006.LangChain Prompt Template

该教程旨在带大家从 0 起步，掌握用 Python 开发大模型应用的技能。若当前内容让你感到晦涩，可回溯本合集的前期文章，降低学习难度。

1. 为什么要用 Prompt Template？

手动拼字符串	Prompt Template
每次都要自己写一大段提示	模板 + 变量，一次写多次用
容易拼错、漏掉空格	结构清晰，可读可维护
难以批量跑不同参数	一个 for 循环就能批量生成

2. 安装与准备

复制代码

pip install langchain langchain-deepseek

3. 单条角色消息模板（System / Human / AI）

LangChain 为三种角色各提供独立模板类：

角色	模板类	format 后返回对象
system	`SystemMessagePromptTemplate`	`SystemMessage`
human	`HumanMessagePromptTemplate`	`HumanMessage`
ai	`AIMessagePromptTemplate`	`AIMessage`

3.1. 创建模板

python 复制代码

from langchain_core.prompts import SystemMessagePromptTemplate, HumanMessagePromptTemplate

# 系统消息模板
sys_tmpl = SystemMessagePromptTemplate.from_template(
    "你是一名专业的翻译人员。"
    "请将内容从 {input_lang} 翻译为 {output_lang}"
)

# 用户消息模板
human_tmpl = HumanMessagePromptTemplate.from_template("{text}")

3.2. 查看变量

python 复制代码

print(sys_tmpl.input_variables)
print(human_tmpl.input_variables)

3.3. 填充变量

python 复制代码

sys_msg = sys_tmpl.format(input_lang="Chinese", output_lang="French")
user_msg = human_tmpl.format(text="你好，世界！")

print(sys_msg)
print(user_msg)

3.4. 发给 DeepSeek 模型

python 复制代码

from langchain_deepseek import ChatDeepSeek

model = ChatDeepSeek(model="deepseek-chat", temperature=0)

response = model.invoke([sys_msg, user_msg])
print(response.content)

4. 批量翻译示例

python 复制代码

tasks = [
    {"input_lang": "Chinese", "output_lang": "French", "text": "你好，世界！"},
    {"input_lang": "Japanese", "output_lang": "German", "text": "こんにちは、地球"},
    {"input_lang": "English", "output_lang": "Spanish", "text": "Hello, Universe!"},
]

for t in tasks:
    msgs = [
        sys_tmpl.format(**t),
        human_tmpl.format(text=t["text"])
    ]
    print(model.invoke(msgs).content)

5. 一体化：ChatPromptTemplate

如果想一次性定义多条消息，可用 ChatPromptTemplate.from_messages。

python 复制代码

from langchain_core.prompts import ChatPromptTemplate

chat_tmpl = ChatPromptTemplate.from_messages([
    ("system", "你是一名专业的翻译人员。 请将内容从 {input_lang} 翻译为 {output_lang}"),
    ("human", "{text}"),
])

prompt_value = chat_tmpl.invoke({
    "input_lang": "Chinese",
    "output_lang": "French",
    "text": "你好，LangChain！"
})

# prompt_value 已包含所有变量被填充后的消息
response = llm.invoke(prompt_value.to_messages())
print(response.content)

6. 完整代码

python 复制代码

from langchain_core.prompts import SystemMessagePromptTemplate, HumanMessagePromptTemplate
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

# 系统消息模板
sys_tmpl = SystemMessagePromptTemplate.from_template(
    "你是一名专业的翻译人员。"
    "请将内容从 {input_lang} 翻译为 {output_lang}"
)

# 用户消息模板
human_tmpl = HumanMessagePromptTemplate.from_template("{text}")

# 查看变量
print(sys_tmpl.input_variables)
print(human_tmpl.input_variables)

# 填充变量
sys_msg = sys_tmpl.format(input_lang="Chinese", output_lang="French")
user_msg = human_tmpl.format(text="你好，世界！")

# 打印消息
print(sys_msg)
print(user_msg)

# 发送给Deepseek，默认会读取环境变量DEEPSEEK_API_KEY
model = ChatDeepSeek(model="deepseek-chat", temperature=0)

response = model.invoke([sys_msg, user_msg])
print(response.content)

# 批量翻译
tasks = [
    {"input_lang": "Chinese", "output_lang": "French", "text": "你好，世界！"},
    {"input_lang": "Japanese", "output_lang": "German", "text": "こんにちは、地球"},
    {"input_lang": "English", "output_lang": "Spanish", "text": "Hello, Universe!"},
]

for t in tasks:
    msgs = [
        sys_tmpl.format(**t),
        human_tmpl.format(text=t["text"])
    ]
    print(model.invoke(msgs).content)

# 一体化：ChatPromptTemplate
chat_tmpl = ChatPromptTemplate.from_messages([
    ("system", "你是一名专业的翻译人员。 请将内容从 {input_lang} 翻译为 {output_lang}"),
    ("human", "{text}"),
])

# prompt_value 已包含所有变量被填充后的消息
prompt_value = chat_tmpl.invoke({
    "input_lang": "Chinese",
    "output_lang": "French",
    "text": "你好，LangChain！"
})

response = model.invoke(prompt_value.to_messages())
print(response.content)

7. 小结

模板类 = 角色 + 字符串 + 变量占位符 {}
from_template → 创建单角色模板
from_messages → 创建多角色模板
format / invoke → 填变量，得消息列表
用 for 循环即可批量生成不同参数的请求！