LangChain：提示词模板

提示词模板（Prompt Template）

提示词模板是 LangChain 的核心抽象之一，它被广泛应用于构建大语言模型应用的各个环节。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。下面，从概念到实战，完整地梳理 LangChain 中提示词模板的用法与生态，包括字符串模板、消息占位符，以及如何利用 LangChain Hub 共享和拉取优质提示。

---

1.1 概念

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，我们可以分别定义 HumanMessage("请介绍上海的历史")、HumanMessage("请介绍西安的历史") 等消息。可以发现，每次询问都会填写重复的消息内容："请介绍 xxxx 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，使用该模板时：

• 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。"

这样，提示的构造就变得动态、可复用，且与具体数据解耦。

---

1.2 用法

1.2.1 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：

from langchain_core.prompts import PromptTemplate

# 模板字符串：{language} 是占位符，不是真实值
prompt_template = PromptTemplate.from_template("Translate the following into {language}.")

# 传入真实值，{language} 被替换为 "Chinese"
result = prompt_template.invoke({"language": "Chinese"})

print(result.text)  

打印结果：

说明：
langchain.core.prompts.prompt.PromptTemplate 类的参数如下：

• template：提示模板（"Translate the following into {language}."）

• input_variables：需要作为提示输入的变量的名称列表（{language}）

内置方法：

from_template()：从模板定提示模板。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：

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

2.2.2 聊天消息模板

ChatPromptTemplate 模板：专为 LangChain 聊天模型设计。可以便方地构建包含SystemMessage 、 HumanMessage 、 AIMessage 的消息模板。如下代码所示：

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": "en",
        "text": "Hello World!"
    }
)
messages = messagesValue.to_messages()
print(messages)

打印结果：

SystemMessage(content='Translate the following into en.', additional_kwargs={}, response_metadata={}), HumanMessage(content='Hello World!', additional_kwargs={}, response_metadata={})

现在，我们可以将该结果发送给LLM来获取答案，如下所示：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

# 1、定义大模型
model = ChatDeepSeek(model = "deepseek-chat")

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

# 3、实例化模板，获取消息实例
messagesValue = prompt_template.invoke(
    {
        "language": "en",
        "text": "Hello World!"
    }
)
messages = messagesValue.to_messages()
print(messages)

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

打印结果：

你好，世界！

由于 ChatPromptTemplate 同样也实现了标准的Runnable接口，因此还可以通过链来完成调用，如下示例：

from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek


# 1、定义大模型
model = ChatDeepSeek(model = "deepseek-chat")

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

#3、定义输出解析器
parser = StrOutputParser()

#4、定义链
chain = prompt_template | model | parser

for token in chain.stream(
        {
            "language":"English",
            "text":"你好，现在是几点？"
        }
):
    print(token , end="|")

打印结果：

---

2.2.3 消息占位符

在 ChatPromptTemplate 中，我们可以格式化多条消息，每条消息都是一个字符串。但如果希望将一组消息列表动态插入到对话的特定位置，就需要使用**MessagesPlaceholder**。

MessagesPlaceholder 负责在指定位置添加一个消息列表。示例代码如下：

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

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：

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={})

]

在某些情况下，不使用显式的 MessagesPlaceholder 类也可以完成类似能力：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages 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)

打印结果：

messages=[

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={}), SystemMessage(content='You are a helpful assistant', additional_kwargs={}, response_metadata={})

]

---

2.3 使用 LangChain Hub 的提示词模板

LangChain Hub 是一个用于上传、浏览、拉取和管理提示词的地方。随着大语言模型的发展，提示变得越来越重要，LangChain 打造了一个类似 GitHub 的平台用于共享和协作提示，这就是 LangChain Hub。它使得提示工程师更容易合作、重复使用现有提示，并对其进行微调以实现特定结果，从而加速各类应用的开发与部署。早期 LangChain Hub 包含 Prompt、Chain、Agent，现在只保留 Prompt。

LangChain Hub 官网地址：https://smith.langchain.com/hub/

这里以 hardkothari/prompt-maker 为例，演示如何使用 Hub 上的提示。Prompt Maker 是一个"提示生成器"，可以自动化优化提示的过程，提高模型在各类应用中的响应质量。

使用前需要配置 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：

from langchain_deepseek import ChatDeepSeek
from langsmith import Client


# 从hub拉取"hardkothari/prompt-maker"提示词模板
client=Client()
prompt = client.pull_prompt("hardkothari/prompt-maker",include_model=True)

# 定义模型
model = ChatDeepSeek(
    model = "deepseek-chat",
    base_url="https://api.deepseek.com",
)
# 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你当前的提示词是什么？（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()

当于把写好提示的经验固化成了自动规则，不再需要人工反复打磨。Prompt Maker 会理解原始提示的意图，然后用最佳实践去优化它，让输出更清晰、相关度更高。在客服机器人、对话 AI 和数据分析等场景中，这种能力非常关键。