在之前我们直接将字符串传给模型：
python
model.invoke("帮我写一首诗")这种写法叫做 Zero-shot（零样本）
提示。但在实际应用中，我们需要动态地替换提示词中的内容（比如用户的名字、查询的问题、文档的片段）。如果每次都手动拼接字符串（
"你好" + name + "..."），不仅代码难看，还容易出错（比如忘记空格、特殊字符转义等）。LangChain 提供了
PromptTemplate类，它就像 Python 的f-string或
format函数的增强版，专门用于管理提示词的结构和变量。本文将带你掌握两种使用
PromptTemplate的方式，并重点推荐基于 Chain 链的现代写法。
🛠️ 核心概念：什么是 PromptTemplate？
PromptTemplate 是一个模板引擎。它的作用是：
- 定义结构：预先写好提示词的固定部分（如："你是一个翻译助手，请将以下文本翻译成英文：{text}"）。
- 定义变量 ：用
{变量名}标记出需要动态填充的部分。 - 注入数据：在运行时，将具体的数据填入变量，生成最终的提示词。
💻 实战案例：给邻居宝宝起名字
我们要构建一个应用：用户输入姓氏和性别，AI 自动推荐一个符合该姓氏和性别的名字。
方式一：标准写法（手动格式化）
这是最直观的理解方式，适合初学者理解原理，但在复杂场景中不够优雅。
python
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
# 1. 定义模板
# 使用 {变量名} 作为占位符
prompt_template = PromptTemplate.from_template(
"我的邻居姓{lastname}，刚生了{gender}，你帮我起个名字，简单回答。"
)
# 2. 手动注入变量 (类似 python 的 .format)
# 这一步生成了一个普通的字符串
prompt_text = prompt_template.format(lastname="王", gender="儿子")
# 打印看看生成的提示词长什么样
# print(prompt_text)
# 输出: 我的邻居姓王，刚生了儿子，你帮我起个名字，简单回答。
# 3. 创建模型对象
model = Tongyi(model="qwen-max")
# 4. 调用模型
# 注意：这里传入的是已经格式化好的字符串 input=prompt_text
res = model.invoke(input=prompt_text)
print("👶 推荐名字：", res)缺点分析：
- 步骤繁琐 ：需要先
.format()生成字符串，再传给model.invoke()。 - 灵活性差：如果后续要加预处理或后处理逻辑，代码会变得很乱。
- 类型不安全 ：
.format()只是生成字符串，LangChain 无法检查变量是否匹配。
方式二：基于 Chain 链的写法（推荐 ⭐⭐⭐⭐⭐）
这是 LangChain 现代版本（LCEL, LangChain Expression Language）推荐的写法。它将"模板"和"模型"直接连接成一个链（Chain），实现了一站式调用。
python
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
# 1. 定义模板 (同上)
prompt_template = PromptTemplate.from_template(
"我的邻居姓{lastname}，刚生了{gender}，你帮我起个名字，简单回答。"
)
# 2. 创建模型对象
model = Tongyi(model="qwen-max")
# 3. 构建链 (关键步骤！)
# 使用 | 符号将 template 和 model 连接起来
# 意思是：先运行 template 填充变量 -> 再把结果传给 model 处理
chain = prompt_template | model
# 4. 调用链
# 直接传入一个字典，Key 对应模板中的变量名
res = chain.invoke(input={"lastname": "王", "gender": "儿子"})
print("👶 推荐名字：", res)
优势分析：
- 简洁高效 ：一行代码
chain = ... | ...完成组装，一行代码invoke完成执行。 - 语义清晰 ：
|符号形象地表示了数据流向（数据 -> 模板 -> 模型 -> 结果）。 - 易于扩展 ：如果以后想在模板和模型之间加一个"过滤步骤"，只需在中间再加一个
| 组件即可，无需修改调用逻辑。 - 统一接口 ：无论底层是 LLM、ChatModel 还是其他组件，
invoke的用法都是一致的。
🔍 深度解析：| 操作符的魅力
在 LangChain 中，| 被称为 Runnable Sequence（可运行序列）。
当你写下 chain = prompt_template | model 时，LangChain 并没有立即执行任何东西，它只是创建了一个执行计划。
当你调用 chain.invoke({...}) 时：
- LangChain 接收字典
{"lastname": "王", "gender": "儿子"}。 - 自动调用
prompt_template，将字典值填入{lastname}和{gender}，生成字符串。 - 自动将生成的字符串传递给
model.invoke()。 - 返回模型的最终结果。
这种声明式的编程风格，让构建复杂的 AI 工作流（如 RAG、Agent）变得像搭积木一样简单。
📝 常见变量命名规范
在 PromptTemplate 中，变量名可以随意取，但为了可读性，建议遵循以下习惯：
{query}或{question}：用户的提问。{context}：检索到的背景知识（RAG 场景常用）。{history}：聊天历史。{input}：通用输入。{topic},{style},{language}：控制生成风格的参数。
例如一个 RAG 的标准模板：
python
template = """
基于以下已知信息，简洁和专业地回答用户的问题。
如果无法从中得到答案，请说"根据已知信息无法回答该问题"。
已知信息：
{context}
问题：
{question}
"""
prompt = PromptTemplate.from_template(template)
chain = prompt | model
# 调用时：chain.invoke({"context": "...", "question": "..."})🚀 总结
本节课我们掌握了 LangChain 中管理提示词的核心工具：
- PromptTemplate：用于定义带变量的提示词结构，避免手动拼接字符串。
- 两种调用方式 ：
- 标准写法 ：
.format()+model.invoke()（适合理解原理）。 - 链式写法 ：
template | model+chain.invoke()（生产环境推荐）。
- 标准写法 ：
- LCEL 语法 ：理解了
|操作符如何将多个组件串联成一条流水线。
掌握 PromptTemplate 是构建高质量 AI 应用的基础。无论是简单的问答，还是复杂的 RAG 系统，都需要通过精心设计的模板来引导模型输出我们想要的结果。