Langchain Template 全面指南

前端小东2025-11-18 1:09

概述

LangChain Template 是 LangChain 提示工程的核心组件，用于动态生成模型的输入。

🎯 Template 的核心概念：

Template 本质是一个带有占位符 的文本字符串，这些占位符会在运行时被具体的值填充。它的主要目的是将提示逻辑 与业务数据分离。

模板分类

1. 🎯 基础模板类（Core Templates）

(1) PromptTemplate

最基础的文本模板

ini 复制代码 
from langchain.prompts import PromptTemplate

# 创建模板的两种方式
# 方式1: 使用 from_template (推荐)
template = PromptTemplate.from_template("请把{text}翻译成{language}")
result = template.format(text="Hello", language="中文")
print(result)  # 输出: "请把Hello翻译成中文"

# 方式2: 传统创建方式
template = PromptTemplate(
    input_variables=["text", "language"],
    template="请把{text}翻译成{language}"
)

# 实际应用示例
translation_template = PromptTemplate.from_template(
    "将以下{source_lang}文本翻译成{target_lang}：{text}"
)
translation_result = translation_template.format(
    source_lang="英文",
    target_lang="中文", 
    text="Hello, how are you?"
)

(2) ChatPromptTemplate

聊天消息模板（最常用）

ini 复制代码 
from langchain.prompts import ChatPromptTemplate

# 创建聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}"),
    ("human", "请回答：{question}")
])

# 格式化模板
messages = chat_prompt.format_messages(
    role="数学老师",
    question="什么是勾股定理？"
)

# 实际应用：客服机器人模板
customer_service_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{company}的客服代表，专门处理{department}问题"),
    ("human", "我遇到了一个问题：{issue_description}"),
    ("ai", "我很理解您的情况，让我来帮您解决。"),
    ("human", "具体的细节是：{details}")
])

2. 👥 消息模板类（Message Templates）

这些是 ChatPromptTemplate 的组成部分：

ini 复制代码 
from langchain.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    AIMessagePromptTemplate,
    FunctionMessagePromptTemplate
)

# 创建各种消息模板
system_template = SystemMessagePromptTemplate.from_template(
    "你是{role}，具有{expertise}专业知识"
)
human_template = HumanMessagePromptTemplate.from_template(
    "我的问题是：{question}"
)
ai_template = AIMessagePromptTemplate.from_template(
    "根据我的知识，{answer}"
)

# 组合使用
chat_prompt = ChatPromptTemplate.from_messages([
    system_template, 
    human_template,
    ai_template
])

# 完整示例：编程助手
programming_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "你是{language}编程专家，擅长{domain}开发"
    ),
    HumanMessagePromptTemplate.from_template(
        "请帮我解决这个编程问题：{problem}"
    ),
    AIMessagePromptTemplate.from_template(
        "我会按照以下思路解决：{approach}"
    ),
    HumanMessagePromptTemplate.from_template(
        "具体实现代码是？"
    )
])

3. 🎪 高级模板类（Advanced Templates）

(7) FewShotPromptTemplate

少样本学习模板

ini 复制代码 
from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 定义示例数据
examples = [
    {
        "input": "The weather is nice today", 
        "output": "今天天气很好"
    },
    {
        "input": "I love programming", 
        "output": "我喜欢编程"
    },
    {
        "input": "The meeting starts at 3 PM", 
        "output": "会议下午三点开始"
    }
]

# 定义单个示例的模板
example_template = PromptTemplate.from_template(
    "英文: {input}\n中文: {output}"
)

# 创建少样本提示模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    prefix="请根据以下示例将英文翻译成中文：",
    suffix="英文: {input}\n中文:",
    input_variables=["input"]
)

# 使用示例
result = few_shot_prompt.format(input="Thank you for your help")
print("=== 生成的提示 ===")
print(result)

# 实际应用：情感分析少样本模板
sentiment_examples = [
    {"text": "这个产品太棒了！", "sentiment": "正面"},
    {"text": "服务很差，很不满意", "sentiment": "负面"},
    {"text": "还可以，一般般", "sentiment": "中性"}
]

sentiment_template = FewShotPromptTemplate(
    examples=sentiment_examples,
    example_prompt=PromptTemplate.from_template(
        "文本: {text}\n情感: {sentiment}"
    ),
    prefix="分析以下文本的情感倾向：",
    suffix="文本: {text}\n情感:",
    input_variables=["text"]
)

(8) FewShotChatMessagePromptTemplate

聊天版的少样本模板

ini 复制代码 
from langchain.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate

# 定义聊天示例
chat_examples = [
    {
        "input": "今天的天气怎么样？",
        "output": "我无法获取实时天气信息，请查看天气预报应用。"
    },
    {
        "input": "现在几点了？",
        "output": "我无法获取当前时间，请查看您的设备时钟。"
    },
    {
        "input": "我的快递到哪里了？", 
        "output": "我无法查询物流信息，请使用快递公司的官方应用查询。"
    }
]

