LangChain 最新版 Zero/One/Few-Shot 提示词模板实战详解

大家好，今天分享的是langChain的提示词模版部分，本部分会持续更新，欢迎关注！

一. 环境准备

使用前安装对应依赖包，

pip install -U langchain-core langchain-ollama

-U 代表--upgrade，作用是强制升级至当前最新稳定版本，规避版本兼容问题。

包归属说明

1. 所有提示词相关模板 PromptTemplate、FewShotPromptTemplate 统一归属 langchain-core 包，当前主流稳定版本为 0.2 系列；
2. OllamaLLM 等模型不再存放于社区包中，2024 年 7 月官方完成模块化拆分，独立为 langchain-ollama 专属对接包，是目前唯一官方推荐写法；
3. 旧版将模型存放于langchain_community社区包的方式已正式废弃。

二、5 大核心模板最新详解（附实战代码）

1. PromptTemplate：基础字符串模板（最常用）

功能定义

String 类型基础模板，支持动态填充变量，无角色区分，适用于 Zero-shot 无样本场景（如直接提问、简单指令执行）。

核心参数

• input_variables：必填变量列表（数组格式，支持多变量）；
• partial_variables：可选偏变量（固定部分值，无需每次 format 传入）；
• template：固定指令 + 变量占位符的字符串模板。

最新实战代码

# 最新版导入（langchain-core 0.2+标准）
from langchain_core.prompts import PromptTemplate

# 1. 单变量模板（对应之前的反义词场景）
single_var_template = PromptTemplate(
    input_variables=["word"],  # 数组格式，支持多个变量
    template="给出单词{word}的反义词，要求回答简洁"
)
# format填坑：替换{word}占位符
single_result = single_var_template.format(word="tall")
print("单变量模板输出：", single_result)  # 输出：给出单词tall的反义词，要求回答简洁

# 2. 多变量模板（拓展场景：带词性约束）
multi_var_template = PromptTemplate(
    input_variables=["word", "pos"],  # 多个变量传入数组
    template="单词：{word}（词性：{pos}），请给出2个反义词"
)
multi_result = multi_var_template.format(word="快乐", pos="形容词")
print("多变量模板输出：", multi_result)  # 输出：单词：快乐（词性：形容词），请给出2个反义词

# 3. 偏变量用法（固定部分指令，动态传入核心变量）
partial_template = PromptTemplate(
    input_variables=["question"],
    partial_variables={"role": "专业技术顾问"},  # 固定角色，无需每次传入
    template="你是{role}，请详细解答：{question}"
)
partial_result = partial_template.format(question="LangChain模板如何避免变量遗漏？")
print("偏变量模板输出：", partial_result)

关键注意点

（注意：input_variables必须与模板中{变量名}完全一致，遗漏会直接报错；偏变量适合固定指令场景，如角色定义、格式要求）

2. ChatPromptTemplate：对话角色模板

功能定义

带角色区分的对话模板，适用于 Chat 模型（如 GPT、千问），通过角色划分明确系统、用户、AI 的指令边界，生成符合对话格式的提示词。

核心角色模板

• SystemMessagePromptTemplate：系统指令（定义 AI 身份、规则）；
• HumanMessagePromptTemplate：用户提问（动态输入内容）；
• AIMessagePromptTemplate：AI 示例回答（用于 Few-shot 场景）；
• ChatMessagePromptTemplate：通用角色消息（自定义角色名称）。

最新实战代码（极简写法推荐）

from langchain_core.prompts import ChatPromptTemplate

# 新版推荐：from_messages极简写法（无需手动创建角色模板）
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是知识库助手，仅基于提供的文档内容回答，不编造信息"),  # 系统角色
    ("human", "文档内容：{doc}，我的问题：{query}")  # 用户角色（含动态变量）
])

# 格式化生成对话提示词
formatted_chat = chat_prompt.format(
    doc="LangChain核心包langchain-core版本已更新至0.2+",
    query="LangChain模板的导入路径有什么变化？"
)
print("对话模板输出：")
print(formatted_chat)

输出结果（结构化对话格式）

[    SystemMessage(content='你是知识库助手，仅基于提供的文档内容回答，不编造信息'),    HumanMessage(content='文档内容：LangChain核心包langchain-core版本已更新至0.2+，我的问题：LangChain模板的导入路径有什么变化？')]

关键注意点： 新版from_messages写法无需手动实例化SystemMessagePromptTemplate，直接用元组(角色, 内容)简化；Chat 模型必须用该模板，否则角色混乱会影响回答质量）

3. FewShotPromptTemplate：少样本教学模板

功能定义

带示例的教学模板，通过传入少量样本（One-shot 单样本 / Few-shot 多样本），让模型模仿格式输出，适用于需要固定格式、逻辑推导的场景（如反义词、翻译、数据提取）。

