04 | Prompt Engineering：提示词工程

提示词工程是 LLM 应用开发的核心技能。本模块详细讲解 LangChain 中 Prompt 的创建、管理、模板化以及高级用法。

一、Prompt 的本质

Prompt 就是你发给 LLM 的指令。一个好的 Prompt = 角色设定 + 任务描述 + 输出格式要求。

复制代码

┌─────────────────────────────────────────────┐
│  你是一个专业的{role}工程师                  │  ← 角色设定
│  请回答我的问题，我的问题是：{question}       │  ← 任务描述
│  结果返回json格式                            │  ← 格式要求
└─────────────────────────────────────────────┘

LangChain 提供了 PromptTemplate 和 ChatPromptTemplate 两个核心类来 规范化创建和管理提示词。

二、PromptTemplate 基础用法

2.1 构造方法实例化

python 复制代码

# 04_prompt/prompt_templates/PromptTemplate_Constructor.py
from langchain_core.prompts import PromptTemplate

# 方式1：构造方法
template = PromptTemplate(
    template="你是一个专业的{role}工程师，请回答我的问题：{question}",
    input_variables=['role', 'question'],
)

prompt = template.format(role="python开发", question="冒泡排序怎么写？")
# 输出：你是一个专业的python开发工程师，请回答我的问题：冒泡排序怎么写？

2.2 from_template 快捷创建

python 复制代码

# 04_prompt/prompt_templates/PromptTemplate_FromTemplate.py
# 方式2：from_template 工厂方法
template = PromptTemplate.from_template(
    "你是一个专业的{role}工程师，请回答我的问题：{question}"
)
prompt = template.format(role="Agent开发工程师", question="如何开发Agent")

2.3 三种调用方法对比

方法	返回值类型	使用场景
`format()`	`str`	获取纯文本字符串，用于打印或传给其他系统
`invoke()`	`PromptValue`	LCEL 链式调用的标准入口
`partial()`	`PromptTemplate`	预填充部分变量，返回新模板

python 复制代码

# format() - 返回字符串
prompt_str = template.format(role="Python工程师", question="冒泡排序怎么写？")
print(type(prompt_str))  # <class 'str'>

# invoke() - 返回 PromptValue 对象（LCEL 标准入口）
prompt_value = template.invoke({"role": "Python工程师", "question": "冒泡排序怎么写？"})
print(prompt_value.to_string())   # 转为字符串
print(prompt_value.to_messages()) # 转为消息列表

# partial() - 预填充部分变量，返回新模板
partial_template = template.partial(role="Python开发")
final_prompt = partial_template.format(question="冒泡排序怎么写？")

三、部分变量（Partial Variables）

有些变量值需要在运行时动态生成（如当前时间），可以用 partial_variables 预设：

python 复制代码

# 04_prompt/prompt_templates/PromptTemplate_PartialVariables.py
from datetime import datetime

# 方式1：构造时预设
template = PromptTemplate.from_template(
    "现在时间是：{time}，我的问题是：{question}",
    partial_variables={"time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")}
)

# 方式2：调用 partial() 方法
template = PromptTemplate.from_template(
    "现在时间是：{time}，我的问题是：{question}"
)
prompt = template.partial(time=datetime.now().strftime("%Y-%m-%d %H:%M:%S"))

四、模板组合（拼接）

多个模板可以像字符串一样拼接：

python 复制代码

# 04_prompt/prompt_templates/PromptTemplate_Combined.py
prompt_a = PromptTemplate.from_template("请用一句话介绍{topic}，要求通俗易懂，")
prompt_b = PromptTemplate.from_template("内容不超过{length}个字")

# 使用 + 拼接
prompt_all = prompt_a + prompt_b
result = prompt_all.format(topic="LangChain", length=100)
# 请用一句话介绍LangChain，要求通俗易懂，内容不超过100个字

五、ChatPromptTemplate：多角色对话模板

普通的 PromptTemplate 只生成一段文本，而 ChatPromptTemplate 可以构建 多角色消息列表。

5.1 三种消息格式

python 复制代码

# 格式1：Tuple 列表 [(role, content), ...]
chatPromptTemplate = ChatPromptTemplate([
    ("system", "你是一个AI开发工程师，你的名字是{name}。"),
    ("human", "你能帮我做什么?"),
    ("ai", "我能开发很多{thing}。"),
    ("human", "{user_input}"),
])

# 格式2：Dict 列表 [{"role":..., "content":...}, ...]
chat_prompt = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是AI助手，你的名字叫{name}。"},
    {"role": "user", "content": "请问：{question}"}
])

# 格式3：Message 对象列表
from langchain_core.messages import SystemMessage, HumanMessage
chat_prompt = ChatPromptTemplate([
    SystemMessage(content="你是AI助手，你的名字叫{name}。"),
    HumanMessage(content="请问：{question}")
])

