【LangChain】提示词模版

为什么要提示词模版呢？就是为了能够复用，举个例子：比如现在有一个要求，

复制代码

把用户传入的数据，从{language_from}翻译为{language_to}

，我们定义好提示词，只需要传这两个变量即可。定义好模版，我们就可以通过仅仅传入变量来实例化模版

提示词模板就是⼀个可复用的提示词蓝图，它允许我们动态地生成提示词，而不是每次都手动编写完整的提示词。它类似于编程中的字符串格式化功能。你创建⼀个带有"占位符"的模板，然后在运行时，用具体的值（变量）填充这些占位符，从而生成⼀个最终发送给 LLM 的完整提示词

提示词模板解决了以下几个核心问题：

可复用性：只需定义⼀个模板，就可以用于⽆数个类似的查询

结构性：将提示词的结构和逻辑（⼯程）与具体的内容和数据分离开。提示工程师可以专注于

优化模板，而应用程序则负责提供变量值。

⼀致性：确保发送给LLM的提示词结构统⼀，这有助于获得更稳定、可预测的输出结果。

可维护性：如果需要修改提示词的风格或结构，只需修改⼀个模板⽂件，而不用在代码的无数个地方进行修改

LangChain 提供了 PromptTemplate 类来轻松实现这⼀功能。 PromptTemplate 实现了标准的 Runnable 接口

举个例子：

python 复制代码

model = ChatOpenAI(model="deepseek-chat",
                   api_key=os.environ.get("DEEPSEEK_API_KEY"),
                   openai_api_base="https://api.deepseek.com/v1")

# 方式一:使用from_template
# prompt_template = PromptTemplate.from_template("把用户传入的数据，从{language_from}翻译为{language_to}")

# 方式2，直接构造
prompt_template = PromptTemplate(input_variables=["language_from", "language_to", "text"],
                                 template="把用户传入{text}，从{language_from}翻译为{language_to}")

chain = prompt_template | model
# messages = [
#     HumanMessage("我是一个人在战斗！"),
# ]
chain.invoke({
    "language_from": "中文",
    "language_to": "英文",
    "text": "我是一个人在战斗！"
}).pretty_print()

提示词有很多模版，我们再来看一个很常用的

聊天消息模板

ChatPromptTemplate 模板：专为 LangChain 聊天模型设计。可以方便地构建包含 SystemMessage 、 HumanMessage 、 AIMessage 的消息模板。

python 复制代码

# ChatPromptTemplate
template = ChatPromptTemplate(
    [
        ("system", "You are a helpful AI bot. Your name is {name}."),
        ("human", "Hello, how are you doing?"),
        ("ai", "I'm doing well, thanks!"),
        ("human", "{user_input}"),
    ]
)

print(template.invoke({
    "name": "xiaoming",
    "user_input": "what is your name?"
}))

消息占位符

在上⾯的 ChatPromptTemplate 中，我们看到了如何格式化两条消息，每条消息都是⼀个字符串。但如果我们希望将消息插⼊特定位置怎么办？使用 MessagesPlaceholder 。MessagesPlaceholder 负责在特定位置添加消息列表。

python 复制代码

template = ChatPromptTemplate(
    [
        ("system", "You are a helpful AI bot. Your name is {name}."),
        ("human", "Hello, how are you doing?"),
        MessagesPlaceholder("msgs"),
        ("ai", "I'm doing well, thanks!"),
        ("human", "{user_input}"),
    ]
)

# print(template.invoke({
#     "name": "xiaoming",
#     "user_input": "what is your name?"
# }))

messages_to_pass = [
    HumanMessage(content="中国⾸都是哪⾥?"),
    AIMessage(content="中国⾸都是北京。"),
    HumanMessage(content="那法国呢?")
]

print(template.invoke({
    "name": "xiaoming",
    "user_input": "what is your name?",
    "msgs": messages_to_pass
}))

或者这样写也可以：

python 复制代码

template = ChatPromptTemplate(
    [
        ("system", "You are a helpful AI bot. Your name is {name}."),
        ("human", "Hello, how are you doing?"),
        ("placeholder", "{msgs}"),
        ("ai", "I'm doing well, thanks!"),
        ("human", "{user_input}"),
    ]
)

最后调用一下链：

python 复制代码

chain = template | model

这里给小伙伴们推荐一个提示词平台，随着 LLM 的发展，示词变得越来越重要。LangChain 正在打造⼀个与像 GitHub 这样的传统平台， GitHub长期以来⼀直是共享和协作代码的⾸选平台。于是推出了 LangChain Hub 平台。

比如调用一下最火的能够给我们写提示词的模版工具(hardkothari/prompt-maker)，我们只需要简单告诉他我们的任务和一些关键性提示词，就能帮我们写出一份合理的系统提示词：

python 复制代码

# Create a LangSmith API in Settings > API Keys
# Make sure API key env var is set:
# import os; os.environ["LANGSMITH_API_KEY"] = "<your-api-key>"
import os

from langchain_openai import ChatOpenAI
from langsmith import Client

client = Client()
prompt = client.pull_prompt("hardkothari/prompt-maker")
# 定义模型
model = ChatOpenAI(model="deepseek-chat",
                   api_key=os.environ.get("DEEPSEEK_API_KEY"),
                   openai_api_base="https://api.deepseek.com/v1")
# 定义链
chain = prompt | model
while True:
    task = input("\n你的任务是什么？（输⼊ quit 退出聊天）\n")
    if task == 'quit':
        break
    lazy_prompt = input("\n你当前的提⽰是什么？（输⼊ quit 退出聊天）\n")
    if lazy_prompt == 'quit':
        break
    print("\n Response:")
    chain.invoke({'lazy_prompt': lazy_prompt, 'task': task}).pretty_print()

所以，有了ChatPromptTemplate，我们就无需再在Message中定义了，直接在ChatPromptTemplate定义系统提示词，用户提示词...