# 创建示例模板
example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}")
])

# 创建少样本聊天模板
few_shot_chat = FewShotChatMessagePromptTemplate(
    examples=chat_examples,
    example_prompt=example_prompt
)

# 组合到完整提示中
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的AI助手，请礼貌地回答用户问题。"),
    few_shot_chat,
    ("human", "{user_input}")
])

# 使用示例
messages = final_prompt.format_messages(
    user_input="我的银行余额是多少？"
)

4. 🧩 特殊用途模板

(9) MessagesPlaceholder

消息占位符（用于动态插入消息）

ini 复制代码 
from langchain.prompts import MessagesPlaceholder, ChatPromptTemplate

# 创建带消息占位符的模板
prompt_with_history = ChatPromptTemplate.from_messages([
    ("system", "你是专业的{expert_role}"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{current_question}")
])

# 模拟对话历史
chat_history = [
    {"role": "human", "content": "什么是Python？"},
    {"role": "ai", "content": "Python是一种编程语言。"}
]

# 格式化模板
messages = prompt_with_history.format_messages(
    expert_role="编程教师",
    chat_history=chat_history,
    current_question="Python有什么特点？"
)

# 实际应用：带记忆的对话系统
memory_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是{assistant_name}，具有以下特点：
    - 专业领域: {expertise}
    - 回答风格: {style}
    - 语言: {language}"""),
    
    MessagesPlaceholder(variable_name="conversation_history"),
    ("human", "{current_input}")
])

🔗 Template 关系图谱

scss 复制代码 
PromptTemplate (基类)
    │
    ├── ChatPromptTemplate (组合多个消息)
    │       ├── SystemMessagePromptTemplate
    │       ├── HumanMessagePromptTemplate  
    │       ├── AIMessagePromptTemplate
    │       └── FunctionMessagePromptTemplate
    │
    ├── FewShotPromptTemplate (包含example_prompt)
    │
    └── FewShotChatMessagePromptTemplate (专门用于聊天)

🎯 核心关系说明

关系1：包含关系

ini 复制代码 
# FewShotPromptTemplate 包含 PromptTemplate
examples = [
    {"input": "hello", "output": "你好"},
    {"input": "goodbye", "output": "再见"}
]

example_prompt = PromptTemplate.from_template(
    "输入: {input}\n输出: {output}"
)

few_shot_prompt = FewShotPromptTemplate(
    example_prompt=example_prompt,  # 包含关系
    examples=examples,
    prefix="翻译任务：",
    suffix="输入: {input}\n输出:",
    input_variables=["input"]
)

# ChatPromptTemplate 包含 MessagePromptTemplates
system_template = SystemMessagePromptTemplate.from_template("系统: {role}")
human_template = HumanMessagePromptTemplate.from_template("用户: {question}")

chat_prompt = ChatPromptTemplate.from_messages([
    system_template,    # 包含关系
    human_template      # 包含关系
])

关系2：组合关系

ini 复制代码 
from langchain.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate

# 创建少样本部分
few_shot_examples = [
    {"input": "如何学习编程？", "output": "建议从基础语法开始..."},
    {"input": "最好的编程语言？", "output": "这取决于你的目标..."}
]

few_shot_section = FewShotChatMessagePromptTemplate(
    example_prompt=ChatPromptTemplate.from_messages([
        ("human", "{input}"),
        ("ai", "{output}")
    ]),
    examples=few_shot_examples
)

# FewShotChatMessagePromptTemplate 作为 ChatPromptTemplate 的一部分
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{teacher_type}老师"),
    few_shot_section,  # 组合关系
    MessagesPlaceholder(variable_name="history"),  # 组合关系
    HumanMessagePromptTemplate.from_template("{current_input}")
])

# 使用组合模板
formatted_messages = final_prompt.format_messages(
    teacher_type="编程",
    history=[],
    current_input="如何调试代码？"
)

🛠️ 实际使用场景对比

场景1：简单文本生成 → PromptTemplate

ini 复制代码 
# 诗歌生成
poem_template = PromptTemplate.from_template("""
请以{style}风格写一首关于{topic}的诗。

要求：
- 意境: {mood}
- 长度: {length}
- 语言: {language}

诗歌：
""")

poem_prompt = poem_template.format(
    style="浪漫",
    topic="春天", 
    mood="欢快",
    length="八句",
    language="中文"
)

场景2：聊天对话 → ChatPromptTemplate + MessageTemplates

ini 复制代码 
# 专业咨询对话
system_msg = SystemMessagePromptTemplate.from_template("""
你是{profession}顾问，具有以下资质：
- 经验: {experience}
- 专长: {specialization} 
- 认证: {certifications}
""")

human_msg = HumanMessagePromptTemplate.from_template("""
我的咨询问题是：{question}

背景信息：
{context}
""")

chat_prompt = ChatPromptTemplate.from_messages([system_msg, human_msg])

# 使用示例
messages = chat_prompt.format_messages(
    profession="法律",
    experience="10年",
    specialization="合同法",
    certifications="律师执业证",
    question="合同违约如何处理？",
    context="甲方未按约定时间付款"
)

