Prompt 模板化设计（PromptTemplate）

day10 学习 Prompt 模板化设计（PromptTemplate）

一、为什么要做 Prompt 模板化？

如果你只偶尔在 ChatGPT 里手打一个问题，那不需要模板；

但一旦你要做的是："给一批数据都用同一类指令处理"，模板就变成刚需。典型场景：

1. 批量生成：

   1000 条商品文案

   大量日志/流量文本的自动标签

   成千上万条评论的情感分析 + 理由说明

2. 产品化：

   在一个系统里给用户提供"智能问答 / 文案助手 / 营销助手"等功能

   需要让 Prompt 变成"可维护的配置项"，而不是散落在代码里的长字符串

3. 实验调参：

   同一个任务，但你要不断尝试不同表达方式

   希望修改模板就能快速 A/B，避免动到一堆业务逻辑

一句话：模板化让 Prompt 具备了：可复用、可参数化、可版本化、可维护的工程属性。

---

二、PromptTemplate 的核心思想：把 Prompt 当函数

概念抽象：

PromptTemplate ≈ 一个函数
输入：若干参数（variables）
输出：一个完整的 Prompt 字符串

形式上一般类似：

模板内容：  
你是一个{role}。  
现在有一段文本：{text}  
请将其分类为以下几类之一：{labels}。  
最终只输出类别名称，不要解释。

• 参数：role, text, labels

调用时：

role   = "资深安全分析专家"
text   = "来自 PLC 的 Modbus 写寄存器操作，频率突然升高。"
labels = "正常业务流量, 可疑扫描行为, 高危入侵行为"

template.format(role=role, text=text, labels=labels)

得到最终 Prompt：

你是一个资深安全分析专家。
现在有一段文本：来自 PLC 的 Modbus 写寄存器操作，频率突然升高。
请将其分类为以下几类之一：正常业务流量, 可疑扫描行为, 高危入侵行为。
最终只输出类别名称，不要解释。

注意几点关键要素：

• 固定部分：任务角色说明 + 输出格式要求

• 参数部分：动态插入的具体数据（如一条日志、一段对话、一组候选标签）

• 结构清晰：段落清楚地划分角色、输入、要求、输出格式

• 易于复用：只改参数即可重复使用同一逻辑

---

三、几种典型的 Prompt 模板结构

1. "Role + Task + Input + Output" 四段式

这是最常用、也最清晰的一种结构：

[角色 / 背景 Role]
你现在是一名{role}。

[任务说明 Task]
你的任务是：{task_description}

[输入 Input]
下面是需要处理的内容：
{input}

[输出要求 Output Format]
请根据上述内容，输出：
{output_requirements}

参数示例：

• role：资深工控安全专家 / 文案策划 / 教学设计专家

• task_description：对工控日志进行场景分类；编写推广文案；为学生讲解 Transformer

• input：日志内容 / 商品信息 / 学生问题

• output_requirements：输出 JSON；输出 markdown 表格；只输出类别名称等

2. "Few-shot 示例驱动"模板

在模板中内嵌几条示例（Example）：

你是一名{role}，负责将文本划分到给定的场景类别中。

可选类别：
{labels}

下面是一些示例：
[示例1]
文本：{example_text_1}
类别：{example_label_1}

[示例2]
文本：{example_text_2}
类别：{example_label_2}

现在，请对下面的文本进行分类：
文本：{input_text}

只输出一个类别名称。

这里模板整体是固定的，参数包括：

• 角色说明 role

• 类别集合 labels

• 若干示例 example_text_x / example_label_x

• 当前输入 input_text

这种模板的优势：对模型的"意图对齐"更强，适合类别复杂或者容易混淆的任务。

---

3. "分步思考 + 结构化输出"模板

对于复杂任务，可以让模型"先思考，再总结"，但最后仍然要求结构化输出，方便程序解析：

你是一名{role}。

任务：分析以下内容，并完成三步：
1. 用简短的自然语言总结它在说什么。
2. 判断它属于以下哪一类：{labels}
3. 给出 1~5 的风险评分。

请严格按照下面 JSON 格式返回（不要添加其他内容）：
{
  "summary": "...",
  "label": "...",
  "risk_score": ...
}

待分析内容：
{text}

这里模板化的点在于：

• 把"思考步骤"写进 Prompt

• 同时强制输出合法 JSON，方便程序直接 json.loads() 解析

---

四、在 LangChain 中的 PromptTemplate（一个比较正规/工程化的例子）

用 Python + LangChain 写一个标准 PromptTemplate，大致如下：

from langchain.prompts import PromptTemplate

template_str = """
你是一名资深工控安全分析专家。

你的任务：
- 根据给定的工业控制流量描述，对其业务场景进行分类。

可选场景类别：
{labels}

请按照以下步骤思考：
1. 简要复述该流量可能对应的业务操作。
2. 判断它最可能属于哪个场景类别。

最终只输出一个场景名称（必须是上述候选之一），不要输出其他文字。

待分析内容：
{text}
"""

prompt = PromptTemplate(
    input_variables=["labels", "text"],
    template=template_str,
)

