LangChain PromptTemplate提示词模板基础教程

最新推荐文章于 2025-11-24 18:29:32 发布

原创最新推荐文章于 2025-11-24 18:29:32 发布 · 497 阅读

10 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #人工智能 #prompt

一. 引言

在 AI 应用开发中，与大语言模型的交互不再是简单的单轮问答，而是涉及复杂的、结构化的提示词组装。提示词的质量直接影响大模型输出效果。LangChain作为构建LLM应用的核心框架，其提示词模板正是实现这一过程的基石。本文将带你如何使用LangChain来构建最基础的提示词模板。

二. 为什么要使用提示词模板

可复用性与一致性
模板一旦定义，就可以在应用的任何地方反复使用。这确保了传递给模型的指令格式是统一的，避免了因提示词微小的不一致而导致模型输出结果的波动，对于保证应用质量至关重要。
关注点分离与可维护性
开发者可以将精力集中在设计高质量的提示词结构上（静态部分），而将具体的内容（动态部分）交给业务逻辑来处理。当需要优化提示词时，只需修改一个模板文件，而无需在整个代码库中搜索和替换。
复杂提示词的模块化
对于包含系统消息、少样本示例、用户查询等复杂结构的提示词，模板能使其变得清晰、易管理。
集成与链式调用
这是LangChain的核心优势。提示词模板是LCEL链中的关键一环。它可以无缝地与大模型、输出解析器、工具等其他组件连接。

三. LangChain常用的提示词模板

3.1 PromptTemplate（字符串提示词模板）

特点：

支持通过占位符 { } 定义动态提示结构，将固定文本与动态参数分离。
通过format方法传入参数即可生成具体提示，避免硬编码，提升复用性。
支持动态模板语法，包括f-string和jinja2。

使用场景：

用于文本补全模型，输入是纯文本。
适用于简单的任务，例如生成一段文本、回答问题或执行指令。

示例：

"""
python版本：3.12.10
langchain版本：1.0

安装 uv python包管理工具
pip3 install uv

安装langchain库
uv add langchain

安装openai库
uv add langchain_openai

"""
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

# 创建LLM客户端
llm = ChatOpenAI(
    model="kimi-k2-0711-preview",  # 模型名称
    base_url="https://api.moonshot.cn/v1",  # 设置api端点
    api_key=SecretStr("your api key"),  # api密钥
    streaming=True  # 启用流式输出模式
)

# 创建基本模板
template = "你是一名{role},请使用{language}语言，{task_description}"
prompt_template = PromptTemplate(
    input_variables=["role", "language", "task_description"],
    template=template
)
# 动态填充变量生成提示词
formatted_prompt = prompt_template.format(
    role="资深程序员",
    language="python",
    task_description="写一个冒泡排序算法"
)

# 执行流式调用获取结果
resp = llm.stream(formatted_prompt)
for chunk in resp:
    print(chunk.content, end="")

输出：
在这里插入图片描述

3.2 ChatPromptTemplate（聊天提示词模板）

特点：

多角色支持，系统、用户、AI等多种消息类型。
维护历史对话，支持多轮对话场景。
支持模板保存和复用，减少重复编码。

使用场景：

用于聊天模型，输入是多轮对话的消息列表（SystemMessage、HumanMessage、AIMessage 等）。

示例：

from langchain_core.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

# 创建LLM客户端
llm = ChatOpenAI(
    model="kimi-k2-0711-preview",
    base_url="https://api.moonshot.cn/v1",
    api_key=SecretStr("your api key"),
    streaming=True
)

system_template = "你是一个精通{domain}的专家助手，用{style}风格回答"

# 构建系统角色消息模板
system_prompt = SystemMessagePromptTemplate.from_template(system_template)

human_template = "我的问题是：{question}"
# 构建用户消息模板
human_prompt = HumanMessagePromptTemplate.from_template(human_template)

# 构建聊天模型的提示模板
chat_prompt = ChatPromptTemplate.from_messages([system_prompt, human_prompt])

# 动态填充变量生成提示词
formatted_prompt = chat_prompt.format_messages(
    domain="人工智能",
    style="简洁严谨",
    question="解释Transformer架构的核心思想"
)
# 执行流式调用
resp = llm.stream(formatted_prompt)
for chunk in resp:
    print(chunk.content, end="")

输出：
在这里插入图片描述

3.3 FewShotPromptTemplate（少样本学习提示词模板）

特点：

通过提供少量样本显式指导语言模型理解任务规则和输出格式，避免因指令描述而产生歧义性。
支持ExampleSelector自动筛选与当前输入最相关的示例。
模块化组件设计，通过前缀prefix和后缀suffix等参数定义任务指令和输入占位符。

使用场景：

用于少量样本学习，通过列举的示例，帮助大模型理解任务。
适用于复杂任务，需要通过示例引导大模型行为。

示例：

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate, ChatPromptTemplate
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

llm = ChatOpenAI(
    model="kimi-k2-0711-preview",
    base_url="https://api.moonshot.cn/v1",
    api_key=SecretStr("your api key"),
    streaming=True
)
translation_examples = [
    {
        "english": "Hello, how have you been recently?",
        "chinese": "你好，最近你过得怎么样？"
    },
    {
        "english": "My ideal is to be a teacher.",
        "chinese": "我的理想是当一名教师。"
    },
    {
        "english": "What a hot day it is today.",
        "chinese": "今天的天气真热啊。"
    }
]

example_template = "输入：{input}\n输出：{output}"

examples = [
    {"input": "将'china'翻译成中文", "output": "中国"},
    {"input": "将'japan'翻译成中文", "output": "日本"}
]

# 构建FewShotPromptTemplate模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=PromptTemplate.from_template(example_template),
    prefix="请将以下英文翻译成中文：",
    suffix="输入: {text}\n输出：",
    input_variables=["text"]
)

# 动态填充变量生成提示词
prompt = few_shot_prompt.format(text="america")
print(prompt)
response = llm.stream(prompt)
for chunk in response:
    print(chunk.content, end="")