场景3：示例学习 → FewShotPromptTemplate

ini 复制代码 
# 代码生成少样本学习
code_examples = [
    {
        "requirement": "计算列表平均值",
        "code": "def calculate_average(numbers):\n    return sum(numbers) / len(numbers)"
    },
    {
        "requirement": "反转字符串", 
        "code": "def reverse_string(s):\n    return s[::-1]"
    }
]

code_template = FewShotPromptTemplate(
    examples=code_examples,
    example_prompt=PromptTemplate.from_template(
        "需求: {requirement}\n代码: {code}"
    ),
    prefix="请根据示例编写Python代码：",
    suffix="需求: {requirement}\n代码:",
    input_variables=["requirement"]
)

code_prompt = code_template.format(
    requirement="检查字符串是否是回文"
)

场景4：复杂聊天 + 示例 → 组合使用

ini 复制代码 
# 1. 创建少样本部分
few_shot_examples = [
    {
        "situation": "用户询问个人隐私信息",
        "response": "出于安全考虑，我无法访问或提供个人隐私信息。"
    },
    {
        "situation": "用户要求违法帮助", 
        "response": "抱歉，我无法提供任何违法或不道德行为的帮助。"
    }
]

few_shot_section = FewShotChatMessagePromptTemplate(
    example_prompt=ChatPromptTemplate.from_messages([
        ("human", "情境: {situation}"),
        ("ai", "回复: {response}")
    ]),
    examples=few_shot_examples
)

# 2. 创建完整聊天提示
final_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("""
    你是{assistant_name}，安全准则：
    - {safety_guidelines}
    - 始终遵守{regulations}
    """),
    
    few_shot_section,  # 包含少样本示例
    
    MessagesPlaceholder(variable_name="conversation_history"),  # 动态历史
    
    HumanMessagePromptTemplate.from_template("当前查询: {current_query}")
])

# 使用示例
messages = final_prompt.format_messages(
    assistant_name="安全助手",
    safety_guidelines="不分享个人信息，不提供违法建议",
    regulations="AI使用规范",
    conversation_history=[],
    current_query="你能告诉我别人的电话号码吗？"
)

📝 使用频率总结

Template 类型 用途 使用频率
PromptTemplate 基础文本模板 ⭐⭐⭐⭐
ChatPromptTemplate 聊天消息组合 ⭐⭐⭐⭐⭐
SystemMessagePromptTemplate 系统消息 ⭐⭐⭐⭐
HumanMessagePromptTemplate 用户消息 ⭐⭐⭐⭐
AIMessagePromptTemplate AI消息 ⭐⭐⭐
FewShotPromptTemplate 少样本学习 ⭐⭐⭐
FewShotChatMessagePromptTemplate 聊天少样本 ⭐⭐
MessagesPlaceholder 动态消息占位 ⭐⭐

总结

LangChain Template 提供了强大而灵活的提示工程能力：

  • 🎯 精准控制: 通过模板精确控制模型输入，确保提示的一致性
  • ♻️ 可复用性: 一次创建，多处使用，提高开发效率
  • 🔧 模块化: 像搭积木一样组合模板，支持复杂场景
  • 🛡️ 可靠性: 类型安全和错误检查，减少运行时错误
  • 🚀 高效开发: 加速 AI 应用开发流程，降低维护成本

掌握 LangChain Template 是构建高质量大模型应用的关键技能，它让提示工程从艺术走向工程化。

相关推荐
机器之心9 小时前
VinciCoder：多模态统一代码生成框架和视觉反馈强化学习，数据代码模型权重已开源
人工智能·openai
倔强的石头_10 小时前
https://blog.csdn.net/2302_78391795/article/details/154952565
openai·ai编程
机器之心10 小时前
首个完整开源的生成式推荐框架MiniOneRec，轻量复现工业级OneRec！
人工智能·openai
StringKai11 小时前
milvus+langchain实现RAG应用
langchain·milvus
uccs15 小时前
langchain创建智能体
aigc·openai·ai编程
王国强200916 小时前
Workflows vs Agents：如何选择你的 LLM 应用架构？
langchain
玲小珑17 小时前
LangChain.js 完全开发手册（十九）前端 AI 开发进阶技巧
前端·langchain·ai编程
Sailing18 小时前
🔥 大模型时代最讽刺的职业出现了：“大模型善后工程师”
前端·openai·ai编程
大模型真好玩18 小时前
LangChain1.0实战之多模态RAG系统（一）——多模态RAG系统核心架构及智能问答功能开发
人工智能·langchain·agent
热门推荐
01GitHub 镜像站点02UV安装并设置国内源03BongoCat - 跨平台键盘猫动画工具04安娜的档案(Anna’s Archive) 镜像网站/国内最新可访问入口（持续更新）05Linux下V2Ray安装配置指南06jdk21下载、安装（Windows、Linux、macOS）07智能库存管理的需求预测模型：从业务痛点到落地代码的完整实践08使用国内镜像网站在线下载安装Qt（解决官网慢的问题）——Qt09Labelme从安装到标注：零基础完整指南102025 最新教程：注册并切换到美区 Apple ID