LangChain 学习记录 03：提示词模板 PromptTemplate 与 ChatPromptTemplate 详解

摘要

在大模型应用开发里，Prompt 不是随手拼出来的一段字符串，而是影响模型输出质量、代码可维护性和项目稳定性的核心资产。

本文围绕 LangChain 的提示词模板展开，重点讲清楚：

为什么不要长期依赖 f-string 手动拼 Prompt
PromptTemplate 和 ChatPromptTemplate 分别适合什么场景
partial 和 partial_variables 如何减少重复传参
MessagesPlaceholder 为什么是多轮对话的关键
FewShotPromptTemplate 如何用示例引导模型输出

一句话概括：

text 复制代码

Prompt Template 的作用，是把"怎么问模型"这件事标准化、参数化、可复用。

文章目录

[LangChain 学习记录 03：提示词模板 PromptTemplate 与 ChatPromptTemplate 详解](#LangChain 学习记录 03：提示词模板 PromptTemplate 与 ChatPromptTemplate 详解)
- 摘要
- 一、为什么需要提示词模板
- [二、Prompt Template 的底层逻辑](#二、Prompt Template 的底层逻辑)
- 三、PromptTemplate：最基础的字符串模板
- - 常见写法对比
- 四、ChatPromptTemplate：聊天模型的主力模板
- - [system、human、ai 的区别](#system、human、ai 的区别)
- [五、partial 与 partial_variables](#五、partial 与 partial_variables)
- - [partial 的核心价值](#partial 的核心价值)
  - [partial 和 partial_variables 区别](#partial 和 partial_variables 区别)
- 六、MessagesPlaceholder：给历史对话留位置
- 七、FewShotPromptTemplate：用示例教模型做事
- 八、项目中怎么选
- 九、常见坑
- - [1. 模板变量名和 invoke 输入不一致](#1. 模板变量名和 invoke 输入不一致)
  - [2. 把 ChatPromptTemplate 当成普通字符串](#2. 把 ChatPromptTemplate 当成普通字符串)
  - [3. MessagesPlaceholder 传入的不是消息列表](#3. MessagesPlaceholder 传入的不是消息列表)
  - [4. Few-shot 示例太多](#4. Few-shot 示例太多)
- 十、小结
- 参考资料

一、为什么需要提示词模板

刚开始调用大模型时，我们很容易这样写：

python 复制代码

topic = "向量数据库"
style = "通俗易懂"

prompt = f"请用{style}的方式解释什么是{topic}"

这当然能跑。

但真实项目里的 Prompt 往往不是一句话，而是包含：

角色设定
任务目标
输入数据
输出格式
约束条件
示例
历史对话
安全边界

如果全部用字符串拼接，代码会慢慢变成这样：

python 复制代码

prompt = (
    "你是一个专业助手。\n"
    f"请分析下面内容：{text}\n"
    "要求：\n"
    "1. 输出 JSON\n"
    "2. 不要添加解释\n"
    f"3. 语气要{style}\n"
)

一开始看着还行，后面需求一改，Prompt 四处散落，维护起来就像在旧项目里找一个没有注释的全局变量，心态非常容易裂开。

提示词模板解决的就是这个问题：

text 复制代码

把 Prompt 的固定部分和可变部分分离。

也就是：

text 复制代码

固定模板 + 动态变量 = 最终 Prompt

二、Prompt Template 的底层逻辑

先看一张逻辑图。

LangChain 中的提示词模板大概遵循这个流程：

text 复制代码

变量输入
  ↓
PromptTemplate / ChatPromptTemplate
  ↓
PromptValue
  ↓
Chat Model 或 LLM

这里有一个容易忽略的点：

text 复制代码

PromptTemplate 调用后，不一定直接得到普通字符串。

它可能生成一个 PromptValue，这个中间对象可以适配不同模型：

给普通 LLM 时，可以转成字符串
给 Chat Model 时，可以转成消息列表

这就是 LangChain 组件能无缝接入 LCEL 链的原因。

后面你会经常看到：

python 复制代码

chain = prompt | model | parser

这里的 prompt 能接到 model 前面，就是因为它们都遵循统一的输入输出协议。

三、PromptTemplate：最基础的字符串模板

PromptTemplate 适合简单文本生成场景。

比如：

python 复制代码

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "请用{style}的风格解释什么是{topic}。"
)

result = prompt.invoke({
    "style": "通俗易懂",
    "topic": "向量数据库"
})

print(result)

