从零讲透 LangChain 提示词模板：不只是 Prompt，而是“可复用的 AI 指令工厂”

一、为什么需要提示词模板？

过去一段时间，大家和大模型交互时，往往习惯直接手写 Prompt：

"帮我写一封请假条。"

"用 Python 写一个快速排序。"

这种方式在小实验中没问题，但一旦进入工程化开发，立刻会遇到几个问题：

不可复用：每次都要重新写 Prompt，重复劳动。
容易出错：变量拼接混乱，格式不一致。
难以维护：Prompt 散落在代码各处，改一处要全局搜索。
缺乏结构：系统指令、用户输入、示例混杂在一起。

于是，**提示词模板（Prompt Template）** 应运而生。

一句话概括：

提示词模板 = 把"写死的 Prompt"变成"可配置、可复用、可组合的结构化指令系统"。

它不是简单地往字符串里填变量，而是 LangChain 工程化体系里的第一块积木。

二、什么是提示词模板？

1️⃣ 通俗理解

你可以把提示词模板想象成**"填空题"** 或**"邮件模板"**：

固定内容：系统角色、任务要求、输出格式。
可变内容：用户输入、日期、上下文、示例。

运行时，LangChain 会把变量注入模板，生成最终交给大模型的 Prompt。

2️⃣ 一个直观对比

传统写法（硬编码）：

复制代码

prompt = "你是一个Python工程师，请解释什么是装饰器。"

问题：换个角色就要重写，换个问题也要重写。

模板化写法：

复制代码

template = "你是一个{role}，请解释{concept}。"

优点：同一个模板，可以生成无数个不同场景的 Prompt。

三、提示词模板的核心组成

一个成熟的提示词模板，通常包含以下几个维度：

组成部分	作用	示例
静态文本	固定不变的指令	"你是一个资深工程师"
变量占位符	动态注入用户输入	`{topic}`, `{question}`
系统指令	定义角色和行为边界	System Message
示例（Few-Shot）	教模型"照葫芦画瓢"	输入/输出对
历史上下文	支持多轮对话	chat_history

LangChain 把这些要素抽象成了不同类型的模板类，让你可以像搭积木一样组合它们。

四、LangChain 常见提示词模板类型

✅ 1. PromptTemplate（基础文本模板）

最基础的模板，用于生成纯字符串 Prompt。

适用场景：

简单的文本生成
单轮问答
不需要角色区分的任务

from langchain_core.prompts import PromptTemplate

template = PromptTemplate.from_template(
"你是一个{role}，请用{style}风格回答：{question}"
)

prompt_value = template.invoke({
"role": "算法工程师",
"style": "专业严谨",
"question": "什么是梯度下降？"
})

print(prompt_value.to_string())

👉 适合入门和简单任务，写法最接近原生字符串格式化。

✅ 2. ChatPromptTemplate（聊天消息模板）

这是生产环境最常用的模板，专为聊天模型设计。

它生成的不是字符串，而是一个消息列表（List of Messages），包含 system、human、ai 等角色。

复制代码

from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，回答要控制在{word_count}字以内。"),
    ("human", "{user_input}")
])

prompt_value = chat_template.invoke({
    "role": "产品经理",
    "word_count": 100,
    "user_input": "帮我写一段AI Agent的需求文档摘要。"
})

print(prompt_value.to_messages())

👉 适合构建聊天机器人、客服助手、多轮对话系统。

✅ 3. FewShotPromptTemplate（少样本模板）

当你需要模型严格按照某种格式或风格输出时，仅靠文字描述往往不够稳定。这时就需要给模型看"示例"。

复制代码

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {"input": "开心", "output": "难过"},
    {"input": "高", "output": "矮"},
]

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

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    prefix="请根据示例写出反义词：",
    suffix="输入：{word}\n输出：",
    input_variables=["word"]
)

print(few_shot_prompt.invoke({"word": "快"}).to_string())

👉 适合分类任务、格式转换、风格模仿。

✅ 4. MessagesPlaceholder（动态消息占位符）

在多轮对话中，你无法预知用户会说几句。这时就需要 MessagesPlaceholder来动态插入历史记录。

复制代码

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

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

history = [
    HumanMessage(content="我叫小明。"),
    AIMessage(content="你好小明，很高兴认识你！")
]

prompt_value = chat_template.invoke({
    "history": history,
    "input": "你还记得我的名字吗？"
})

print(prompt_value.to_messages())

👉 这是构建有记忆的 AI Agent 的关键组件。

五、进阶技巧：组合与工程化

1. 模板组合（+ 运算符）

LangChain 支持把多个模板拼在一起，实现模块化复用：

复制代码

from langchain_core.prompts import PromptTemplate

base_template = PromptTemplate.from_template("你是一个{expertise}领域的专家。\n")
task_template = PromptTemplate.from_template("请完成以下任务：{task}")

combined_template = base_template + task_template

print(combined_template.invoke({
    "expertise": "金融",
    "task": "解释什么是复利效应。"
}).to_string())

2. Partial（部分变量预填充）

有些变量是全局固定的（如当前时间、系统版本），可以用 partial提前锁定：

复制代码

from datetime import datetime
from langchain_core.prompts import PromptTemplate

template = PromptTemplate.from_template(
    "当前时间：{current_time}\n问题：{question}"
).partial(current_time=datetime.now().strftime("%Y-%m-%d %H:%M"))

print(template.invoke({"question": "今天星期几？"}).to_string())

3. LCEL 链式调用（Prompt → LLM → Output）

提示词模板通常不是孤立使用的，它会和模型、输出解析器连成一条链：

复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI  # 或其他兼容模型

prompt = ChatPromptTemplate.from_template("{question}")
model = ChatOpenAI()
parser = StrOutputParser()

chain = prompt | model | parser

result = chain.invoke({"question": "用一句话解释LangChain。"})
print(result)

👉 这就是 LangChain 表达式语言（LCEL）的魅力：把"生成 Prompt → 调用模型 → 解析输出"变成一条流水线。

六、提示词模板 vs 裸写 Prompt

对比项	裸写 Prompt	提示词模板
是否可复用	❌	✅
是否支持变量	❌	✅
是否支持多轮对话	❌	✅
是否支持示例注入	❌	✅
是否易于维护	❌	✅
是否适合生产环境	❌	✅

👉 模板不是为了炫技，而是为了把 Prompt 从"字符串"升级为"工程资产"。

七、常见坑点与最佳实践

⚠️ 常见坑

变量名不一致 ：模板里写 {input}，调用时传 {"user_input": "xxx"}，直接报错。
忘记转义：模板里有 JSON 结构，花括号冲突导致格式化失败。
过度堆砌示例：Few-Shot 示例太多会撑爆 Token 窗口，增加成本和延迟。
忽视角色分离：把所有指令都塞进 user 消息，导致模型行为不稳定。

✅ 最佳实践

命名清晰 ：用 user_input、task_description，别用 a、b、x。
三段式结构：任务描述 + 上下文 + 输出约束。
优先使用 invoke：它是 LangChain Runnable 标准接口，兼容链式调用。
复杂对话用 ChatPromptTemplate：永远不要用字符串模板硬拼多轮对话。

八、总结一句话

提示词模板不是"更复杂的 Prompt"，而是让 AI 从"临时对话"走向"工程化交付"的基础设施。

如果说大模型是发动机，那么提示词模板就是方向盘、仪表盘和控制系统。没有它，你只能"开一下"；有了它，你才能造出一辆真正能跑的车。