PromptTemplate类解读

按 关键参数、方法接口、适用边界、中文场景优化、核心方法使用 这 5 个角度，系统介绍 LangChain 的 PromptTemplate 官方类 。(LangChain 参考文档)

1. 先说结论：`PromptTemplate` 是什么

PromptTemplate 本质上是一个"字符串提示词模板类 "。你先定义一段带变量占位符的模板，例如 "请总结这段文本：{text}"，再在运行时传入 text，它就会产出最终 prompt。官方文档明确说明它支持三种模板格式：f-string、mustache、jinja2；其中默认是 f-string，官方也明确更推荐 f-string，并对 jinja2 给出了安全警告。(LangChain 参考文档)

你给的源码里也能直接看到这一点：类注释写明它是 "Prompt template for a language model"，template_format 默认值是 "f-string"，并且在 from_template() 与类说明里重复提示：不要把不可信来源的 jinja2 模板直接拿来执行。

2. 关键参数

2.1 `template`

这是最核心的参数，表示模板正文。比如：

python 复制代码

template = "你是一个客服助手，请回答：{question}"

官方定义里，template 就是 "The prompt template"。没有它，这个类就没有意义。(LangChain 参考文档)

2.2 `template_format`

可选值是：

f-string
mustache
jinja2

默认是 f-string。官方文档与源码都写得很明确。对于一般业务提示词，优先用 f-string ；这是官方推荐路线，因为它简单、直观，而且安全面更可控。(LangChain 参考文档)

2.3 `input_variables`

表示调用模板时必须传入的变量名列表。

例如模板是：

python 复制代码

"把 {topic} 用 {style} 风格解释"

那么 input_variables 通常就是：

python 复制代码

["topic", "style"]

不过要注意一个官方实现细节：如果你使用 from_template()，这些变量通常可以从模板中自动推断 出来；不一定要手写。源码中 from_template() 就是先用 get_template_variables() 抽取变量名，再构造实例。(LangChain 参考文档)

2.4 `partial_variables`

这是非常实用的参数。它表示"先提前固化一部分变量 "，剩下的变量等调用时再传。官方文档举了类似例子：如果模板是 '{variable1} {variable2}'，而 partial_variables={"variable1": "foo"}，那最后就只需要再传 variable2。(LangChain 参考文档)

这在业务里特别适合固化这些内容：

系统角色
输出规范
固定品牌术语
长期不变的格式要求

概念	作用
`input_variables`	调用 `.format()` 时必须提供的变量（调用时上传参数）
`partial_variables`	已经预先固定好的变量，不需要再传（固定）

2.5 `validate_template`

这个参数控制是否校验模板。源码里写得很清楚：

若启用校验，mustache 不能做模板校验，会抛错
若启用校验，但没提供 input_variables，也会抛错
校验时会检查模板变量与输入变量是否一致。

所以它的意义是：在开发阶段提前发现变量拼错、漏传、模板不匹配的问题。生产里做复杂模板治理时很有价值。

3. 方法接口

官方和源码里，PromptTemplate 常用接口主要有以下几个。(LangChain 参考文档)

3.1 `from_template()`：最推荐的构造方式

这是最常用、也是源码注释里明确推荐的方式。

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "请把下面内容翻译成英文：{text}"
)

特点：

自动提取变量
写法最短
最符合官方示例习惯。(LangChain 参考文档)

3.2 `format(**kwargs)`：把模板渲染成最终字符串

这是最核心的调用方法。

python 复制代码

result = prompt.format(text="今天天气不错")

返回值是一个普通字符串。源码里可以直接看到它先合并 partial variables，再调用对应模板格式的 formatter 去渲染。

3.3 `from_examples()`

这个方法适合 few-shot prompt 场景：把多个示例拼成一个大 prompt，再接一个 suffix。官方文档说明得很明确，它的用途就是 "dynamically create a prompt from examples"。(LangChain 参考文档)

典型结构是：

prefix：任务说明
examples：示例列表
suffix：用户真实输入入口
example_separator：示例之间的分隔符

3.4 `from_file()`

从文件加载模板。适合这些情况：

prompt 很长，不想写在代码里
需要把 prompt 独立版本化
团队协作时让算法、产品、开发共同维护模板文件。(LangChain 参考文档)

3.5 `add()`：模板拼接

源码中重载了 + 运算符，因此你可以把两个 PromptTemplate 拼起来，或者模板和字符串拼起来。

但有两个明显约束：

两边模板格式必须一致
partial_variables 不能重复 partial 同一个变量，否则报错。

这个接口适合做"模块化 prompt 组装"，例如：

角色设定模板
输出约束模板
用户任务模板

最后组合成一个完整 prompt。

4. 适用边界

这个部分最容易在项目里踩坑。

4.1 适合用 `PromptTemplate` 的场景

PromptTemplate 更适合 单段字符串 prompt，例如：

文本改写
摘要
分类
抽取
翻译
固定格式生成

因为它的输出就是一段字符串，跟普通 LLM 文本输入天然匹配。官方对它的描述也是 string template。(LangChain 参考文档)

