第四章:大模型（LLM)】06.langchain原理-(3)LangChain Prompt 用法

第四章：大模型（LLM）

第六部分：LangChain 原理

第三节：LangChain Prompt 用法

Prompt 在 LangChain 中处于核心地位。它决定了模型接收的上下文和指令，从而直接影响输出质量。LangChain 针对 Prompt 做了高度抽象和封装，主要包含以下几个方面：

1. Prompt 的基本概念

Prompt：输入给 LLM 的文本（可能包含占位符、上下文、指令等）。
PromptTemplate ：LangChain 对 Prompt 的抽象，用来支持动态插值 与可复用模板。
MessagePromptTemplate：用于多轮对话，支持 System / Human / AI 多角色消息。
ChatPromptTemplate：封装一组消息模板，便于和聊天模型结合。

2. PromptTemplate 使用

python 复制代码

from langchain.prompts import PromptTemplate

template = "请用一句话总结以下内容：{text}"
prompt = PromptTemplate(
    input_variables=["text"],
    template=template,
)

# 渲染
final_prompt = prompt.format(text="LangChain 是一个用于构建大模型应用的框架。")
print(final_prompt)
# 输出: 请用一句话总结以下内容：LangChain 是一个用于构建大模型应用的框架。

特点：

模板中使用 {变量名} 作为占位符。
input_variables 定义可替换的变量。

3. ChatPromptTemplate（对话型提示）

python 复制代码

from langchain.prompts import ChatPromptTemplate

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的助手。"),
    ("human", "请将以下内容翻译成英文：{text}")
])

final_prompt = chat_prompt.format_messages(text="你好，世界！")
print(final_prompt)

输出是多条消息，适配聊天模型（如 OpenAI ChatCompletion）。

4. Few-shot Prompt（小样本提示）

python 复制代码

from langchain.prompts import FewShotPromptTemplate

examples = [
    {"question": "2+2等于几？", "answer": "4"},
    {"question": "3+5等于几？", "answer": "8"},
]

example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template="Q: {question}\nA: {answer}"
)

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="Q: {input}\nA:",
    input_variables=["input"],
)

print(few_shot_prompt.format(input="10+15等于几？"))

通过示例引导模型学习回答模式。

5. Prompt 的链式组合

Prompt 可以和 Chain 、Memory 结合：

Chain + Prompt：先动态生成 Prompt，再传给 LLM。
Memory + Prompt：记忆组件自动填充 Prompt 的历史对话部分。

6. 实战技巧

少即是多：Prompt 过长可能导致 LLM 迷失重点。
角色扮演：在 Prompt 中设置 AI 的身份，可改善回答风格。
输出约束：通过 JSON Schema、格式提示，提高结果可解析性。
动态拼接：结合外部数据源动态注入 Prompt。

7. 小结

LangChain 的 Prompt 系统提供了 灵活可重用的模板机制。
从 PromptTemplate 到 ChatPromptTemplate，再到 FewShotPromptTemplate，逐步增强了 Prompt 的表达能力。
配合 Chain / Memory，可以实现高度自动化的 Prompt 生成。