核心参数

• examples：样本列表（1 个 = One-shot，2 个以上 = Few-shot）；
• example_prompt：样本格式模板（定义单个样本的展示方式）；
• prefix：样本前缀（给模型的总指令）；
• suffix：样本后缀（最终提问 + 变量占位符）；
• input_variables：最终需要传入的动态变量。

最新实战代码

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 1. 定义样本（One-shot用1个，Few-shot用多个）
examples = [
    {"word": "tall", "antonym": "short"},
    {"word": "fast", "antonym": "slow"},
    {"word": "happy", "antonym": "sad"}
]

# 2. 样本格式模板（定义单个样本的展示样式）
example_template = PromptTemplate(
    input_variables=["word", "antonym"],
    template="单词：{word} → 反义词：{antonym}"
)

# 3. 组装少样本模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,  # 传入样本列表
    example_prompt=example_template,  # 样本格式
    prefix="严格按照以下示例格式，输出单词的反义词，无需额外解释",  # 总指令
    suffix="单词：{input_word} → 反义词：",  # 最终提问
    input_variables=["input_word"]  # 动态输入变量
)

# 格式化生成提示词
formatted_few_shot = few_shot_prompt.format(input_word="two")
print("少样本模板输出：")
print(formatted_few_shot)

输出结果（带示例的完整提示词）

严格按照以下示例格式，输出单词的反义词，无需额外解释
单词：tall → 反义词：short
单词：fast → 反义词：slow
单词：happy → 反义词：sad
单词：two → 反义词：

关键注意点：样本格式必须与最终要求的输出格式一致，否则模型会混淆；One-shot 是 Few-shot 的特例，仅需将examples改为单个元素列表即可）

4. PipelinePromptTemplate：组合模板

功能定义

多模板拼接组合模板，将多个独立的小模板按顺序拼接成一个完整提示词，适用于复杂提示词拆分（如先定义角色、再给示例、最后提问），提升代码可维护性。

最新实战代码

python

运行

from langchain_core.prompts import PipelinePromptTemplate, PromptTemplate

# 1. 定义3个独立小模板
role_template = PromptTemplate(
    input_variables=[],
    template="你是专业的语言翻译助手，仅提供翻译结果，不添加额外说明"
)

example_template = PromptTemplate(
    input_variables=[],
    template="示例：apple → 苹果，banana → 香蕉"
)

query_template = PromptTemplate(
    input_variables=["word"],
    template="请翻译单词：{word}"
)

# 2. 组合模板（按顺序拼接）
pipeline_prompt = PipelinePromptTemplate(
    pipeline_prompts=[
        ("role", role_template),  # 第一个模板：角色定义
        ("example", example_template),  # 第二个模板：示例
        ("query", query_template)  # 第三个模板：提问
    ],
    input_variables=["word"]  # 仅需传入最终动态变量
)

# 格式化生成完整提示词
formatted_pipeline = pipeline_prompt.format(word="orange")
print("组合模板输出：")
print(formatted_pipeline)

输出结果（按顺序拼接的完整提示词）

你是专业的语言翻译助手，仅提供翻译结果，不添加额外说明
示例：apple → 苹果，banana → 香蕉
请翻译单词：orange

关键注意点

（注意：pipeline_prompts按列表顺序拼接，变量需在最终模板中声明；适合复杂提示词拆分管理，避免单个模板字符串过长难以维护）

5. 自定义模板：继承扩展

功能定义

通过继承官方基类，开发自定义模板（如固定格式校验、动态内容生成），适用于企业级特殊场景（如合规检查、个性化指令注入）。

最新实战代码（简单自定义示例）

from langchain_core.prompts import BaseStringPromptTemplate
from typing import List

# 继承基类，自定义模板
class CustomPromptTemplate(BaseStringPromptTemplate):
    # 自定义参数：固定前缀
    prefix: str = "【合规检查】"
    
    def format(self, **kwargs) -> str:
        # 重写format方法：拼接前缀+用户指令+变量
        user_query = kwargs.get("query")
        return f"{self.prefix} {user_query}（注：回答需符合企业内容规范）"
    
    @property
    def input_variables(self) -> List[str]:
        # 必须重写：声明输入变量
        return ["query"]

# 使用自定义模板
custom_prompt = CustomPromptTemplate()
formatted_custom = custom_prompt.format(query="如何申请员工福利？")
print("自定义模板输出：", formatted_custom)

输出结果

【合规检查】 如何申请员工福利？（注：回答需符合企业内容规范）

关键注意点：自定义模板必须继承BaseStringPromptTemplate，并重写format和input_variables；企业级项目中需谨慎使用，避免破坏提示词结构化）

三、新旧写法对比表（快速迁移）

表格

模板类	旧版导入路径（已淘汰）	最新版导入路径（推荐）	核心变化
PromptTemplate	from langchain.prompts import...	from langchain_core.prompts import...	仅导入路径变化，用法不变
ChatPromptTemplate	from langchain.prompts import...	from langchain_core.prompts import...	新增 from_messages 极简写法
FewShotPromptTemplate	from langchain.prompts import...	from langchain_core.prompts import...	无变化，完全兼容
PipelinePromptTemplate	from langchain.prompts import...	from langchain_core.prompts import...	无变化，完全兼容

