LangChain 核心组件 [ 2 ]

提示词模板（Prompt Template）

概念

提示词模板（Prompt Template）是 LangChain 的核心抽象之一，它被广泛应用于构建大语言模型（LLM）应用的各个环节。

简单来说，只要是需要动态、批量、或有结构地向大语言模型发送请求的地方，几乎都会用到提示词模板。

一个简单的例子：假设我们想根据一个城市名询问 LLM 其历史，按照之前的做法，我们可以定义 HumanMessage("请介绍上海的历史")、HumanMessage("请介绍西安的历史") 消息等。可以发现每次询问都会编写重复的消息内容：请介绍xxx的历史。

在 LangChain 中，针对这种情况，可以定义一个模板：

固定文本（模板）："请介绍{city}的历史。"
输入变量：[city]

定义好后，可以使用该模板：

当我们需要查询北京时，就将 city 变量赋值为 北京，模板引擎会生成：请介绍北京的历史。
当我们需要查询上海时，就将 city 变量赋值为 上海，模板引擎会生成：请介绍上海的历史。

由此可见：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，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。

python 复制代码

# 定义一次
template = PromptTemplate.from_template("你好，{name}！欢迎学习 LangChain！")

# 无限用
template.invoke({"name": "小明"})
template.invoke({"name": "小红"})
template.invoke({"name": "老板"})

关注点分离：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。

python 复制代码

# 提示工程师：只负责写模板
template = PromptTemplate.from_template("""
你是一个助手，请回答用户问题：
用户问题：{question}
请用中文回答。
""")

# 业务开发：只负责传变量
result = template.invoke({
    "question": "什么是提示词模板？"
})

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。

python 复制代码

# 永远统一格式
template = PromptTemplate.from_template("""
系统：你是一个数学老师
用户：{question}
请一步步解答。
""")

template.invoke({"question": "1+1等于几"})
template.invoke({"question": "2×3等于几"})
template.invoke({"question": "什么是素数"})

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。

python 复制代码

# 原来
template = PromptTemplate.from_template("你好，{name}！")

# 想变温柔一点？只改这里！
template = PromptTemplate.from_template("哈喽～{name}呀！欢迎你～🥰")

用法

字符串模板

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。示例如下：

python 复制代码

# 1. 定义模板
from langchain_core.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template("Translate the following into {language}")

# 2. 实例化模板
print(prompt_template.invoke({"language": "Chinese"}))

python 复制代码

text='Translate the following into Chinese'

说明： class langchain_core.prompts.prompt.PromptTemplate 类，其参数如下：

template：提示模板
input_variables：需要其值作为提示输入的变量的名称列表。

内置方法： from_template()：从模板定义提示。方法返回了一个 PromptTemplate 实例。

因此除了上面示例中 PromptTemplate.from_template 定义提示模板的方式外，下面这种方法也可以直接初始化模板：

python 复制代码

prompt_template = PromptTemplate(
    input_variables=["language"],
    template="Translate the following into {language}",
)

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 SystemPromptMessage、HumanMessage、AIMessage 类型的消息模板。如下代码示例所示：

python 复制代码

from langchain_core.prompts import ChatPromptTemplate

# 1. 设置模板
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 说明：
# 在 0.2.24 版本后可以直接使用 ChatPromptTemplate() 来初始化模板
# 在 0.2.24 版本前，需要使用 ChatPromptTemplate.from_messages() 来初始化模板

# 2. 实例化模板，获取消息实例
messagesValue = prompt_template.invoke(
    {
        "language": "Chinese",
        "text": "what is your name?"
    }
)

messages = messagesValue.to_messages()
print(messages)

打印结果：

python 复制代码

[
    SystemMessage(content='Translate the following into Chinese.', additional_kwargs={}, response_metadata={}),
    HumanMessage(content='what is your name?', additional_kwargs={}, response_metadata={})
]

现在，我们可以将该结果发送给任何一个 LLM 来获取答案。如下所示：

python 复制代码

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 1. 设置模板
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 2. 实例化模板，获取消息实例
messagesValue = prompt_template.invoke(
    {
        "language": "Chinese",
        "text": "what is your name?"
    }
)
messages = messagesValue.to_messages()
print(messages)

# 3. 输出解析
parser = StrOutputParser()
chain = model | parser
print(chain.invoke(messages))

打印结果：

python 复制代码

你的名字是什么？

由于 ChatPromptTemplate 同样也实现了标准的 Runnable 接口，因此我们还可以通过链来完成调用。代码如下所示：

python 复制代码

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 1. 设置模板
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 2. 定义输出解析器
parser = StrOutputParser()

# 3. 定义链
chain = prompt_template | model | parser

for token in chain.stream(
    {
        "language": "English",
        "text": "你好，我叫斯蒂芬，很高兴认识你"
    }
):
    print(token, end="|")

