Prompt 提示词模板

提示词模板有助于将用户输入和参数转换为语言模型的指令。这可以用于指导模型的响应，帮助其理解上下文并生成相关且连贯的输出。

两种类型

类型	说明	适用场景
字符串提示词模板	格式化单个字符串	简单输入
聊天提示词模板	格式化消息列表	对话场景

PromptTemplate

用于简单文本提示，模板变量用 {} 包裹：

from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o-mini")

# 1. 定义模板
prompt = PromptTemplate.from_template(
    "为生产{product}的公司起5个好名字？"
)

# 2. 格式化变量
formatted = prompt.format(product="智能水杯")
print(formatted)  # 输出：为生产智能水杯的公司起5个好名字？

# 3. 调用模型
response = model.invoke(formatted)
print(response.content)

与 LLM 组成链

from langchain_core.prompts import PromptTemplate
from langchain_demo.my_llm import llm

# 所有的可执行对象都可以应用到 langchain 的 LCEL 中
# LCEL 中链接的就是一个个的 Runnable 对象
# 只要是通过 langchain 的代码得到的提示词模板，就是一个可执行对象
# Runnable 对象都可以通过 invoke 调用，Runnable 对象都可以放在 LCEL 的表达式语言中

prompt_template = PromptTemplate.from_template("帮我生成一个简短的，关于{topic}的报幕词。")

# 组成一个链（使用 | 运算符）
chain = prompt_template | llm

result = chain.invoke({"topic": "相声"})
print(result.content)
# 输出: '各位亲爱的观众朋友们，大家好！欢迎来到今天的相声晚会！...'

模板组合

# 提示词模板可以随意组合
prompts = (
    prompt_template
    + '要求：1、内容搞笑一点；'
    + '要求：2、输出的内容采用{language}'
)

chain2 = prompts | llm
result = chain2.invoke({"topic": "相声", "language": "en"})
# 输出英文相声报幕词

ChatPromptTemplate

用于聊天场景，支持多轮消息模板：

from langchain_core.prompts import ChatPromptTemplate

# 方式一：from_messages（推荐）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}专家。"),
    ("human", "{question}")
])

# 方式二：字符串模板
prompt = ChatPromptTemplate.from_template(
    "你是一个{role}专家，请回答：{question}"
)

# 调用
response = prompt.invoke({
    "role": "编程",
    "question": "什么是 Python？"
})

print(response.to_messages())

与 LLM 组成链

# 创建聊天提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个幽默的电视台主持人！"),
    ("user", "帮我生成一个简短的，关于{topic}的报幕词。")
])

chain = prompt_template | llm
result = chain.invoke({"topic": "相声"})
print(result.content)
# 输出: '各位观众朋友们，欢迎来到今晚的相声盛宴！...'

消息角色说明

角色	说明	用途
`system`	系统提示	设置 AI 行为
`human`	用户消息	用户输入
`ai`	AI 消息	指定 AI 回复
`tool`	工具消息	工具调用结果

MessagesPlaceholder 消息占位符

MessagesPlaceholder 负责在特定位置插入消息列表，常用于对话历史。

插入消息列表

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

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个电视台，高端访谈节目的主持人！"),
    MessagesPlaceholder("msgs")  # 消息占位符
])

result = prompt_template.invoke({"msgs": [HumanMessage(content="你好，主持人!")]})
print(result)
# 输出: messages=[SystemMessage(...), HumanMessage(content='你好，主持人!')]

典型 Agent 格式

prompt = ChatPromptTemplate.from_messages([
    ('system', '你是一个智能助手，尽可能的调用工具回答用户的问题'),
    MessagesPlaceholder(variable_name='chat_history', optional=True),  # 可选：对话历史
    ('human', '{input}'),  # 用户输入
    MessagesPlaceholder(variable_name='agent_scratchpad', optional=True),  # 可选：Agent 草稿板
])

组合使用

chain = prompt_template | llm

# 对话历史 + 当前问题
result = chain.invoke({
    "chat_history": [HumanMessage(content="你好")],
    "input": "今天天气怎么样？"
})

partial_variables 预填充变量

对于不变的部分，可以预先填充：

from langchain_core.prompts import PromptTemplate

# 定义模板
prompt = PromptTemplate.from_template(
    "你是{role}，请回答关于{topic}的问题。"
)

# 预填充 role
prompt_partial = prompt.partial(role="编程")

# 只需填充剩余变量
response = prompt_partial.invoke({"topic": "Python"})

In-Context Learning（ICL）

ICL 核心思想：通过提供少量示例作为上下文，让大模型直接从中学习并做出预测。

字符串形式的 ICL

使用 FewShotPromptTemplate，适合简单场景：

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_demo.my_llm import llm

# 步骤一：准备示例（展示推理过程）
examples = [
    {
        "question": "穆罕默德·阿里和艾伦·图灵谁活得更久？",
        "answer": """
是否需要后续问题：是。
后续问题：穆罕默德·阿里去世时多大？
中间答案：穆罕默德·阿里去世时74岁。
后续问题：艾伦·图灵去世时多大？
中间答案：艾伦·图灵去世时41岁。
所以最终答案是：穆罕默德·阿里
""",
    },
    {
        "question": "乔治·华盛顿的外祖父是谁？",
        "answer": """
是否需要后续问题：是。
后续问题：乔治·华盛顿的母亲是谁？
中间答案：乔治·华盛顿的母亲是玛丽·鲍尔·华盛顿。
后续问题：玛丽·鲍尔·华盛顿的父亲是谁？
中间答案：玛丽·鲍尔·华盛顿的父亲是约瑟夫·鲍尔。
所以最终答案是：约瑟夫·鲍尔
""",
    },
]

