>> 创建并推送自定义提示词")
    my_template = ChatPromptTemplate.from_messages([
        ("system", "你是一位精通古诗词的助手，请使用中文回答。"),
        ("human", "{question}")
    ])
    try:
        client.push_prompt("my-chinese-poet", prompt=my_template)
        print("推送成功")
    except Exception as e:
        print(f"推送失败: {e}，可能该名称已存在，将直接尝试拉取")

    # 3. 拉取自定义模板并调用模型
    print("\n>>> 拉取自定义提示词并执行测试")
    custom_prompt = client.pull_prompt("my-chinese-poet")
    print("提示词结构：")
    for msg in custom_prompt.messages:
        print(f"  [{msg.type}] {msg.content}")

    if os.getenv("OPENAI_API_KEY"):
        model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7)
        chain = custom_prompt | model
        response = chain.invoke({"question": "写一首关于月亮的五言绝句"})
        print("\n模型回答：")
        print(response.content)
    else:
        print("\n跳过模型调用（OPENAI_API_KEY 未设置）")

    # 4. 创建新版本并推送
    print("\n>>> 创建 v2 版本并推送至 Hub")
    v2_template = ChatPromptTemplate.from_messages([
        ("system", "你是一位风趣幽默的唐诗助手，每次回答以“古人云”开头。"),
        ("human", "{question}")
    ])
    client.push_prompt("my-chinese-poet", prompt=v2_template, tags=["v2", "funny"])
    print("v2 版本已成功推送")

    # 5. 验证版本差异
    v1 = client.pull_prompt("my-chinese-poet:v1")
    v2 = client.pull_prompt("my-chinese-poet:v2")
    print("\n版本对比：")
    print("v1 系统消息:", v1.messages[0].content)
    print("v2 系统消息:", v2.messages[0].content)

if __name__ == "__main__":
    main()

执行该脚本将完整覆盖提示词模板从社区学习、自主创作到版本迭代的全链路流程。

API 速览

本节汇总博客中涉及的核心 API，便于开发者快速查阅与参考。

langchain.hub.pull

所属库：langchain
方法签名：hub.pull(repo_path: str) -> PromptTemplate
参数说明：repo_path 为 Hub 上的模板路径，格式为 owner/repo_name
返回值：对应的提示词模板对象
适用版本：langchain >= 0.1.0

from langchain import hub
prompt = hub.pull("langchain-ai/text-to-sql")

langsmith.Client.push_prompt

所属库：langsmith
方法签名：client.push_prompt(prompt_name: str, prompt: BasePromptTemplate, tags: Optional[List[str]] = None)
参数说明：
- prompt_name：提示词在 Hub 中的唯一名称
- prompt：提示词模板实例
- tags：可选，版本标签列表
返回值：无
适用版本：langsmith >= 0.1.0

from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate

client = Client()
prompt = ChatPromptTemplate.from_messages([("system", "你是助手"), ("human", "{q}")])
client.push_prompt("my-assistant", prompt=prompt, tags=["v1"])

langsmith.Client.pull_prompt

所属库：langsmith
方法签名：client.pull_prompt(prompt_name: str) -> BasePromptTemplate
参数说明：prompt_name 支持 name 或 name:version 格式，如 my-assistant:v1
返回值：提示词模板实例
适用版本：langsmith >= 0.1.0

from langsmith import Client
client = Client()
prompt = client.pull_prompt("my-assistant:v1")

参考文档

官方文档

参考链接

总结

本文系统梳理了 LangChain 提示词模板体系的完整知识图谱，涵盖基础模板（PromptTemplate、ChatPromptTemplate）、Few Shot 示例机制、三大动态示例选择器（LengthBasedExampleSelector、SemanticSimilarityExampleSelector、MaxMarginalRelevanceExampleSelector）、部分格式化（partial()）以及 LangSmith Hub 的工程化管理能力。

通过从 Hub 拉取社区模板、自定义推送、模型调用与版本迭代的端到端实践，展示了提示词从开发到运维的全生命周期管理方案。这些能力是构建生产级 AI Agent 的关键基础设施，提示词不再是一段静态文本，而是演进为一套可复用、可协作、可度量的软件资产。

收录于