LangChain 中 Prompt 模板

一、LangChain Prompt 模板概述

LangChain 提供了两种主要的提示模板类：

1. ChatPromptTemplate：用于构建多轮对话式提示（聊天格式）
2. PromptTemplate：用于构建简单的文本提示模板

两者都支持变量填充和参数化处理，但适用场景不同。

---

二、ChatPromptTemplate

🔹 功能简介

• 专为聊天机器人设计，遵循通用聊天消息格式（如 OpenAI API 格式）。
• 每条消息必须包含 role 和 content 字段。
• 支持多轮对话结构，适合复杂交互任务。

🔹 支持的角色类型（大小写敏感）

角色名	含义
"system"	系统指令或角色设定（如"你是一名物理老师"）
"human" 或 "user"	用户输入的消息
"ai" 或 "assistant"	模型生成的回答

注意：

• from_messages() 方法会自动映射别名：
  • "user" → "human"
  • "assistant" → "ai"

🔹 常用角色含义

• ai: LLM 返回的内容（模型输出）
• human: 人类用户的输入
• system: 系统级别的配置或角色定义

---

示例代码：创建聊天消息模板

from langchain_core.prompts import ChatPromptTemplate

# 创建一个多轮对话模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是一名物理老师，你正在教学{state}。"),
    ("human", "你好！"),
    ("ai", "好的，请问有什么我可以帮您解答的吗？"),
    ("human", "帮我解释一下{per_input}量子力学。")
])

# 只保留用户提问部分的简化版本
template_1 = ChatPromptTemplate.from_messages([
    ("system", "你是一名物理老师，你正在教学{state}。"),
    ("human", "帮我解释一下{per_input}量子力学。")
])

格式化模板内容

messages1 = template.format_messages(state="大学生", per_input="大学二年级")
print(f"messages1类型: {type(messages1)}")  # 输出: List[BaseMessage]
print(messages1)

print("*" * 100)

messages2 = template.format_prompt(state="大学生", per_input="大学二年级")
print(f"messages2类型: {type(messages2)}")  # 输出: PromptValue
print(messages2)

关键区别：format_messages() vs format_prompt()

方法	返回值	用途
format_messages()	List[BaseMessage]（如 SystemMessage, HumanMessage）	直接用于 LLM 输入
format_prompt()	PromptValue 对象	可通过 .to_messages() 转为消息列表，也可 .to_string() 得到纯文本

---

三、PromptTemplate

🔹 功能简介

• 适用于单次文本提示，不涉及对话历史。
• 支持变量插值 {variable}，可动态替换内容。
• 可显式声明变量，也可自动推断。

🔹 构造方式

方式1：显式声明变量

from langchain_core.prompts import PromptTemplate

prompt1 = PromptTemplate(
    template="你是物理{system_name}老师。解释一下什么是量子计算，你好{name}？请用json格式输出",
    input_variables=["system_name", "name"]  # 显式声明需要的变量
)

message1 = prompt1.format(system_name="高级", name="张三")
print(message1)

方式2：自动推断变量（推荐）

prompt2 = PromptTemplate.from_template(
    "你是物理{system_name}老师。解释一下什么是量子计算，你好{name}？请用json格式输出"
)

message2 = prompt2.format(system_name="高级", name="张三")
print(message2)

from_template() 自动从 {xxx} 中识别变量名，无需手动指定 input_variables。

---

🔹 示例汇总

示例1：带两个变量的提示

prompt = PromptTemplate(
    template="你是物理{system_name}老师。解释一下什么是量子计算，你好{name}？请用json格式输出",
    input_variables=["system_name", "name"]
)
message = prompt.format(system_name="高级", name="张三")
print(message)

示例2：无输入变量的提示

no_input_prompt = PromptTemplate(input_variables=[], template="给我讲个笑话。")
message = no_input_prompt.format()
print(message)

输出：给我讲个笑话。

示例3：一个输入变量

one_input_prompt = PromptTemplate(
    input_variables=["adjective"], 
    template="给我讲个{adjective}的笑话。"
)
message = one_input_prompt.format(adjective="把肚子笑痛")
print(message)

输出：给我讲个把肚子笑痛的笑话。

示例4：多个输入变量

multiple_input_prompt = PromptTemplate(
    input_variables=["adjective", "content"],
    template="给我讲一个{adjective}的关于{content}的笑话。"
)
message = multiple_input_prompt.format(adjective="有趣的", content="足球")
print(message)

输出：给我讲一个有趣的关于足球的笑话。

---

🔹 高级功能：partial() ------ 预填充变量

示例5：预填充部分变量

from langchain_core.prompts import PromptTemplate
import datetime

def get_datetime():
    now = datetime.datetime.now()
    return now.strftime("%m/%d/%Y, %H:%M:%S")

prompt = PromptTemplate(
    template="告诉我{city}在{year}年{date}的平均气温",
    input_variables=["city", "year", "date"]
)

# 完整调用
message1 = prompt.format(city="上海", year=2025, date=get_datetime())
print(message1)

print("*" * 100)

# 使用 partial 先填入部分变量
partial_prompt = prompt.partial(city="成都", date=get_datetime(), year="2025")
print(partial_prompt.format())  # 不需要再传参

print("\n" * 2)
print("原始变量:", prompt.input_variables)        # ['city', 'date', 'year']
print("partial后变量:", partial_prompt.input_variables)  # []

---

partial() 的优势：简化链式调用

chain = partial_prompt | llm
response = chain.invoke({})  # 空字典即可

解释：

• prompt 是"带空格的模板"
• partial_prompt 是"填好空格的成品"
• 使用 partial() 后，后续不再需要重复传递相同参数

---

总结对比表

特性	ChatPromptTemplate	PromptTemplate
用途	多轮对话、聊天场景	单次文本提示
必需字段	role, content	仅 template
支持角色	system / human / ai	无角色概念
输出形式	List[BaseMessage] 或 PromptValue	str 或 PromptValue
是否支持 partial()	支持	支持
推荐使用场景	对话系统、客服机器人	简单问答、指令生成

---

最佳实践建议

1. 选择合适的模板类型

   • 若有对话历史 → 使用 ChatPromptTemplate
   • 若是简单文本指令 → 使用 PromptTemplate

2. 优先使用 from_template()

   • 自动识别变量，减少出错

3. 善用 partial()

   • 减少重复参数输入，提升代码复用性

4. 注意角色大小写敏感

   • "Human" ❌，必须是 "human" ✅

5. 理解返回类型差异

   • format_messages() → 消息对象（适合 LLM 输入）
   • format_prompt() → PromptValue（灵活转换）