变量校验 ：input_variables必须与模板中{变量名}一一对应，建议开发时添加validate_template=True（默认开启），避免变量遗漏；

四. 完整实战代码

# 最新官方标准导入写法
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_ollama import OllamaLLM

# 废弃旧版导入写法（仅作参考，不推荐使用）
# from langchain.prompts import PromptTemplate, FewShotPromptTemplate
# from langchain.llms import Ollama

# 初始实例化本地大模型
model = OllamaLLM(model="qwen:7b")

1）、Zero-Shot 零样本提示词

零样本模式---不提供任何参考案例，仅依靠基础提示模板与模型自身知识库完成任务，是最简单的提示词使用方式。

# 自定义基础文本模板
template = "给出单词{word}的反义词"
# 初始化模板，声明输入变量
prompt = PromptTemplate(input_variables=["word"], template=template)
# format方法填充占位变量，生成完整提示词
prompt_text = prompt.format(word="tall")
# 调用模型获取结果
result = model.invoke(prompt_text)
print("Zero-Shot输出结果：", result)

1. prompt.format() ：该方法核心作用为模板占位符填充，将{变量名}预设占位位置通过format(变量名=传入值)，精准替换占位符，拼接后完成格式化，将拼接后的完整模版传入大模型的提示语句。
2. input_variables 参数：该参数接收列表格式数据，属于模板声明参数，用于提前定义模板内所有占位变量名称，支持定义单个或多个变量，变量数量与模板内占位符一一对应即可。
3. template=template 参数释义 等号左侧template是PromptTemplate类内置固定形参，右侧是开发者自定义编写的模板字符串变量，该写法本质是将自定义文本模板传入模板类完成初始化。

拓：多变量模板用法

# 双变量模板
multi_template = "单词：{word}，词性：{pos}，请精准给出对应反义词"
multi_prompt = PromptTemplate(input_variables=["word", "pos"], template=multi_template)
# 同时填充两个变量
multi_prompt_text = multi_prompt.format(word="happy", pos="形容词")
print("多变量拼接提示词：", multi_prompt_text)

2）、One-Shot 单样本提示词

One-Shot 属于 Few-Shot 的特例，仅向模型提供一组参考案例，约束模型模仿案例格式完成输出。

核心基础知识点梳理

1. FewShotPromptTemplate 五大核心参数

• examples：存放示范案例，传入 1 组案例为 One-Shot，传入多组案例为 Few-Shot；
• example_prompt：定义示范案例固定输出格式；
• prefix：提示词前缀，用于统一规定模型执行规则；
• suffix：提示词后缀，预留最终提问占位位置；
• input_variables：声明后续用户输入的自定义变量。

# 定义单组示范案例
one_examples = [{"word": "tall", "antonym": "short"}]
# 定义案例统一排版模板
example_prompt = PromptTemplate(input_variables=["word", "antonym"], template="单词：{word}，反义词：{antonym}")

# 组装少样本提示词模板
one_shot_prompt = FewShotPromptTemplate(
    examples=one_examples,
    example_prompt=example_prompt,
    prefix="严格遵循下方案例格式输出答案",
    suffix="单词：{input}，反义词：",
    input_variables=["input"]
)
# 填充自定义提问内容
final_prompt = one_shot_prompt.format(input="big")
print("One-Shot输出结果：", model.invoke(final_prompt))

3）、Few-Shot 少样本提示词

向模型传入两组及以上参考案例，进一步规范模型输出格式、统一回答风格，在格式约束类场景使用频率最高。

# 定义多组示范案例
few_examples = [
    {"word": "tall", "antonym": "short"},
    {"word": "fast", "antonym": "slow"},
    {"word": "happy", "antonym": "sad"}
]

# 复用案例格式模板
few_shot_prompt = FewShotPromptTemplate(
    examples=few_examples,
    example_prompt=example_prompt,
    prefix="严格遵循案例格式，简洁输出单词反义词",
    suffix="单词：{input}，反义词：",
    input_variables=["input"]
)
# 填充目标提问单词
few_final_prompt = few_shot_prompt.format(input="two")
print("Few-Shot输出结果：", model.invoke(few_final_prompt))

总结

1. 组件划分：提示词模板统一从langchain-core导入，本地 Ollama 系列模型统一从独立包langchain-ollama导入，架构划分清晰，维护性更强；
2. 使用区分：Zero-Shot 依托基础PromptTemplate实现，无任何参考案例；One-Shot 与 Few-Shot 统一使用FewShotPromptTemplate实现，仅通过案例数量进行区分；
3. 核心逻辑：依靠input_variables声明占位变量，借助format方法完成文本填充，最终拼接完整提示词传入invoke方法调用模型；
4. 场景选型：简单通用任务选用 Zero-Shot，需要规范输出格式的业务场景，优先使用 One-Shot 或 Few-Shot 提示词