Langchain【3】---提示词模板、输出解析、LCEL链式调用

文章目录

• • 前言
  • 一、提示词模板：标准化管理你的Prompt，告别字符串拼接硬编码
  • • [1.1 原生字符串拼接的致命缺陷](#1.1 原生字符串拼接的致命缺陷)
    • [1.2 四大核心模板全场景详解](#1.2 四大核心模板全场景详解)
    • • [1. PromptTemplate 单轮文本基础模板](#1. PromptTemplate 单轮文本基础模板)
      • • 基础实例
        • [局部固定变量 partial 局部填充](#局部固定变量 partial 局部填充)
      • [2. ChatPromptTemplate 对话角色模板（开发首选）](#2. ChatPromptTemplate 对话角色模板（开发首选）)
      • [3. MessagesPlaceholder 对话历史占位插槽](#3. MessagesPlaceholder 对话历史占位插槽)
      • [4. FewShotPromptTemplate 少样本示例模板](#4. FewShotPromptTemplate 少样本示例模板)
    • [1.3 工业级Prompt编写规范拓展](#1.3 工业级Prompt编写规范拓展)
  • 二、输出解析器：统一格式化模型返回数据，打通业务代码
  • • [2.1 解析器核心价值](#2.1 解析器核心价值)
    • [2.2 四类解析器完整对比+补充拓展知识点](#2.2 四类解析器完整对比+补充拓展知识点)
    • • [1. StrOutputParser 基础文本解析器](#1. StrOutputParser 基础文本解析器)
      • [2. JsonOutputParser 提示词驱动JSON解析](#2. JsonOutputParser 提示词驱动JSON解析)
      • [3. llm.with_structured_output 厂商原生结构化输出【生产首选】](#3. llm.with_structured_output 厂商原生结构化输出【生产首选】)
      • [4. PydanticOutputParser 带强数据校验解析器](#4. PydanticOutputParser 带强数据校验解析器)
    • [2.3 解析器选型决策表（扩充细节）](#2.3 解析器选型决策表（扩充细节）)
  • 三、LCEL链式调用：Runnable流水线，搭积木式构建AI应用
  • • [3.1 什么是Chain & LCEL](#3.1 什么是Chain & LCEL)
    • [3.2 LCEL四大核心组合器，覆盖全部复杂业务逻辑](#3.2 LCEL四大核心组合器，覆盖全部复杂业务逻辑)
    • • [1. RunnableSequence 顺序流水线（管道符|底层实现）](#1. RunnableSequence 顺序流水线（管道符|底层实现）)
      • [2. RunnableParallel 并行分支执行](#2. RunnableParallel 并行分支执行)
      • [3. RunnablePassthrough 输入透传](#3. RunnablePassthrough 输入透传)
      • [4. RunnableLambda 自定义函数注入链路](#4. RunnableLambda 自定义函数注入链路)
    • [3.3 进阶生产级拓展功能](#3.3 进阶生产级拓展功能)
    • • [3.3.1 会话记忆链 RunnableWithMessageHistory](#3.3.1 会话记忆链 RunnableWithMessageHistory)
      • [3.3.2 自动重试 with_retry](#3.3.2 自动重试 with_retry)
      • [3.3.3 故障降级 with_fallbacks](#3.3.3 故障降级 with_fallbacks)
      • [3.3.4 流式输出 stream()](#3.3.4 流式输出 stream())
      • [3.3.5 异步调用 ainvoke](#3.3.5 异步调用 ainvoke)
  • 四、完整端到端综合实战Demo
  • 五、全文知识总结
  • • [1. 标准AI应用通用流水线](#1. 标准AI应用通用流水线)
    • [2. 核心组件速查清单](#2. 核心组件速查清单)

前言

做AI应用绕不开LangChain，很多新手入门时只会简单调用llm.invoke()，一旦遇到多变量提示词、结构化数据返回、多步骤业务流程就束手无策。

本文从零拆解LangChain三大核心基石：提示词模板、输出解析器、LCEL链式调用，覆盖基础语法、实战场景、选型对比、生产级优化方案，全部配套可直接运行代码。读完你就能搭建标准化、可复用、易维护的AI流水线，告别零散、混乱的模型调用代码。