4.2 不太适合的场景

如果你是做 多消息角色对话，比如要显式区分：

system
human
ai
message history

那么通常应优先考虑 ChatPromptTemplate，而不是把所有内容硬塞进一个字符串模板里。官方 prompts 体系本身就是把 string prompt 和 chat prompt 分开的。(LangChain 参考文档)

4.3 对模板引擎能力的边界

三种格式能力不同：

f-string：最简单，适合大多数业务场景
mustache：更适合结构化填充
jinja2：表达能力更强，但安全风险也更高。(LangChain 参考文档)

项目里我的建议很明确：

80% 业务场景：用 f-string
需要复杂模板逻辑再考虑 mustache
jinja2 只在你完全可控模板来源时使用

4.4 校验边界

源码里写明：

mustache 模板不能走 validate_template=True 的校验路径
模板校验需要显式提供 input_variables。

也就是说，别指望所有模板格式都能"同等强度地自动校验"。

5. 中文场景优化

官方不会专门替你优化中文业务表达，但 PromptTemplate 很适合做中文 prompt 规范化。这里给你一些项目里很实用的优化思路。

5.1 把"角色、目标、约束、输出格式"拆成变量

中文业务 prompt 最大的问题往往不是不会写，而是"写成一大坨"。推荐拆成结构化变量：

python 复制代码

template = """
你是{role}。

任务目标：
{task}

约束条件：
{constraints}

请按以下格式输出：
{output_format}

输入内容：
{text}
"""

这样做的好处是：

便于 A/B 测试不同约束
便于把中文业务规则沉淀成模板资产
更适合后续接 LangSmith 或配置中心做版本管理。

这与官方强调的"prompt template 用变量来复用结构化提示词"的思路是一致的。(LangChain 文档)

5.2 中文里尽量显式写输出格式

中文任务尤其容易出现"答非所问"或"格式漂移"。建议把输出格式直接作为模板的一部分固定下来，而不是只写"请简要回答"。

例如：

python 复制代码

template = """
请阅读以下内容并输出 JSON：
{
  "主题": "...",
  "摘要": "...",
  "风险点": ["...", "..."]
}

文本：
{text}
"""

这类"结构先行"的 prompt，稳定性通常比自然语言要求更高。官方文档也强调了 prompt variables 与 structured output 的配合价值。(LangChain 文档)

5.3 中文内容里避免变量名含糊

变量名最好不要叫：

input
content
data

这种太泛。

建议改成：

user_question
source_text
meeting_notes
rewrite_style

这样模板维护成本会低很多。虽然这是工程实践层建议，但和官方 input_variables 机制天然契合。(LangChain 参考文档)

5.4 固化中文系统约束到 `partial_variables`

比如你做中文客服、工单摘要、会议纪要，很适合把长期稳定的中文规范固化掉：

python 复制代码

prompt = PromptTemplate.from_template(
    template="""
你是一个{domain}助手。
请使用{language}输出。
遵循以下风格：
{style_guide}

用户问题：
{question}
""",
    partial_variables={
        "language": "简体中文",
        "style_guide": "准确、简洁、避免口语化、结论先行"
    }
)

这样业务方只需要传 domain 和 question，模板一致性会高很多。partial_variables 官方就是为这种"部分预填充"设计的。(LangChain 参考文档)

5.5 中文里优先用 `f-string`

因为中文业务 prompt 大多数只是"变量替换 + 固定格式"，不需要复杂逻辑。此时 f-string：

可读性最好
团队最容易维护
安全上比 jinja2 更稳。(LangChain 参考文档)

6. 核心方法的使用

下面给你几个最实用的官方类用法。

6.1 最基础：`from_template()` + `format()`

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "请用中文总结以下内容：{text}"
)

final_prompt = prompt.format(text="LangChain is a framework for building LLM apps.")
print(final_prompt)

适合：

快速起步
单轮任务
文本摘要/改写/分类。(LangChain 参考文档)

6.2 使用 `partial_variables`

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    """
你是一个{role}。
请使用{language}回答。

问题：
{question}
""",
    partial_variables={
        "language": "简体中文"
    }
)

print(prompt.format(role="技术支持助手", question="如何重置密码？"))

适合：

固化语言
固化身份
固化输出规则。(LangChain 参考文档)

