前端转 Agent 开发 · 第三节：LangChain 提示词模板

🚀 前端转 Agent 开发 · 第三节：LangChain 提示词模板

📅 学习日期：2026-09-07（Day 03） 🧑‍💻 学习者：一名前端开发工程师 🎯 今日目标：搞懂 LangChain 的三大提示词模板 ------ PromptTemplate / FewShotPromptTemplate / ChatPromptTemplate

📖 写在前面

第一天我们裸调了 OpenAI 兼容 API 🤙，今天正式进入框架世界 ------ LangChain。

先解决一个前端式灵魂拷问：为什么要用框架？不就是把第一天的代码包一层吗？

用 React 举例子 🤔：裸写 DOM 也能做页面，但 React 给你组件化、状态管理、生态。LangChain 之于大模型调用，就是这层关系 ------ 它把「提示词、模型、输出解析、链式调用」都标准化了。

今天的学习路线：

用前端思维先建立映射，后面看代码会非常丝滑：

前端世界 🌍	LangChain 世界 🦜
模板字符串 `你好${name}`	`PromptTemplate.from_template()`
React 组件的 props	`format({name, gender})`
Vue/React 的 `<slot/>` 插槽	`MessagesPlaceholder("history")`
中间件管道 / RxJS pipe	`chain = template
封装好的请求层（axios 封装）	`Tongyi` / `ChatOpenAI` 模型类

🧩 第一种：PromptTemplate（通用提示词模板）

适用场景：zero-shot ------ 不给示例，直接下指令，一次到位。

💻 示例代码

python 复制代码

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate

# 🧩 第一步：定义模板，{name} {gender} 就是可以挖空填变量的"插槽"
prompts_template = PromptTemplate.from_template(
    "我的邻居姓{name},刚生了{gender},帮忙给起个名字，简单回答"
)

# 📝 方式一：format 手动填空，得到纯字符串
prompts_text = prompts_template.format(name='哈哈哈', gender='男')

model = Tongyi(model="qwen-max", api_key=key)  # 🔑 api-key 走环境变量更安全

# 写法一：正常调用（模板已经 format 成字符串了）
# res = model.invoke(input=prompts_text)
# print(res)

# ⛓️ 写法二：链式调用（推荐！模板和模型用管道符串起来）
chain = prompts_template | model
res = chain.invoke(input={"name": "哈哈哈", "gender": "男"})
print(res)

🖼️ 链式调用流程图

前端视角看 chain = prompts_template | model：

😲 这不就是 promise.then() 或者 RxJS 的 pipe() 吗？！上游的输出是下游的输入，一管道捅到底。LangChain 里这个能力来自 Runnable 接口 ，所有组件都实现了它，所以都能用 | 串起来。

🤔 灵魂拷问：为什么不直接拼字符串？

python 复制代码

# 直接 f-string 不香吗？
prompt = f"我的邻居姓王,刚生了男,帮忙给起个名字，简单回答"

我第一反应也是这样 🙃，但认真想了下，用 PromptTemplate 有两个硬核理由：

🏭 工程化：模板集中管理、可复用、可测试。大型项目里提示词散落在各个 f-string 里 = 灾难现场，跟"组件里硬编码文案"一样难维护。
⛓️ 链式调用 ：只有 PromptTemplate 这种 Runnable 对象才能用 | 接到模型上，纯字符串不行。这是为后续的 Chain、Agent 铺路。

💡 第二种：FewShotPromptTemplate（少样本模板）

适用场景：few-shot ------ 先给模型看几个"例题"，再让它做"考题"。上节课接口文档问答里我们手动拼 examples，这次框架直接给你封装好了 🎁

💻 示例代码

python 复制代码

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 📐 单条示例长什么样（也是一个小模板）
example_template = PromptTemplate.from_template("单词：{str},结果：{l}")

# 📚 示例数据：同一个词翻译成 4 种语言
examples = [
    {"str": "你好", "l": "hello"},        # 英语
    {"str": "你好", "l": "Bonjour"},      # 法语
    {"str": "你好", "l": "Здравствуй"},   # 俄语
    {"str": "你好", "l": "你好"},         # 中文
]

# 🎁 把前缀 + 示例集 + 后缀组装成完整 Few-shot 模板
prompts_templates = FewShotPromptTemplate(
    example_prompt=example_template,
    examples=examples,
    suffix="现在告诉我{word}翻译为{yy}是什么？",   # 📝 真正的"考题"
    prefix="按要求翻译单词，如以下示例：",          # 🎭 开场白
    input_variables=["word", "yy"]
)

