LangChain 1.3 完全教程：从入门到精通-Part 3: Prompts（提示）

Part 3: Prompts（提示）

文章目录

- [Part 3: Prompts（提示）](#Part 3: Prompts（提示）)
- - [3.1 提示工程基础](#3.1 提示工程基础)
  - - 提示的结构
  - [3.2 PromptTemplate](#3.2 PromptTemplate)
  - - 所有参数
  - [3.3 ChatPromptTemplate](#3.3 ChatPromptTemplate)
  - - [from_messages 方法](#from_messages 方法)
    - [MessagesPlaceholder 详解](#MessagesPlaceholder 详解)
    - [partial 方法](#partial 方法)
    - [完整 Demo](#完整 Demo)
  - [3.4 FewShotPromptTemplate](#3.4 FewShotPromptTemplate)
  - - 所有参数
    - 示例选择器
    - [完整 Demo](#完整 Demo)
  - [3.5 提示最佳实践](#3.5 提示最佳实践)

3.1 提示工程基础

提示的结构

提示（Prompt）
系统指令（System）

定义 AI 角色和行为
上下文（Context）

背景信息和约束
输入数据（Input）

用户的具体内容
输出格式（Output）

期望的输出格式

3.2 PromptTemplate

所有参数

参数名	类型	默认值	说明
`input_variables`	`list[str]`	必填	模板中的变量名列表
`template`	`str`	必填	模板字符串，`{变量名}` 作为占位符
`template_format`	`str`	`"f-string"`	模板格式：`"f-string"` 或 `"jinja2"`
`partial_variables`	`dict`	`None`	预填充的变量
`validate_template`	`bool`	`True`	是否验证模板语法

python 复制代码

# demo_prompt_template.py
from langchain_core.prompts import PromptTemplate

# from_template：自动提取变量名（推荐）
prompt = PromptTemplate.from_template(
    "请用{language}写一个关于{topic}的{style}文章，大约{count}字。"
)
print(prompt.input_variables)  # ['language', 'topic', 'style', 'count']

formatted = prompt.format(language="中文", topic="AI", style="科普", count="500")
print(formatted)

# 构造函数方式
prompt = PromptTemplate(
    input_variables=["name", "age"],
    template="你好，我叫{name}，今年{age}岁。",
)

# jinja2 模板格式
prompt = PromptTemplate(
    input_variables=["items"],
    template="{% for item in items %}- {{ item }}\n{% endfor %}",
    template_format="jinja2",
)
print(prompt.format(items=["苹果", "香蕉", "橙子"]))

# partial：预填充部分变量
prompt = PromptTemplate.from_template("你是一个{role}。请回答：{question}")
translator_prompt = prompt.partial(role="翻译专家")
print(translator_prompt.format(question="hello 怎么翻译？"))

3.3 ChatPromptTemplate

from_messages 方法

python 复制代码

# demo_chat_prompt_template.py
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

# 方式一：元组格式（推荐）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，回答要{style}。"),
    ("human", "{question}"),
])
messages = prompt.format_messages(role="Python 专家", style="通俗", question="什么是装饰器？")

# 方式二：消息类
prompt = ChatPromptTemplate.from_messages([
    HumanMessage(content="请将以下文本翻译成{language}：{text}"),
])

# 方式三：from_template 快捷方法
prompt = ChatPromptTemplate.from_template("请解释{concept}")

MessagesPlaceholder 详解

python 复制代码

# demo_messages_placeholder.py
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的 AI 助手。"),
    MessagesPlaceholder(variable_name="chat_history"),  # 插入对话历史
    ("human", "{user_input}"),
])

chat_history = [
    HumanMessage(content="我叫小明"),
    AIMessage(content="你好小明！"),
]

messages = prompt.format_messages(
    chat_history=chat_history,
    user_input="我叫什么名字？"
)
# AI 能从历史中知道用户叫小明

# 可选占位符
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个客服机器人。"),
    MessagesPlaceholder(variable_name="history", optional=True),
    ("human", "{question}"),
])
messages = prompt.format_messages(question="你好")  # 不提供 history 也可以

partial 方法

python 复制代码

# demo_chat_prompt_partial.py
from langchain_core.prompts import ChatPromptTemplate

# 创建时预填充
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，使用{language}回答。"),
    ("human", "{question}"),
], partial_variables={"role": "编程专家", "language": "中文"})

messages = prompt.format_messages(question="什么是 Python？")