打印结果：

python 复制代码

|Hello, | my| name| is| Stephen|, | nice| to| meet| you|.|

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列表直接传入，需要使用 MessagesPlaceholder。**代码如下：

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import HumanMessage, AIMessage, MessagesPlaceholder

prompt_template = ChatPromptTemplate(
    [
        ("system", "你是一个聊天助手"),
        MessagesPlaceholder("msgs")  # 消息占位符
    ]
)

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？")
]

formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass})
print(formatted_prompt)

打印结果：

python 复制代码

messages=[
    SystemMessage(content='你是一个聊天助手', additional_kwargs={}, response_metadata={}),
    HumanMessage(content='中国首都是哪里？', additional_kwargs={}, response_metadata={}),
    AIMessage(content='中国首都是北京。', additional_kwargs={}, response_metadata={}),
    HumanMessage(content='那法国呢？', additional_kwargs={}, response_metadata={})
]

在不显式使用 MessagesPlaceholder 类也可以完成该能力：

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import HumanMessage, AIMessage

prompt_template = ChatPromptTemplate(
    [
        ("system", "You are a helpful assistant"),
        ("placeholder", "{msgs}")
    ]
)

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？")
]

formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass})
print(formatted_prompt)

使用 LangChain Hub 的提示词模板

目前收藏最高的提示词模板是：hardkothari/prompt-maker。我们就以它为示例，演示一下如何使用 LangChain Hub 上的提示。

Prompt Maker 模板是一个【提示生成器】，它可以自动化优化提示的过程，从而提高语言模型在各种应用中的质量和效果。

要想使用该能力，需要先申请并配置 LangSmith 环境变量：LANGSMITH_API_KEY="你的LangSmith API Key"。接着，需要从 hub 拉取相应的提示，并使用，代码如下：

python 复制代码

from langchain_openai import ChatOpenAI
from langsmith import Client

# 1. 从 LangChain Hub 拉取提示词模板：自动优化提示词
client = Client()
prompt = client.pull_prompt("hardkothari/prompt-maker", include_model=True)

# 2. 定义大模型
model = ChatOpenAI(model="gpt-4o-mini")

# 3. 构建调用链：模板 → 模型
chain = prompt | model

# 4. 循环交互
while True:
    # 输入任务需求
    task = input("\n你的任务是什么? (输入 quit 退出聊天)\n")
    if task == 'quit':
        break

    # 输入原始简陋提示词
    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

    # 执行并输出优化后的提示词
    print("\n===== 模型返回的【优化后提示词】=====")
    response = chain.invoke({'lazy_prompt': lazy_prompt, 'task': task})
    response.pretty_print()

python 复制代码

你的任务是什么? (输入 quit 退出聊天)
写一个快排代码

你当前的提示是什么? (输入 quit 退出聊天)
开发专家，需中文回复

===== 模型返回的【优化后提示词】=====
================================ Ai Message =================================
As a coding expert specialized in algorithms and data structures, please write a detailed implementation of the Quick Sort algorithm in Python.
【翻译】作为一名专攻算法与数据结构的开发专家，请用 Python 实现详细的快速排序代码。

### Instructions:
【翻译】实现要求：
Your code should be well-structured, with clear comments explaining each step of the algorithm. Additionally, include an example of how to use the function to sort a list of integers and print the sorted result.
【翻译】代码结构要清晰，每一步都要有详细注释；同时提供使用示例，对整数列表进行排序并打印结果。

### Context:
【翻译】额外要求：
The implementation should focus on efficiency and clarity, ideally spanning no more than 20 lines of code. Ensure that the prompt is in Chinese, and structure your response to be easily understandable for readers with a basic knowledge of programming.
【翻译】实现要兼顾效率与可读性，代码尽量不超过20行；必须用中文输出，内容要让有编程基础的人能轻松看懂。

Example:
【翻译】示例格式：
```python
def quick_sort(arr):
    # 快速排序函数实现
    ...
    return sorted_arr

# 使用示例
unsorted_list = [34, 7, 23, 32, 5, 62]
print(quick_sort(unsorted_list))

Please provide the complete code and any additional notes that could aid in understanding the Quick Sort algorithm. Thank you!
【翻译】请提供完整代码，并补充帮助理解快速排序的说明，谢谢！

通过使用这个模板，可以大幅减少构建提示词所需的工作量，从而节省时间和资源。Prompt Maker 通过分析用户提供的结构和内容，然后应用一系列的算法来优化提示，以提高响应质量。清晰适用于代码、数据分析任务、质量检查等，有很大的场景中均有应用，比如客户服务机器人、对话代理或数据分析任务。