然后在实际调用时：

labels = "正常生产控制, 设备调试, 远程维护, 疑似攻击流量"
text = "PLC 在凌晨 3 点接受到来自非常用工程站的程序写入请求。"

filled_prompt = prompt.format(labels=labels, text=text)
print(filled_prompt)

如果再配合一个 LLM（如 OpenAI / 本地模型）：

from langchain_openai import ChatOpenAI  # 示例
from langchain.chains import LLMChain

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

chain = LLMChain(llm=llm, prompt=prompt)

result = chain.run(labels=labels, text=text)
print("模型输出场景：", result)

这里的要点是：

• PromptTemplate 专注于 Prompt 构造

• LLM 只负责"接收字符串 → 输出字符串"

• 你的业务逻辑调用的是"链（LLMChain）"，而不是混杂的字符串拼接

---

五、工程实践层面的 Prompt 模板化设计要点

我给你一套"审查/设计 Prompt 模板"的 checklist，可以直接套在你自己的任务上。

1. 明确"输入/输出边界"

• 模板里要清楚写明：给你的输入是什么？

• 也要写清楚：你必须输出成什么格式？

如果输出要被程序解析：

• 尽量要求：

  • JSON
  • CSV（少见）
  • Markdown 表格
  • 一行一个 label

示例：

请严格按照如下 JSON 格式输出（不要添加注释、不要添加多余文字）：
{
  "label": "从 {labels} 中选择一个",
  "confidence": "0~1 之间的小数"
}

2. 尽量不要把"业务逻辑"写死在 Prompt 文本里

例如，不要写：

候选场景：正常业务流量, 扫描行为, 入侵行为

而写成：

候选场景：{labels}

这样，当你新增类别或改名，只需要改配置/数据库，而不用改代码里的长字符串。

3. 对多语言 / 多区域做抽象

你可以设计多语言模板，例如：

你是一名{role_zh} / You are a {role_en}.
...

当前语言：{lang}
...

然后在参数中传不同语言版本，很容易做国际化。

4. 把"风格/语气"也当作参数

例如：

请用{tone}的语气撰写输出，目标读者是{audience}。

参数：

• tone：严谨学术 / 口语化 / 营销风 / 老师讲解

• audience：安全工程师 / 初学者 / 管理层

这样一个模板可以覆盖很多场景，而不需要复制粘贴多个类似 Prompt。

5. 给模板版本号（非常工程向的建议）

在复杂系统里，你可以直接在模板顶部加一行：

# PROMPT_VERSION: v1.3

这样：

• 出现问题可以回溯：某次上线是不是换了 Prompt 版本？

• A/B 实验时也方便标记：模型输出可带上 Prompt 版本号用于分析

六、一个从 0 到 1 的完整小示例（不依赖 LangChain，只用 Python）

我们写一个最小可用的 PromptTemplate 类，自己感受一下原理：

from dataclasses import dataclass
from typing import List, Dict

@dataclass
class PromptTemplate:
    template: str
    input_variables: List[str]

    def format(self, **kwargs) -> str:
        # 简单校验：检查参数是否齐全
        missing = [v for v in self.input_variables if v not in kwargs]
        if missing:
            raise ValueError(f"Missing variables for template: {missing}")
        return self.template.format(**kwargs)


# 定义模板
template_str = """
你是一名{role}。

任务：
- 阅读下面的文本，并从以下标签中选择一个最合适的类别：
{labels}

要求：
1. 先在心里推理原因，但不要写出来。
   2. 最终只输出一个标签名称。

文本内容：
{text}
"""

prompt = PromptTemplate(
    template=template_str,
    input_variables=["role", "labels", "text"],
)

# 使用模板
filled = prompt.format(
    role="资深工控安全分析专家",
    labels="正常业务流量, 设备维护, 故障诊断, 可疑攻击行为",
    text="在非生产时间段出现大量来自外部 IP 的写寄存器指令。",
)

print(filled)

接下来你只需要把 filled 丢给任意一个 LLM API（OpenAI、Azure、本地模型）即可。

七、如何把这件事逐步用在你的项目里？

如果你已经在做：

• 日志/流量 → 场景分类

• 文本 → 标签/摘要/说明

• 用户输入 → 智能回复

你可以按下面顺序来落地 Prompt 模板化：

• 先把现在"写死在代码里的 Prompt"抽出来，变成一个带 {变量} 的大字符串

• 用类似 PromptTemplate 的类包一层，确保：

  • 参数列表清晰

  • 缺参数时会报错，而不是 silent fail

• 再做进一步升级：

  • 把模板放入配置文件 / 数据库

  • 加上版本号

  • 对不同任务 / 场景统一管理