# 运行时预填充
teacher_prompt = prompt.partial(role="老师")
messages = teacher_prompt.format_messages(question="什么是光合作用？")

完整 Demo

python 复制代码

# demo_chat_prompt_full.py
from dotenv import load_dotenv
load_dotenv()

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

# 代码审查助手
code_review_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位资深代码审查专家。请审查代码的质量、安全性和性能。"),
    ("human", "请审查以下 {language} 代码：\n```{language}\n{code}\n```"),
])

model = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)
chain = code_review_prompt | model

result = chain.invoke({"language": "Python", "code": "def add(a, b): return a + b"})
print(result.content)

# 带对话历史的翻译助手
translation_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业翻译。翻译成{target_language}。只输出翻译结果。"),
    MessagesPlaceholder(variable_name="history", optional=True),
    ("human", "{text}"),
])

chain = translation_prompt | model
result = chain.invoke({"target_language": "英文", "text": "今天天气真好", "history": []})
print(result.content)

3.4 FewShotPromptTemplate

所有参数

参数名	类型	默认值	说明
`examples`	`list[dict]`	`[]`	示例列表
`example_prompt`	`PromptTemplate`	必填	格式化每个示例的模板
`prefix`	`str`	`""`	示例前的前缀
`suffix`	`str`	`""`	示例后的后缀
`input_variables`	`list[str]`	`[]`	最终提示的输入变量
`example_separator`	`str`	`"\n\n"`	示例间的分隔符

示例选择器

选择器	说明	适用场景
`LengthBasedExampleSelector`	根据输入长度选择示例数量	输入长度变化大
`SemanticSimilarityExampleSelector`	根据语义相似度选择	示例种类多

完整 Demo

python 复制代码

# demo_fewshot_prompt.py
from dotenv import load_dotenv
load_dotenv()

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_core.prompts.example_selector import LengthBasedExampleSelector
from langchain_openai import ChatOpenAI

examples = [
    {"input": "开心 -> 英文", "output": "happy"},
    {"input": "悲伤 -> 英文", "output": "sad"},
    {"input": "愤怒 -> 英文", "output": "angry"},
]

example_prompt = PromptTemplate.from_template("输入: {input}\n输出: {output}")

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="翻译助手示例：",
    suffix="\n输入: {input}\n输出:",
    input_variables=["input"],
    example_separator="\n---\n",
)

print(few_shot_prompt.format(input="兴奋 -> 英文"))

# 使用 LengthBasedExampleSelector
all_examples = [
    {"input": f"情绪{i} -> 英文", "output": f"emotion{i}"}
    for i in range(8)
]

selector = LengthBasedExampleSelector(
    examples=all_examples,
    example_prompt=example_prompt,
    max_length=200,
)

dynamic_prompt = FewShotPromptTemplate(
    example_selector=selector,
    example_prompt=example_prompt,
    prefix="翻译示例：",
    suffix="\n输入: {input}\n输出:",
    input_variables=["input"],
)

model = ChatOpenAI(model="gpt-4o-mini", temperature=0.0)
chain = few_shot_prompt | model
result = chain.invoke({"input": "兴奋 -> 英文"})
print(result.content)

3.5 提示最佳实践

原则	说明	示例
明确具体	清楚说明你想要什么	"写一篇 300 字的 Python 入门教程"
提供角色	给 AI 设定专业角色	"你是一位有 10 年经验的 Python 开发者"
给出示例	通过示例展示期望格式	FewShot 提示
分步骤	复杂任务拆分为步骤	"第一步...第二步...第三步..."
指定格式	明确输出格式要求	"请用 JSON 格式输出"

python 复制代码

# 常见模式
from langchain_core.prompts import ChatPromptTemplate

# 角色 + 任务 + 约束
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}。\n任务：{task}\n约束：{constraints}"),
    ("human", "{input}"),
])

# 思维链（Chain of Thought）
cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "请一步一步地思考问题。"),
    ("human", "问题：{question}\n\n思考过程：\n1. ...\n\n最终答案：..."),
])

反模式	问题	正确做法
"帮我写东西"	太模糊	"帮我写一篇 300 字的 Python 入门教程"
"不要做X"	负面指令效果差	"请做Y"（正面指令）
模板中硬编码	不灵活	使用变量 `{variable}`