这里的 {style} 和 {topic} 是占位符。

调用时传入：

python 复制代码

{
    "style": "通俗易懂",
    "topic": "向量数据库"
}

LangChain 会把变量填进模板，生成最终 Prompt。

你也可以把它理解成一个函数：

python 复制代码

def prompt(style, topic):
    return f"请用{style}的风格解释什么是{topic}。"

只不过 LangChain 的模板更适合后续接入模型、解析器和 Chain。

常见写法对比

写法	说明	适合场景
f-string	Python 原生字符串拼接	临时实验、小脚本
`PromptTemplate`	LangChain 字符串模板	单轮文本生成
`ChatPromptTemplate`	聊天消息模板	对话模型、多轮问答
`FewShotPromptTemplate`	示例驱动模板	需要给模型示范输出模式

如果你只是写一个极小 demo，f-string 没问题。

但只要准备做项目，就建议尽早换成 Prompt Template。

四、ChatPromptTemplate：聊天模型的主力模板

现在大多数大模型接口都属于 Chat Model。

Chat Model 不只是接收一段字符串，而是接收一组消息：

text 复制代码

system：系统规则
human：用户输入
ai：模型历史回复

所以更常用的是 ChatPromptTemplate。

python 复制代码

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名耐心的技术导师，擅长用简单例子解释复杂概念。"),
    ("human", "请解释：{question}")
])

prompt_value = prompt.invoke({
    "question": "LangChain 中的 PromptTemplate 有什么用？"
})

print(prompt_value)

这段模板里有两条消息：

text 复制代码

system：给模型设定身份和行为规则
human：用户真正要问的问题

system、human、ai 的区别

角色	作用	示例
`system`	设定模型身份、规则、边界	你是一个严谨的代码审查助手
`human`	用户当前输入	请解释这段代码
`ai`	模型之前的回复，常用于示例或历史	这段代码的作用是...

一个更贴近项目的例子：

python 复制代码

review_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个资深 Python 代码审查助手。"),
    ("human", "请审查下面代码，指出潜在问题：\n{code}")
])

这个模板比普通字符串更清晰：

系统身份放在 system
用户任务放在 human
变量 {code} 独立传入

代码更像在描述业务流程，而不是乱拼字符串。

五、partial 与 partial_variables

有时模板里有些变量是固定的。

比如：

python 复制代码

prompt = PromptTemplate.from_template(
    "请用{style}风格解释{topic}，要求不超过{max_words}字。"
)

如果 style 总是"通俗易懂"，我们不想每次都传：

python 复制代码

prompt = prompt.partial(style="通俗易懂")

之后调用时只需要传剩下的变量：

python 复制代码

result = prompt.invoke({
    "topic": "RAG",
    "max_words": 100
})

partial 的核心价值

text 复制代码

提前填充一部分变量，让模板变成更具体的模板。

这有点像函数默认参数：

python 复制代码

def explain(topic, style="通俗易懂"):
    ...

partial 和 partial_variables 区别

方式	使用时机	特点
`partial()`	模板创建之后再填充变量	灵活，适合运行时决定
`partial_variables`	模板创建时就固定变量	更自描述，适合固定配置

示例：

python 复制代码

prompt = PromptTemplate(
    template="请用{style}风格解释{topic}",
    input_variables=["topic"],
    partial_variables={
        "style": "通俗易懂"
    }
)

如果这个固定值来自用户选择、配置文件或运行时上下文，优先用 partial()。

如果这个固定值就是模板定义的一部分，可以用 partial_variables。

六、MessagesPlaceholder：给历史对话留位置

多轮对话中，我们需要把历史聊天记录插入 Prompt。

这时就要用：

python 复制代码

MessagesPlaceholder

示例：

python 复制代码

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个耐心的学习助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

这里的：

python 复制代码

MessagesPlaceholder(variable_name="history")

可以理解为：

text 复制代码

这里先空着，运行时把历史消息列表塞进来。

运行时可以传：

python 复制代码

prompt.invoke({
    "history": [
        ("human", "我叫张三"),
        ("ai", "你好，张三")
    ],
    "input": "我叫什么？"
})