一、提示词模板：标准化管理你的Prompt，告别字符串拼接硬编码

1.1 原生字符串拼接的致命缺陷

直接使用f-string拼接提示词是新手最常踩坑的写法，仅适合极简单的单变量场景：

# 不推荐：硬编码拼接，扩展性极差
style = "专业学术风"
topic = "大模型上下文窗口"
prompt = f"请用{style}讲解{topic}，控制在200字以内"

痛点总结：

1. 多变量时代码冗长，可读性差；
2. 提示词文本与业务代码耦合，修改话术需要改动业务逻辑；
3. 无法复用固定指令、角色设定；
4. 不支持对话历史、少样本示例等复杂场景。

提示词模板核心设计思路：框架与变量解耦，提前定义固定话术模板，运行时动态填充变量，统一管理全项目所有Prompt。

1.2 四大核心模板全场景详解

1. PromptTemplate 单轮文本基础模板

仅适用于单次无角色区分纯文本问答，底层基于字符串占位符{变量名}实现。

基础实例

from langchain_core.prompts import PromptTemplate

# 定义模板
base_template = PromptTemplate.from_template("用{tone}语气，总结{article}核心观点")
# 填充变量生成完整prompt
full_prompt = base_template.invoke({"tone": "客观中立", "article": "2026大模型轻量化技术白皮书"})
print(full_prompt.text)

局部固定变量 partial 局部填充

项目中大量场景存在全局固定参数（统一输出长度、统一要求简洁回答），使用partial预填充变量，减少重复传参：

# 预固定语气，后续仅需传入文章内容
fixed_tone_prompt = base_template.partial(tone="客观中立，通俗易懂")
res = fixed_tone_prompt.invoke({"article": "RAG检索增强原理"})
print(res.text)

2. ChatPromptTemplate 对话角色模板（开发首选）

适配现代大模型对话消息结构，区分system系统角色、human用户消息、ai模型历史回复，几乎所有对话类应用必用。

from langchain_core.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是资深后端工程师，回答{domain}相关问题，代码附带详细注释"),
    ("human", "请讲解{question}底层原理")
])
msg = chat_template.invoke({"domain": "Python异步", "question": "asyncio事件循环"})
print(msg.messages)

3. MessagesPlaceholder 对话历史占位插槽

实现多轮聊天记忆核心组件，在消息列表中预留位置，运行时动态插入历史对话消息，适配聊天机器人、连续问答场景。

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

chat_with_history = ChatPromptTemplate.from_messages([
    ("system", "记住用户所有对话信息，不能遗忘历史内容"),
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{user_input}")
])

# 传入历史对话
messages = chat_with_history.invoke({
    "chat_history": [
        HumanMessage("我的爱好是爬山"),
        AIMessage("爬山是很棒的户外运动！")
    ],
    "user_input": "我有什么爱好？"
})

简写技巧：无需导入类，直接使用("placeholder", "chat_history")实现同等效果。

4. FewShotPromptTemplate 少样本示例模板

单纯文字指令很难约束模型输出格式，少样本模板自动将标准示例注入Prompt，大幅提升输出一致性，适合分类、抽取、格式化生成场景。

新增补充知识点：示例选择器ExampleSelector

当示例数量庞大（几十上百条），全部塞进提示词会占用大量上下文，可使用SemanticSimilarityExampleSelector基于向量相似度筛选和问题最匹配的少量示例，降低token消耗。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 标准示例
examples = [
    {"text": "今天天气很好", "label": "正向"},
    {"text": "今天下雨心情很差", "label": "负向"}
]
# 单条示例渲染模板
example_format = PromptTemplate(template="文本：{text}\n情感标签：{label}", input_variables=["text", "label"])
# 组装少样本模板
few_shot = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_format,
    prefix="情感分类任务示例：",
    suffix="文本：{input_text}\n情感标签：",
    input_variables=["input_text"]
)
print(few_shot.invoke({"input_text": "今天吃到了好吃的火锅"}).text)

1.3 工业级Prompt编写规范拓展

1. 边界约束量化：明确字数、格式、禁止内容，例：回答不超过150字、禁止出现专业晦涩术语、不编造不存在数据；
2. 角色分层设计：system消息固定身份与全局规则，用户消息仅传入业务输入，分离职责；
3. 提示词分层存储：大型项目将所有模板存入yaml/json配置文件，代码动态读取，无需硬编码；
4. 分段拆分长Prompt：超长指令换行分段，模型更容易识别指令要求。