# 步骤二：创建单个示例的模板
base_template = PromptTemplate.from_template("问题：{question} \n {answer}")

# 步骤三：创建 FewShotPromptTemplate 实例
final_template = FewShotPromptTemplate(
    examples=examples,  # 传入示例列表
    example_prompt=base_template,  # 单个问题的提示词模板
    suffix='问题：{input}',  # 最后追加的问题模板
    input_variables=['input']  # 指定输入变量
)

# 步骤四：组成链
chain = final_template | llm
result = chain.invoke({'input': '巴伦 特朗普的父亲是谁？'})
print(result.content)
# 模型学会了通过中间问题推理的方式回答

聊天消息形式的 ICL

使用 FewShotChatMessagePromptTemplate，适合对话场景：

from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
    MessagesPlaceholder
)
from langchain_core.messages import HumanMessage
from langchain_demo.my_llm import llm

# 步骤一：准备示例（对话形式）
examples = [
    {'input': '2 🦜 2', 'output': '4'},
    {'input': '2 🦜 3', 'output': '5'},
]

# 步骤二：单个输入和 AI 回复的模板
example_prompt = ChatPromptTemplate.from_messages([
    ('human', '{input}'),
    ('ai', '{output}'),
])

# 步骤三：包含示例的模板
few_shot_template = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
)

# 步骤四：组合成最终的提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    ('system', '你是一个智能 AI 助手'),
    few_shot_template,  # 示例
    MessagesPlaceholder('msgs')  # 用户当前问题
])

# 步骤五：组成链
chain = prompt_template | llm

# 测试 ICL 推理（🦜 = 2 + x）
result = chain.invoke({'msgs': [HumanMessage(content='2 🦜 9 的结果是多少？')]})
print(result.content)
# 输出: '2 🦜 9 的结果是 11。'

管道组合

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o-mini")

prompt = ChatPromptTemplate.from_template(
    "用一句话解释{concept}。"
)

# 使用管道符组合
chain = prompt | model | StrOutputParser()

# 调用
result = chain.invoke({"concept": "机器学习"})
print(result)

LangChain Hub 模板库

从官方模板库拉取提示词：

from langchain import hub

# 获取热门提示词
prompt = hub.pull("rlb/rag-template")

# 查看内容
print(prompt.pretty_print())

完整代码汇总

# ========== 字符串提示词模板 ==========
from langchain_core.prompts import PromptTemplate
from langchain_demo.my_llm import llm

prompt_template = PromptTemplate.from_template("帮我生成一个简短的，关于{topic}的报幕词。")
chain = prompt_template | llm

# ========== 聊天提示词模板 ==========
from langchain_core.prompts import ChatPromptTemplate

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个幽默的电视台主持人！"),
    ("user", "帮我生成一个简短的，关于{topic}的报幕词。")
])
chain = prompt_template | llm

# ========== 消息占位符 ==========
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个电视台，高端访谈节目的主持人！"),
    MessagesPlaceholder("msgs")
])
result = prompt_template.invoke({"msgs": [HumanMessage(content="你好，主持人!")]})

# ========== ICL - 字符串形式 ==========
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate

examples = [...]  # 见上文
base_template = PromptTemplate.from_template("问题：{question} \n {answer}")
final_template = FewShotPromptTemplate(
    examples=examples,
    example_prompt=base_template,
    suffix='问题：{input}',
    input_variables=['input']
)
chain = final_template | llm

# ========== ICL - 聊天消息形式 ==========
from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
    MessagesPlaceholder
)

examples = [{'input': '2 🦜 2', 'output': '4'}, ...]
example_prompt = ChatPromptTemplate.from_messages([('human', '{input}'), ('ai', '{output}')])
few_shot_template = FewShotChatMessagePromptTemplate(examples=examples, example_prompt=example_prompt)
prompt_template = ChatPromptTemplate.from_messages([('system', '...'), few_shot_template, MessagesPlaceholder('msgs')])
chain = prompt_template | llm

要点速记

概念	关键点
`PromptTemplate`	字符串模板，`from_template()` 创建
`ChatPromptTemplate`	聊天模板，`from_messages()` 创建
`MessagesPlaceholder`	消息占位符，插入对话历史
`FewShotPromptTemplate`	字符串 ICL，传入 examples 列表
`FewShotChatMessagePromptTemplate`	聊天 ICL，对话形式示例
`partial_variables`	预填充不变部分
`\|` 运算符	组装 LCEL 链
`invoke()`	执行 Runnable 对象

核心技巧：提示词模板化 = 可复用 + 易测试 + 参数化

两种类型​

PromptTemplate​

与 LLM 组成链​

模板组合​

ChatPromptTemplate​

与 LLM 组成链​

消息角色说明​

MessagesPlaceholder 消息占位符​

插入消息列表​

典型 Agent 格式​

组合使用​

partial_variables 预填充变量​

In-Context Learning（ICL）​

字符串形式的 ICL​

聊天消息形式的 ICL​

管道组合​

LangChain Hub 模板库​

完整代码汇总​

要点速记​

两种类型

PromptTemplate

与 LLM 组成链

模板组合

ChatPromptTemplate

与 LLM 组成链

消息角色说明

MessagesPlaceholder 消息占位符

插入消息列表

典型 Agent 格式

组合使用

partial_variables 预填充变量

In-Context Learning（ICL）

字符串形式的 ICL

聊天消息形式的 ICL

管道组合

LangChain Hub 模板库

完整代码汇总

要点速记