大模型技术 提示词模板 概述

在 LangChain 中，提示词模板（Prompt Template） 是构建大模型应用的核心基石。

如果把大模型比作一个"极其聪明但没有记忆的员工"，那么提示词模板就是一份标准化的"工作指南"。它将用户的动态输入与预设的指令、上下文、格式要求结合起来，确保大模型能输出高质量、符合预期的结果。

---

一、 为什么需要提示词模板？

1. 逻辑与数据分离：你不需要在代码里硬编码复杂的提示语。你可以定义一个模板，只在运行时注入变量（如用户的问题、背景资料）。
2. 复用性：同一个任务（如翻译、总结）的指令可以定义一次，多次使用。
3. 角色注入：轻松为 AI 设定特定的身份（如"资深架构师"或"幽默诗人"）。
4. 标准化输出：配合前文提到的解析器，通过模板告知模型必须以 JSON 或特定格式返回。

---

二、 核心模板类型

LangChain 主要提供了两种模板，对应不同的模型接口：

1. PromptTemplate (普通模板)

用于传统的文本补全模型（LLMs），它只是一个简单的字符串模板。

from langchain.prompts import PromptTemplate

# 1. 定义模板字符串，使用 {variable} 作为占位符
template = "你是一位专业的{field}教练。请为我制定一个{duration}的训练计划。"

# 2. 实例化模板
prompt = PromptTemplate(
    input_variables=["field", "duration"],
    template=template
)

# 3. 填充变量生成最终提示词
final_prompt = prompt.format(field="马拉松", duration="三个月")
print(final_prompt)
# 输出: 你是一位专业的马拉松教练。请为我制定一个三个月的训练计划。

2. ChatPromptTemplate (对话模板) ------ 最常用

用于聊天模型（ChatModels）。它由一组具有不同角色的"消息"组成（System, Human, AI）。

from langchain.prompts import ChatPromptTemplate

# 定义多角色对话模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一名{language}翻译官，负责将用户输入的中文翻译成{language}。"),
    ("human", "请翻译这段话：{text}"),
])

# 填充变量
messages = chat_template.format_messages(
    language="法语",
    text="今天天气真不错"
)
# 生成的结果是一组 Message 对象，可直接发送给 ChatOpenAI 或 Ollama

---

三、 进阶用法：少样本模板 (Few-Shot Prompting)

"少样本"是指给模型几个例子，让它模仿。这在处理复杂逻辑或特定风格时非常有效。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 1. 准备示例
examples = [
    {"input": "开心", "output": "像盛开的花朵一样灿烂"},
    {"input": "难过", "output": "像阴雨连绵的深秋一样萧索"},
]

# 2. 定义示例的格式
example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="词语: {input}\n比喻: {output}"
)

# 3. 构建少样本模板
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    suffix="词语: {user_input}\n比喻:", # 后缀，即用户的输入
    input_variables=["user_input"]
)

print(few_shot_prompt.format(user_input="孤独"))
# 模型会模仿之前的风格生成关于"孤独"的比喻

---

四、 组合提示词 (Pipeline Prompt)

有时候提示词非常复杂，你可能希望把几个小模板组合成一个大模板。

• 场景：先设定身份，再引入背景知识，最后提出问题。
• 实现 ：使用 PipelinePromptTemplate（由于篇幅，此处仅作概念介绍，它允许将基础模板插入到父模板的占位符中）。

---

五、 最佳实践技巧

1. 部分填充 (Partial Formatting) ： 如果你在程序开始时就知道某些变量（比如当前日期），而另一些变量（比如用户输入）要等会儿才知道，可以使用 partial。

   partial_prompt = prompt.partial(date="2024-05-20")
   # 稍后再填充剩下的变量
   final_prompt = partial_prompt.format(user_query="你好")

2. 外部加载 ： 为了保持代码整洁，可以将复杂的 Prompt 存储在 yaml 或 json 文件中，通过 LangChain 加载。

3. LCEL 管道调用： 将模板直接放在链的最前端：

   chain = chat_template | model | output_parser
   chain.invoke({"language": "英语", "text": "吃了吗？"})

总结

提示词模板不仅仅是字符串拼接，它是 Prompt 工程的工程化实现。通过 LangChain 的模板系统，你可以：

• 结构化 地表达任务逻辑。
• 动态化 地注入实时数据。
• 模式化 地引导 AI 模仿特定行为。

掌握了 Prompt Template，你就掌握了控制大模型行为的"方向盘"。