大模型应用开发(九)_LangChain提示词模板

4. 提示词模板LangChain

提示词工程的基石：LangChain 提示词模板的艺术与实践

在 LLM 应用开发中，提示词（Prompt）是核心。但如果直接将提示词硬编码在代码中，会导致代码混乱、难以维护、不易优化。

LangChain 的解决方案： LangChain 的 PromptTemplate 模块提供了一套标准、动态、可复用的机制，将提示词工程从业务逻辑中解耦出来，使开发者能像管理配置文件一样管理和迭代提示词。

4.1 PromptTemplate 的本质

提示词模板是 LangChain 对提示词工程的抽象化 和结构化。

定义： PromptTemplate 本质上是一个包含变量和固定文本的字符串。它允许您将静态的指令、角色定义、以及格式要求与动态的用户输入（或中间结果）完美地结合起来。
作用： 它是 LLM 应用中连接数据和模型的桥梁，确保每次对 LLM 的调用都能接收到格式正确且上下文丰富的输入。

4.2 LangChain 模板的优势

优势点	详细描述	实际价值
可复用性 (Reusability)	一旦定义了模板，就可以在应用的不同部分，甚至不同的 Chain 中重复使用。	提升开发效率，确保提示词风格和要求的一致性。
动态输入 (Dynamic Inputs)	模板允许运行时注入变量，例如用户的提问、检索到的文档片段、或对话历史等。	使提示词能根据实时数据变化，实现上下文感知的交互。
工程化管理 (Engineering)	将提示词从 Python/JavaScript 代码中分离出来，便于版本控制、审计和A/B测试。	将提示词工程（Prompt Engineering）变成一个可管理的软件资产。
类型抽象 (Abstraction)	LangChain 提供多种模板类型（如 `PromptTemplate`、`ChatPromptTemplate`），以适应不同模型类型（文本模型 vs. 聊天模型）。	开发者无需关心底层模型如何区分"系统指令"、"用户消息"和"助手回复"。

4.3 提示模板类型

序号	提示模板类型	含义 / 功能 / 用途	关键参数 / 特点	备注 / 在官方文档中的定位 / 限制
1	PromptTemplate	最基础的字符串模板。用于将若干输入参数填入模板中，生成一条完整的 prompt 字符串	`template`（模板字符串）、`input_variables`、`partial_variables`、`template_format`（如 f-string、jinja2、mustache） LangChain+2LangChain+2	在官方 API 参考中有清晰定义。可用 `PromptTemplate.from_template(...)` 构造。 LangChain
2	ChatPromptTemplate	用于构建对话／聊天风格的提示，由多条消息 (system / human / ai) 组成	通常由若干消息模板组成，如 `SystemMessagePromptTemplate`、`HumanMessagePromptTemplate` 等；接收 input variables 用于格式化各条消息 LangChain+2python.langchain.com.cn+2	在 LangChain 的 "Prompt Templates" 概念页有说明：ChatPromptTemplate 用来格式化一系列消息以交给聊天模型。 LangChain
3	FewShotPromptTemplate	在 prompt 中插入若干示例 (few-shot examples) 来"教"模型如何回答	`example_prompt`（单个示例模板）、`examples` 或 `example_selector`、`prefix`、`suffix`、`example_separator`、`input_variables` 等 LangChain+2python.langchain.com.cn+2	在官方 API Reference 有定义 FewShotPromptTemplate。 LangChain
4	PipelinePrompt / PipelinePromptTemplate	用于把多个子提示模板按顺序组合起来，最终生成一个整体 prompt	`final_prompt`（最终模板），`pipeline_prompts`（一个由 (name, 子模板) 组成的列表） python.langchain.com.cn+1	在 LangChain 中文组合文档中称为 PipelinePrompt（或 PipelinePromptTemplate），用于重用、组合提示模板。 python.langchain.com.cn
5	自定义模板	用户可以继承现有模板类（如继承 `StringPromptTemplate`、`BaseChatPromptTemplate` 等）来自定义自己的逻辑	通常要实现模板渲染逻辑（`format`/`invoke` 等方法）、变量管理、可能自定义流程	在 LangChain 官方文档中虽不一定有专门一节叫 "自定义模板"，但在 "Prompt 组合 / 扩展" 相关章节有提及；在中文翻译或社区资料中，也有 "自定义模板" 的说法。知乎专栏+2千帆大模型平台+2

4.4 代码应用示例

4.4.1 客服助手

这段代码演示了如何使用 LangChain 框架构建一个基于 OpenAI 聊天模型 的客服助手，并清晰地展示了 ChatPromptTemplate 的工程化使用流程。

具体代码如下

复制代码

from langchain_openai import ChatOpenAI
from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate
)

# 定义模型
llm = ChatOpenAI(model_name="gpt-4o-mini")

# 定义 Prompt 模板
template = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是 {product} 的客服助手，你的名字叫 {name}"),
    HumanMessagePromptTemplate.from_template("{query}")
])

# 格式化 Prompt
prompt = template.format_messages(
    product="智能家居",
    name="小傻子",
    query="你是谁?"
)

# 打印 Prompt
print(prompt)

# 调用模型
response = llm.invoke(prompt)

# # 打印结果
# print(response)
print(response.content)

4.4.2 多语言翻译专家

这段代码使用 LangChain 框架，构建了一个复杂的动态、多任务翻译工作流。它通过提示词模板（Prompt Templates）将 LLM 打造成一个"多语言翻译专家"，能够根据每次请求的不同参数（输入语言、输出语言、翻译风格）动态地生成提示词，并循环执行多个定制化的翻译任务。

具体代码如下

复制代码

from langchain.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
from langchain_openai import ChatOpenAI

# 定义 System 提示模板
system_template_text = (
    "你是一位多语言超译专家，能够将 {input_language} 翻译成 {output_language}，"
    "并根据用户指定的风格 {style} 输出自然流畅、符合语境的译文。"
)
system_prompt_template = SystemMessagePromptTemplate.from_template(system_template_text)

# 定义 Human 提示模板
human_template_text = "原文内容：{text}"
human_prompt_template = HumanMessagePromptTemplate.from_template(human_template_text)

# 定义模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 多组输入
requests = [
    {
        "input_language": "英语",
        "output_language": "汉语",
        "text": "I'm so hungry I could eat a horse",
        "style": "文言文"
    },
    {
        "input_language": "法语",
        "output_language": "英语",
        "text": "Je suis désolé pour ce que tu as fait",
        "style": "古英语"
    },
    {
        "input_language": "俄语",
        "output_language": "意大利语",
        "text": "Сегодня отличная погода",  # 正确俄语写法
        "style": "网络用语"
    },
    {
        "input_language": "韩语",
        "output_language": "日语",
        "text": "오늘은 정말 좋은 날이에요",  # 韩语：今天真是好日子
        "style": "俚语"
    }
]

# 循环执行每个请求
results = []
for req in requests:
    system_prompt = system_prompt_template.format(
        input_language=req["input_language"],
        output_language=req["output_language"],
        style=req["style"]
    )
    human_prompt = human_prompt_template.format(text=req["text"])

    response = llm.invoke([system_prompt, human_prompt])
    results.append({
        "输入语言": req["input_language"],
        "输出语言": req["output_language"],
        "风格": req["style"],
        "原文": req["text"],
        "译文": response.content.strip()
    })

# 输出结果
print("\\n===== 翻译结果 =====")
for r in results:
    print(f"\\n {r['输入语言']}  {r['输出语言']} （风格：{r['风格']}）")
    print(f"原文：{r['原文']}")
    print(f"译文：{r['译文']}")