LangChain 两大基础提示词模板：PromptTemplate 与 ChatPromptTemplate 详解

1. 引言

在使用 LangChain 构建大模型应用时，提示词（Prompt）是与模型交互的核心桥梁。LangChain 提供了两大基础提示词模板：PromptTemplate 和 ChatPromptTemplate。它们分别面向普通 LLM 与 Chat 对话模型，是后续所有高级提示词技巧的基石。本文将深入剖析这两个模板的定义、用法，并从「普通 LLM」与「Chat 对话模型」两个角度对比分析它们的适用场景与设计差异。

2. 什么是 PromptTemplate

PromptTemplate 是 LangChain 中最基础的提示词模板，用于将用户输入的变量动态填充到一段固定的文本模板中，最终生成一个完整的字符串提示词。

2.1 基本用法

python 复制代码

from langchain.prompts import PromptTemplate

# 定义模板，使用 {变量名} 占位
template = "请用{language}写一段关于{topic}的介绍。"

# 创建 PromptTemplate 实例
prompt = PromptTemplate(
    input_variables=["language", "topic"],
    template=template,
)

# 填充变量，生成最终提示词
final_prompt = prompt.format(language="Python", topic="装饰器")
print(final_prompt)

输出结果：

text 复制代码

请用Python写一段关于装饰器的介绍。

2.2 核心特点

单一字符串输出 ：PromptTemplate 最终产出的是一段纯文本字符串，没有角色（role）概念。
变量占位符 ：通过 {变量名} 在模板中预留位置，运行时用 format() 方法填充。
简单直接：适用于输入输出都是纯文本的场景，如文本生成、文本分类、关键词提取等。

3. 什么是 ChatPromptTemplate

ChatPromptTemplate 是面向 Chat 对话模型的提示词模板。它不再是一段孤立的文本，而是由多条「消息」（Message）组成的对话结构，每条消息都带有角色标识（如系统、人类、AI）。

3.1 基本用法

python 复制代码

from langchain.prompts import ChatPromptTemplate

# 定义对话模板，使用元组 (角色, 内容) 列表
template = ChatPromptTemplate.from_messages([
    ("system", "你是一位精通{language}的资深技术专家。"),
    ("human", "请用通俗易懂的方式解释{topic}。"),
])

# 填充变量，生成消息列表
messages = template.format_messages(
    language="Python",
    topic="闭包",
)
print(messages)

输出结果：

text 复制代码

[
    SystemMessage(content="你是一位精通Python的资深技术专家。"),
    HumanMessage(content="请用通俗易懂的方式解释闭包。"),
]

3.2 核心特点

多消息结构：由系统消息、人类消息、AI 消息等组成，模拟真实对话上下文。
角色区分：每条消息都有明确的角色，帮助模型理解对话语境与任务边界。
支持消息模板 ：除了 from_messages，还支持 MessagePromptTemplate 等更细粒度的组合方式。

4. 从「普通 LLM」角度分析

普通 LLM（如早期的 GPT-3、文本补全类模型）接收的输入是一段连续的文本，没有对话历史与角色概念。此时 PromptTemplate 是最合适的选择。

4.1 适用场景

单轮文本生成任务，如写文章、翻译、摘要。
输入输出均为纯文本，无需维护多轮对话状态。
调用的是 llm.predict() 或 llm.invoke() 这类文本补全接口。

4.2 示例：使用 PromptTemplate 调用普通 LLM

python 复制代码

from langchain.llms import OpenAI
from langchain.prompts import PromptTemplate

llm = OpenAI(model="text-davinci-003")

prompt = PromptTemplate(
    input_variables=["product"],
    template="为以下产品写一句吸引人的广告语：{product}",
)

# 生成提示词并调用模型
text = prompt.format(product="智能保温杯")
response = llm.invoke(text)
print(response)

4.3 局限性

无法表达「系统指令」与「用户输入」的层次关系。
多轮对话时需要手动拼接历史消息，维护成本高。
对需要角色扮演或复杂指令约束的任务，表达能力有限。

5. 从「Chat 对话模型」角度分析

Chat 对话模型（如 GPT-4、ChatGLM、通义千问等）原生支持多消息对话结构，能区分系统指令、用户输入与历史回复。此时 ChatPromptTemplate 能充分发挥模型能力。

5.1 适用场景

多轮对话机器人、客服系统、AI 助手。
需要系统角色设定（如「你是资深律师」「你是幽默的导游」）的任务。
调用的是 chat_model.invoke() 或 chat_model.predict_messages() 这类对话接口。

5.2 示例：使用 ChatPromptTemplate 调用 Chat 模型

python 复制代码

from langchain.chat_models import ChatOpenAI
from langchain.prompts import ChatPromptTemplate

chat_model = ChatOpenAI(model="gpt-4")

template = ChatPromptTemplate.from_messages([
    ("system", "你是一位耐心的数学老师，擅长用生活例子讲解概念。"),
    ("human", "请解释什么是{concept}？"),
])

# 生成消息列表并调用模型
messages = template.format_messages(concept="微积分")
response = chat_model.invoke(messages)
print(response.content)

5.3 核心优势

系统消息设定角色：在对话开始前明确模型的身份与行为准则。
天然支持多轮上下文：消息列表可不断追加历史对话，模型能理解完整语境。
更精细的控制：可分别构造系统、用户、助手消息，实现复杂对话流程。

6. 两大模板对比总结

对比维度	PromptTemplate	ChatPromptTemplate
输出形式	单一字符串	消息列表（含角色）
角色概念	无	有（system / human / ai）
适用模型	普通 LLM（文本补全）	Chat 对话模型
多轮对话	需手动拼接	原生支持
调用接口	`llm.invoke(text)`	`chat_model.invoke(messages)`
典型场景	文本生成、翻译、摘要	聊天机器人、AI 助手
复杂度	低	中

7. 如何选择

如果你的模型是普通文本补全模型 ，且任务为单轮文本处理，优先使用 PromptTemplate。
如果你的模型是Chat 对话模型 ，或需要系统角色设定、多轮上下文，优先使用 ChatPromptTemplate。
在实际项目中，两者可以结合使用：先用 PromptTemplate 处理文本，再用 ChatPromptTemplate 组织对话流程。

8. 总结

PromptTemplate 与 ChatPromptTemplate 是 LangChain 提示词体系的两大基石。前者面向普通 LLM，以简单字符串完成单轮文本任务；后者面向 Chat 对话模型，以多消息结构实现复杂对话与角色控制。理解两者的差异，能帮助你在不同模型与场景下做出正确选择，为构建更强大的 LLM 应用打下坚实基础。