5.2 ChatPromptTemplate 的三种执行方法

python 复制代码

# format_messages() - 返回 List[BaseMessage]
messages = chat_prompt.format_messages(role="python开发", question="什么是LangChain")

# invoke() - 返回 PromptValue
prompt_value = chat_prompt.invoke({"role": "python开发", "question": "堆排序怎么写"})

# format() - 返回字符串
prompt_str = chat_prompt.format(role="python开发", question="快速排序怎么写")

六、MessagesPlaceholder：动态插入历史消息

在多轮对话中，历史消息的数量和内容是不确定的。MessagesPlaceholder 解决了这个问题：

python 复制代码

# 04_prompt/chat_prompt_template/placeholder/ChatPromptTemplate_ExplicitPlaceholder.py
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate([
    ("system", "你是一个资深的Python应用开发工程师"),
    MessagesPlaceholder("memory"),  # 历史消息注入点
    ("human", "{question}")
])

prompt_value = prompt.invoke({
    "memory": [
        HumanMessage("我的名字叫亮仔，是一名程序员"),
        AIMessage("好的，亮仔你好")
    ],
    "question": "请问你是谁"
})

显式写法：MessagesPlaceholder("memory")

隐式写法（简写）：("placeholder", "{memory}")

两者等价。
ChatPromptTemplate 结构
SystemMessage

角色设定
MessagesPlaceholder

历史对话注入点
HumanMessage

当前问题

七、LLM 的 6 种调用方式

LangChain 提供了 3 种同步 + 3 种异步调用方式：

方法	类型	说明
`invoke()`	同步	单次调用，等待完整结果
`stream()`	同步	单次流式调用，逐字返回
`batch()`	同步	批量调用，一次处理多个输入
`ainvoke()`	异步	`invoke` 的 async 版本
`astream()`	异步	`stream` 的 async 版本
`abatch()`	异步	`batch` 的 async 版本

7.1 同步调用示例

python 复制代码

# invoke：单次调用
response = llm.invoke(message)
print(response.content)

# stream：流式输出
for chunk in llm.stream(message):
    print(chunk.content, end="", flush=True)

# batch：批量处理
questions = ["什么是redis?", "Python生成器?", "Docker和K8s?"]
responses = llm.batch(questions)
for q, r in zip(questions, responses):
    print(f"问题：{q}\n回答：{r.content}")

7.2 异步调用示例

python 复制代码

import asyncio

# ainvoke：异步单次调用
async def main():
    response = await llm.ainvoke("什么是LangChain，简洁回答")
    print(response.content)

asyncio.run(main())

# astream：异步流式输出
async def async_stream():
    async for chunk in llm.astream(message):
        print(chunk.content, end="", flush=True)

asyncio.run(async_stream())

# abatch：异步批量处理
async def async_batch():
    responses = await llm.abatch(questions)
    for q, r in zip(questions, responses):
        print(f"问题：{q}\n回答：{r.content}")

asyncio.run(async_batch())

八、从外部文件加载 Prompt

大型项目通常将 Prompt 存储在外部文件中，便于维护和版本管理。

8.1 JSON 格式

json 复制代码

// 04_prompt/load_external/prompt.json
{
    "_type": "prompt",
    "input_variables": ["name", "what"],
    "template": "请{name}讲一个{what}的故事"
}

8.2 YAML 格式

yaml 复制代码

# 04_prompt/load_external/prompt.yaml
_type: "prompt"
input_variables: ["name", "what"]
template: "请{name}讲一个{what}的故事"

8.3 加载外部 Prompt

python 复制代码

from langchain_core.prompts import load_prompt

# 从 JSON 加载
template = load_prompt("prompt.json", "utf-8")
prompt = template.format(name="张三", what="搞笑的")

# 从 YAML 加载
template = load_prompt("prompt.yaml", "utf-8")
prompt = template.format(name="张三", what="搞笑的")

九、知识地图

文本模板
多角色消息
显式
隐式
PromptTemplate
format / invoke / partial
ChatPromptTemplate
from_messages
MessagesPlaceholder
MessagesPlaceholder name
('placeholder', '{name}')
invoke: 同步单次
stream: 流式输出
batch: 批量处理
ainvoke / astream / abatch
外部文件
prompt.json
prompt.yaml

十、小结

要点	说明
`PromptTemplate`	文本提示词模板，变量用 `{var}` 标记
`ChatPromptTemplate`	多角色消息模板，支持 system/human/ai 角色
`MessagesPlaceholder`	动态插入历史消息的占位符
`invoke / stream / batch`	3 种同步调用方式
`ainvoke / astream / abatch`	3 种异步调用方式
`load_prompt`	从 JSON/YAML 文件加载提示词