最终模型看到的上下文大概是：

text 复制代码

system：你是一个耐心的学习助手
human：我叫张三
ai：你好，张三
human：我叫什么？

重点：

text 复制代码

MessagesPlaceholder 本身不保存历史，它只是给历史消息留一个插槽。

真正自动保存和读取历史，后面通常会配合 RunnableWithMessageHistory。

七、FewShotPromptTemplate：用示例教模型做事

有些任务光靠一句指令不够稳定。

比如你希望模型把情绪词转换成近义词：

text 复制代码

高兴 -> 开心
难过 -> 悲伤
生气 -> 愤怒

这时可以用 Few-shot prompting，也就是给模型几个示例。

python 复制代码

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {"input": "高兴", "output": "开心"},
    {"input": "难过", "output": "悲伤"},
    {"input": "生气", "output": "愤怒"},
]

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

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="请把用户输入的情绪词转换成一个近义词。",
    suffix="输入：{word}\n输出：",
    input_variables=["word"]
)

result = prompt.invoke({
    "word": "开心"
})

print(result)

生成的 Prompt 大致是：

text 复制代码

请把用户输入的情绪词转换成一个近义词。

输入：高兴
输出：开心

输入：难过
输出：悲伤

输入：生气
输出：愤怒

输入：开心
输出：

Few-shot 的底层逻辑是：

text 复制代码

不是只告诉模型规则，而是给模型看"输入和输出应该长什么样"。

这对以下任务特别有用：

分类
格式转换
风格模仿
固定结构输出
少量业务规则示范

八、项目中怎么选

可以用这张表快速判断。

场景	推荐模板	原因
简单文本生成	`PromptTemplate`	轻量，适合字符串 Prompt
调用聊天模型	`ChatPromptTemplate`	支持 system/human/ai 角色
多轮对话	`ChatPromptTemplate + MessagesPlaceholder`	可以插入历史消息
需要示例引导	`FewShotPromptTemplate`	用样例稳定模型行为
固定部分变量	`partial()`	减少重复传参

我的建议：

text 复制代码

如果你现在主要用 ChatOpenAI、ChatOllama 等聊天模型，优先掌握 ChatPromptTemplate。

PromptTemplate 要会，但真实项目里 ChatPromptTemplate 更常用。

九、常见坑

1. 模板变量名和 invoke 输入不一致

模板里写的是：

python 复制代码

"请解释：{topic}"

调用时却传：

python 复制代码

{"question": "LangChain"}

这样会报错。

正确写法：

python 复制代码

{"topic": "LangChain"}

变量名要对上，程序不认"差不多"。

2. 把 ChatPromptTemplate 当成普通字符串

ChatPromptTemplate 生成的是消息结构，不是简单字符串。

它的优势正是能区分：

text 复制代码

system / human / ai

不要强行把它当普通字符串拼来拼去。

3. MessagesPlaceholder 传入的不是消息列表

错误思路：

python 复制代码

{"history": "用户：你好\nAI：你好"}

更推荐：

python 复制代码

{
    "history": [
        ("human", "你好"),
        ("ai", "你好，有什么可以帮你？")
    ]
}

因为聊天模型更容易理解结构化消息。

4. Few-shot 示例太多

示例不是越多越好。

示例太多会：

增加 token 成本
挤占上下文窗口
让 Prompt 变难维护

通常先从 2 到 5 个高质量示例开始。

十、小结

这一篇主要讲了 LangChain 的提示词模板。

你可以这样记：

text 复制代码

PromptTemplate：普通字符串模板。
ChatPromptTemplate：聊天消息模板。
MessagesPlaceholder：给历史消息留插槽。
FewShotPromptTemplate：用示例引导模型。
partial：提前填充部分变量。

最重要的是这句话：

text 复制代码

提示词模板不是为了少写字符串，而是为了让 Prompt 变得可复用、可维护、可组合。

下一篇继续学习：Output Parser 输出解析器 。

如果说 Prompt Template 负责"怎么问"，那么 Output Parser 就负责"怎么把模型回答变成程序能用的数据"。

参考资料

LangChain Python 官方文档：https://docs.langchain.com/oss/python/langchain
LangChain Core API Reference：https://reference.langchain.com/python/langchain-core/