二、输出解析器：统一格式化模型返回数据，打通业务代码

2.1 解析器核心价值

大模型原生返回AIMessage对象，内容是自由自然语言文本，无法直接给前端、数据库、接口使用。输出解析器标准化处理返回结果：

• 基础场景：提取纯文本字符串；
• 业务场景：自动解析JSON、校验数据类型、生成结构化实体对象；
• 生产场景：依靠模型原生能力强制规范输出，消除乱格式问题。

2.2 四类解析器完整对比+补充拓展知识点

1. StrOutputParser 基础文本解析器

全项目使用频率最高的解析器，唯一功能：提取AIMessage中的content文本，是基础问答链标配末端组件。

from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
# 输入AIMessage对象，输出纯字符串
text = parser.invoke(llm_response)

2. JsonOutputParser 提示词驱动JSON解析

通过在系统提示词注入JSON格式说明，引导模型输出标准JSON字符串，再自动转为Python字典。

缺陷补充：依赖模型理解能力，轻量小模型容易输出多余注释、markdown代码块、残缺JSON，生产环境不建议单独使用，适合快速原型验证。

3. llm.with_structured_output 厂商原生结构化输出【生产首选】

OpenAI、智谱、通义千问等主流大模型API内置Function Calling/结构化输出能力，在模型层面强制约束返回格式，不输出多余文字，解析零失败。

拓展知识点：支持多模型无缝切换，更换LLM无需修改解析逻辑；支持数组、嵌套Pydantic复杂结构。

from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
# 嵌套复杂结构示例
class BookTag(BaseModel):
    tag_name: str
    weight: int = Field(description="标签权重1-10")

class BookInfo(BaseModel):
    name: str
    author: str
    tags: list[BookTag]

# 绑定结构化输出
structured_llm = llm.with_structured_output(BookInfo)
res = structured_llm.invoke("介绍《百年孤独》")
print(res.tags[0].tag_name)

4. PydanticOutputParser 带强数据校验解析器

基于Pydantic模型完成解析+双重校验，支持自定义字段校验器、数值范围、字符串长度限制，不符合规则直接抛出异常，适合数据强规范业务（评分、表单抽取）。

补充拓展：可自定义异常捕获逻辑，当模型输出不符合规范时自动重试调用模型。

2.3 解析器选型决策表（扩充细节）

使用场景	推荐组件	优势	短板
普通文案生成、对话问答	StrOutputParser	轻量无损耗，性能最优	无法结构化数据
原型开发、开源小模型兼容	JsonOutputParser	不依赖厂商特有能力，通用性强	格式不稳定，易解析失败
线上生产结构化接口	with_structured_output	API层强制格式，100%解析成功	仅支持主流商用大模型
数据抽取、表单、打分系统	PydanticOutputParser	内置数据校验，自动拦截脏数据	代码量略多
自定义特殊格式（XML/CSV）	继承BaseOutputParser自定义	完全自由定制	需要手动实现解析逻辑

三、LCEL链式调用：Runnable流水线，搭积木式构建AI应用

3.1 什么是Chain & LCEL

LangChain 旧版本使用Chain类硬编码流水线，代码臃肿、扩展性差；新版本推荐LCEL（LangChain Expression Language） ，依靠管道符|串联所有Runnable组件。

核心前提：模板、LLM、解析器、自定义函数全部实现Runnable统一接口，共享invoke/batch/stream/ainvoke同步/异步/流式方法。

无链式 vs LCEL链式对比：

# 繁琐手动分步调用
prompt_val = prompt.invoke(input_dict)
msg = llm.invoke(prompt_val)
result = parser.invoke(msg)

# LCEL一行流水线
chain = prompt | llm | parser
result = chain.invoke(input_dict)

3.2 LCEL四大核心组合器，覆盖全部复杂业务逻辑

1. RunnableSequence 顺序流水线（管道符|底层实现）

组件按顺序执行，上一个组件输出作为下一个组件输入，最基础流水线。支持链式无限拼接，组合后的Chain自身仍是Runnable，可二次拼接。

2. RunnableParallel 并行分支执行

同一输入分发到多条子链并行运行，汇总所有分支输出为字典，大幅提升多维度生成效率。

拓展实战场景：文章同时生成标题、摘要、关键词，并行执行后汇总整合；

from langchain_core.runnables import RunnableLambda

# 并行多分支
parallel_chain = {
    "title": PromptTemplate.from_template("给文章{text}生成3个标题") | llm | StrOutputParser(),
    "summary": PromptTemplate.from_template("总结{text}100字摘要") | llm | StrOutputParser()
}
# 并行结果汇总后再送入大模型整合
full_chain = parallel_chain | ChatPromptTemplate.from_template("标题：{title}\n摘要：{summary}\n优化输出") | llm

