LangChain Model IO 提示词模版(Python版)

一、核心概念

1. 什么是 LangChain Model IO？

Model IO 是 LangChain 控制大模型输入输出的核心模块，包含三大能力：

1. 提示词模板（动态生成标准化提示词）
2. 模型调用（对接所有大模型）
3. 输出解析（把 AI 返回的文本转成结构化数据）

2. 什么是提示词模板？

将固定文案 + 动态变量 （用户问题、知识库、参数）分离，自动生成规范提示词的工具。✅ 告别字符串拼接✅ 统一提示词规范✅ 支持多角色、少样本、结构化输出✅ 是 RAG/Agent 的地基

---

二、环境准备

安装最新版 LangChain 核心依赖：

# 核心库
pip install langchain langchain-core
# 大模型（以OpenAI为例，兼容通义千问/文心一言/Ollama本地模型）
pip install langchain-openai

---

三、4 大核心提示词模板（企业级全覆盖）

LangChain 提示词模板全部基于 langchain_core.prompts，这是官方标准写法。

---

模板 1：基础字符串模板 PromptTemplate

适用场景

简单文本生成、无角色区分的基础任务，动态替换变量。

代码示例

from langchain_core.prompts import PromptTemplate

# 1. 定义模板：{question} 是动态占位符
template = PromptTemplate.from_template(
    "你是一个Java高级开发助手，请专业回答问题：{question}"
)

# 2. 传入参数，生成最终提示词
prompt = template.format(question="什么是Java虚拟机JVM？")
print(prompt)

输出

你是一个Java高级开发助手，请专业回答问题：什么是Java虚拟机JVM？

---

模板 2：对话模板 ChatPromptTemplate ✅【最常用、必学】

适用场景

所有聊天大模型（GPT、通义千问、Qwen、Ollama）支持标准三角色：

• system：系统提示（设定 AI 身份、规则）
• user：用户提问
• assistant：AI 历史回复（多轮对话）

代码示例（单轮对话）

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义对话模板（多角色组合）
prompt = ChatPromptTemplate.from_messages([
    # 系统角色：设定AI身份
    ("system", "你是一名Java高级工程师，只回答Java技术问题，简洁专业"),
    # 用户角色：动态参数
    ("user", "问题：{question}")
])

# 2. 对接大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", api_key="你的key", base_url="代理地址")

# 3. 组合：模板 → 模型（LangChain 链式调用）
chain = prompt | llm

# 4. 执行调用
response = chain.invoke({"question": "Java泛型的作用是什么？"})
print(response.content)

核心优势

✅ 标准化对话格式✅ 无缝适配所有聊天模型✅ 直接支持多轮对话

---

模板 3：少样本模板 FewShotPromptTemplate ✅【提升准确率】

适用场景

复杂任务：分类、信息提取、格式转换给 AI 提供示例，大幅减少幻觉，强制 AI 模仿输出格式。

代码示例

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 1. 定义示例（业务分类案例）
examples = [
    {"text": "SpringBoot", "category": "Java框架"},
    {"text": "MySQL", "category": "数据库"},
    {"text": "Redis", "category": "缓存中间件"}
]

# 2. 示例的格式化模板
example_prompt = PromptTemplate.from_template("文本：{text}，分类：{category}")

# 3. 构建少样本模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,        # 传入示例
    example_prompt=example_prompt,  # 示例格式
    suffix="请分类：{input}", # 后缀：用户真实问题
    input_variables=["input"] # 输入变量
)

# 生成提示词
prompt = few_shot_prompt.format(input="MyBatis")
print(prompt)

输出

文本：SpringBoot，分类：Java框架
文本：MySQL，分类：数据库
文本：Redis，分类：缓存中间件
请分类：MyBatis

---

模板 4：结构化输出模板 ✅【Java/Python 后端必备】

核心痛点

后端需要 AI 返回固定 JSON / 结构体 ，但大模型容易乱输出。LangChain 提供解析器 + 模板，强制 AI 返回标准格式。

代码示例（自动转 JSON / 对象）

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# 1. 定义输出结构（后端实体类）
class UserInfo(BaseModel):
    name: str = Field(description="姓名")
    age: int = Field(description="年龄")
    job: str = Field(description="职业")

# 2. 解析器
parser = JsonOutputParser(pydantic_object=UserInfo)

# 3. 模板（自动注入格式要求）
prompt = ChatPromptTemplate.from_messages([
    ("user", "从文本提取信息，按要求输出：{text}\n{format_instructions}")
]).partial(format_instructions=parser.get_format_instructions())

# 4. 组合链
llm = ChatOpenAI(api_key="xxx")
chain = prompt | llm | parser

# 5. 执行（直接返回Python对象）
result = chain.invoke({
    "text": "张三，28岁，Java高级开发工程师"
})

print(result)
# 输出：{'name': '张三', 'age': 28, 'job': 'Java高级开发工程师'}

---

四、高级实战：RAG 专用提示词模板

这是你学习 RAG 的核心模板！将检索到的知识库内容作为变量传入，让 AI 基于知识库回答。

from langchain_core.prompts import ChatPromptTemplate

# RAG 标准提示词模板（行业通用）
rag_prompt = ChatPromptTemplate.from_template("""
请根据以下知识库内容，回答用户的问题。
如果知识库中没有答案，请回答：未找到相关信息，不要编造。

知识库内容：
{context}

用户问题：{question}
""")

# 使用方式
prompt = rag_prompt.format(
    context="JVM是Java虚拟机，负责运行Java字节码...",
    question="什么是JVM？"
)
print(prompt)

---

五、LangChain 链式调用（终极用法）

Model IO 的终极形态：模板 → 模型 → 解析器 一键串联

# 标准链式写法（企业开发标配）
chain = prompt | llm | parser

一行代码完成：生成提示词 → 调用大模型 → 解析结构化结果

---

六、最佳实践（RAG/Agent 开发必看）

1. **优先用 ChatPromptTemplate**所有现代大模型都是聊天模型，99% 场景用它。
2. 结构化输出必加解析器后端开发杜绝手动解析 JSON，避免报错。
3. 少样本模板优化复杂任务分类、提取、格式化必用。
4. RAG 必须用上下文模板 把检索的 context 传入模板，解决大模型幻觉。
5. 提示词不硬编码放在配置文件，统一管理。

---

七、总结

核心模板速记

1. PromptTemplate：基础字符串替换
2. ChatPromptTemplate：✅ 企业首选，对话场景标配
3. FewShotPromptTemplate：✅ 少样本示例，提升准确率
4. Structured Output：✅ 后端必备，自动转结构化数据

核心作用

提示词模板 = 大模型的标准化接口