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

  1. 模板类 = 角色 + 字符串 + 变量占位符 {}
  2. from_template → 创建单角色模板
  3. from_messages → 创建多角色模板
  4. format / invoke → 填变量,得消息列表
  5. 用 for 循环即可批量生成不同参数的请求!
相关推荐
码事漫谈7 小时前
以后人人都可以成为导演
后端
Resean02237 小时前
Spring 源码分析(二)配置类的解析与扫描
java·后端·spring
一只爱撸猫的程序猿7 小时前
五周、两个开源仓库、九次拦截之后:AI 时代程序员缺的到底是什么
人工智能·后端·开源
北城笑笑9 小时前
Vue 110 ,若依SSE流式接口限次空500排查与解决
前端·javascript·vue.js·后端·vue
ServBay9 小时前
Local harness 将退役,VS Code 本地开发要不要搬到云端?
后端·ai编程·visual studio code
ashiho10 小时前
【LeetCode hot 100】3. 无重复字符的最长子串 (三种解法)
java·数据结构·后端·算法·leetcode·滑动窗口
张一凡9311 小时前
你的 AGENTS.md,真的管到模型写代码了吗?
前端·后端·agent
00后程序员11 小时前
iOS 实时活动怎么开发,Windows 上用 KXBuild 和 ActivityKit 写灵动岛
后端·ios
程序员cxuan11 小时前
推荐 10 个 WorkBuddy 中的邪修用法
人工智能·后端·程序员
Bacon11 小时前
给项目做一次"全身 CT":Agent Skills 生态里的代码体检全链路
前端·人工智能·后端