3. RunnablePassthrough 输入透传

保留原始输入数据向下传递，常用于RAG、多参数链路，同时携带原始query和检索上下文：

# RAG标准模板
rag_chain = (
    {
        "query": RunnablePassthrough(),
        "context": RunnableLambda(lambda q: retrieval.search(q))
    }
    | chat_prompt
    | llm
    | StrOutputParser()
)

4. RunnableLambda 自定义函数注入链路

将任意Python函数包装为Runnable，插入流水线实现数据清洗、字段转换、接口请求等自定义逻辑，打通AI与业务代码。

3.3 进阶生产级拓展功能

3.3.1 会话记忆链 RunnableWithMessageHistory

基于内存/数据库存储多轮对话历史，通过session_id区分不同用户会话，开箱即用聊天记忆，支持替换Redis、数据库持久化存储历史（拓展知识点：默认InMemory仅本地测试，线上需持久化存储）。

3.3.2 自动重试 with_retry

解决网络波动、模型限流报错，自定义最大重试次数、重试间隔：

stable_llm = llm.with_retry(stop_after_attempt=3, wait_between_attempts=1)
chain = prompt | stable_llm | parser

3.3.3 故障降级 with_fallbacks

主模型服务不可用时自动切换备用模型，保障服务可用性，线上高可用必备：

main_llm = ChatOpenAI(model="gpt-4o")
backup_llm = ChatOpenAI(model="gpt-4o-mini")
safe_llm = main_llm.with_fallbacks([backup_llm])

3.3.4 流式输出 stream()

所有LCEL链原生支持流式返回，实现打字机实时输出效果：

chain = prompt | llm | StrOutputParser()
for chunk in chain.stream({"concept": "向量数据库"}):
    print(chunk, end="")

3.3.5 异步调用 ainvoke

高并发场景使用异步接口，提升服务吞吐量，适配FastAPI后端：

import asyncio

async def run_async():
    res = await chain.ainvoke({"concept": "RAG"})
    print(res)
asyncio.run(run_async())

四、完整端到端综合实战Demo

整合提示词模板、结构化输出、LCEL链式并行调用，实现文章情感分析+标签抽取一体化链路：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.runnables import RunnableParallel
from pydantic import BaseModel, Field

# 1. 定义结构化输出模型
class ArticleAnalysis(BaseModel):
    sentiment: str = Field(description="情感：正向/负向/中性")
    score: int = Field(ge=1, le=10, description="情感分数1-10")
    keywords: list[str]

# 2. 初始化模型与模板
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
structured_llm = llm.with_structured_output(ArticleAnalysis)
summary_prompt = ChatPromptTemplate.from_template("精简总结下文：{article}") | llm | StrOutputParser()

# 3. LCEL并行链：同时做结构化抽取+文本总结
full_workflow = RunnableParallel({
    "analysis": ChatPromptTemplate.from_template("分析文章{article}") | structured_llm,
    "summary": summary_prompt
})

# 4. 执行完整流水线
result = full_workflow.invoke({"article": "国产大模型落地速度持续加快，各类轻量化方案大幅降低部署成本"})
print("情感分析：", result["analysis"])
print("文章总结：", result["summary"])

五、全文知识总结

1. 标准AI应用通用流水线

用户输入 → 提示词模板（格式化、注入示例/对话历史） → 大模型调用 → 输出解析器（文本/结构化对象） → 业务可用结果

全流程使用LCEL管道符串联，复杂分支逻辑依靠四大Runnable组合器实现。

2. 核心组件速查清单

1. 提示词模板
   • PromptTemplate：单轮纯文本
   • ChatPromptTemplate：角色对话（主流）
   • MessagesPlaceholder：对话历史插槽
   • FewShotPromptTemplate：少样本示例约束输出
2. 输出解析器
   • StrOutputParser：提取纯文本
   • with_structured_output：生产环境结构化首选
   • PydanticOutputParser：带数据校验抽取
3. LCEL组合工具
   • | 顺序执行、RunnableParallel并行、RunnablePassthrough透传、RunnableLambda自定义函数
   • 拓展能力：记忆会话、自动重试、故障降级、流式/异步调用