6.3 用 `from_examples()` 组织 few-shot

python 复制代码

from langchain_core.prompts import PromptTemplate

examples = [
    "输入：苹果\n输出：水果",
    "输入：西红柿\n输出：蔬菜"
]

prompt = PromptTemplate.from_examples(
    examples=examples,
    prefix="请判断以下词语所属类别：",
    suffix="输入：{word}\n输出：",
    input_variables=["word"]
)

print(prompt.format(word="香蕉"))

实际生成的 prompt 是：

复制代码

请判断以下词语所属类别：

输入：苹果
输出：水果

输入：西红柿
输出：蔬菜

输入：香蕉
输出：

然后模型补全：

复制代码

水果

适合：

分类
抽取
风格仿写
少样本学习。

(LangChain 参考文档)

6.4 用 `from_file()` 管理长 prompt

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_file("prompt.txt")
print(prompt.format(question="请总结这份会议纪要"))

把 prompt 模板从"代码里"搬到"文件里"，实现解耦和可管理。

适合：

长 prompt
版本管理
非研发同学共同维护提示词。(LangChain 参考文档)

6.5 与模型直接串起来用

官方文档在集成示例中展示了这种 Runnable 风格的串联：prompt | llm。例如集成页面里就展示了 PromptTemplate.from_template("What is the meaning of {thing}?") 再与模型链式调用。(LangChain 文档)

示意写法：

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "请解释 {topic} 的含义"
)

chain = prompt | llm
result = chain.invoke({"topic": "向量数据库"})

这也是现在 LangChain 体系里很常见的用法：PromptTemplate 不是孤立对象，而是 Runnable 链上的一个节点 。(LangChain 文档)

7. 一个面向中文项目的推荐写法

这是我更建议在中文业务里采用的模板方式：

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    """
你是一个专业的{domain}助手。

任务：
{task}

要求：
1. 使用简体中文
2. 先给结论，再给依据
3. 不要编造信息
4. 输出控制在{max_words}字以内

输入内容：
{text}
""",
    partial_variables={
        "max_words": "200"
    }
)

print(
    prompt.format(
        domain="项目管理",
        task="总结风险并给出应对建议",
        text="本周项目延期主要由于接口联调和测试资源不足。"
    )
)

这个写法的优点是：

模板结构稳定
中文可读性高
业务变量和固定规则清晰分离
后续做配置化很方便。

这正是 PromptTemplate 在企业项目里最有价值的用法：把 prompt 从"写死字符串"升级成"可治理模板" 。(LangChain 参考文档)

8. 你可以这样理解它的选型位置

一个很实用的判断方法：

只是做"单段文本模板替换" → PromptTemplate
需要 system/human/ai 多消息组织 → ChatPromptTemplate
需要固定部分变量 → PromptTemplate + partial_variables
需要 few-shot → from_examples()
需要模板外置文件 → from_file()。(LangChain 参考文档)

PromptTemplate类解读

1. 先说结论：PromptTemplate 是什么

2. 关键参数

2.1 template

2.2 template_format

2.3 input_variables

2.4 partial_variables

2.5 validate_template

3. 方法接口

3.1 from_template()：最推荐的构造方式

3.2 format(**kwargs)：把模板渲染成最终字符串

3.3 from_examples()

3.4 from_file()

3.5 __add__()：模板拼接

4. 适用边界

4.1 适合用 PromptTemplate 的场景

4.2 不太适合的场景

4.3 对模板引擎能力的边界

4.4 校验边界

5. 中文场景优化

5.1 把"角色、目标、约束、输出格式"拆成变量

5.2 中文里尽量显式写输出格式

5.3 中文内容里避免变量名含糊

5.4 固化中文系统约束到 partial_variables

5.5 中文里优先用 f-string

6. 核心方法的使用

6.1 最基础：from_template() + format()

6.2 使用 partial_variables

6.3 用 from_examples() 组织 few-shot

6.4 用 from_file() 管理长 prompt

6.5 与模型直接串起来用

7. 一个面向中文项目的推荐写法

8. 你可以这样理解它的选型位置

1. 先说结论：`PromptTemplate` 是什么

2.1 `template`

2.2 `template_format`

2.3 `input_variables`

2.4 `partial_variables`

2.5 `validate_template`

3.1 `from_template()`：最推荐的构造方式

3.2 `format(**kwargs)`：把模板渲染成最终字符串

3.3 `from_examples()`

3.4 `from_file()`

3.5 `add()`：模板拼接

4.1 适合用 `PromptTemplate` 的场景

5.4 固化中文系统约束到 `partial_variables`

5.5 中文里优先用 `f-string`

6.1 最基础：`from_template()` + `format()`

6.2 使用 `partial_variables`

6.3 用 `from_examples()` 组织 few-shot

6.4 用 `from_file()` 管理长 prompt