# ⛓️ 模板本身也是 Runnable，可以直接 invoke 再转字符串
prompts = prompts_templates.invoke(input={"word": "上午好", "yy": "西班牙语"}).to_string()

model = Tongyi(model="qwen-max", api_key=key)
print(model.invoke(input=prompts))

🖼️ 组装结构图

🧠 我的代码理解

对着代码啃了半天，总结下来就是三块积木 🧱：

📚 example_template + examples → 共同组成「例如」部分，相当于第一节课里手动拼的那段问答历史
📝 suffix → 「我想要 」部分，input_variables 负责把变量动态填进去
🎭 prefix → 开场定调，告诉模型"照着下面的例子干活"

💡 对比第一节课：当时我们手写 for 循环把 examples 塞进 messages，现在 FewShotPromptTemplate 一行配置搞定。框架的意义就是把脏活封装掉 🧹

💬 第三种：ChatPromptTemplate（对话模板）

适用场景：多轮对话、需要注入任意数量历史消息的场景。这是三种模板里最贴近 Agent 实战的一个 🔥

💻 示例代码

python 复制代码

# from langchain_community.chat_models.tongyi import ChatTongyi  # 😴 旧写法，见下方说明
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAI

# 💬 三段式：system 人设 + history 插槽 + human 当前问题
chat_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个起名专家，会根据出生年月日来起名字，要求最多4个字，风格文艺"),
        MessagesPlaceholder("history"),  # 🕳️ 插槽！历史消息从这里注入
        ("human", "出生日期2026-5-26，请帮我起一个名字")
    ]
)

# 📜 历史会话（数量不限，动态传入）
message = [
    ("human", "2024-10-12"),
    ("ai", "子轩"),
    ("human", "2024-1-12"),
    ("ai", "璋宇"),
]

key = ""  # 🔑 api-key
# 🌐 base_url 必须指定！原因见下方"为什么要换包"
model = ChatOpenAI(model="qwen-max", api_key=key,
                   base_url="https://dashscope.aliyuncs.com/compatible-mode/v1")
# model = ChatTongyi(model="qwen-max", api_key=key)  # 备选：社区包写法

chain = chat_prompt | model  # ⛓️ 又见面了，管道符

res = chain.invoke({"history": message})
print(res.content)  # 📤 注意 chat 模型取 .content

🖼️ 消息组装结构图

😲 前端狂喜：MessagesPlaceholder 就是插槽！

看到 MessagesPlaceholder("history") 的瞬间我悟了 ------ 这不就是 Vue 的 <slot name="history"/> 吗？！

模板里挖一个具名坑位 🕳️，调用时 invoke({"history": message}) 往坑里塞任意长度的内容。历史消息可以是 2 条也可以是 200 条，模板本身完全不用改。跟前端"组件不变、内容由插槽注入"是同一个设计哲学 ✨

📦 为什么要换包？社区包停止维护了！

注意上面代码里构建模型的包变了：langchain_community → langchain_openai。

🪦 langchain 的社区大包 langchain_community 已经在 2026 年 5 月停止维护了，官方建议迁移到各个独立的细分包
🌐 换成 ChatOpenAI 后多了一个 base_url 参数，原因是：ChatOpenAI 默认请求 OpenAI 官方 https://api.openai.com/v1
🔑 我的 key 是阿里云百炼的，必须指定兼容端点，否则请求就飘到 OpenAI 去了（然后报 401，钱都没地方扣 🤣）

💡 跟第一节裸调 API 时传 base_url 是同一个道理 ------ OpenAI 协议已成事实标准 ，各家模型厂商都提供兼容端点，换个 base_url 就能无缝切换供应商。前端版理解：axios 不换，换 baseURL 而已 😎

📝 今日勘误（自己踩过的坑）

❌ 原笔记写法	✅ 正确写法	说明
`key = "" //api-key`	`key = "" # api-key`	又双叒用 JS 注释了，Python 是 `#` 😅
`model="qwen3.8-27b"`	以官方文档为准（如 `qwen-max`、`qwen-plus`）	模型名要去百炼控制台核对
`print(res)`（chat 模型）	`print(res.content)`	Chat 模型返回的是消息对象，内容在 `.content` 里

🧠 补充：普通 Tongyi（LLM）直接 print(res) 就行，但 ChatOpenAI（Chat 模型）要取 .content。两类模型返回结构不一样，别搞混。

🗺️ 明日计划

📤 学习 OutputParser（输出解析器），让模型返回结构化 JSON，方便前端直接渲染
⛓️ 深入 Runnable 接口：| 背后的运行机制、RunnableParallel 并行链
🧠 尝试给 ChatPromptTemplate 接上 Memory（记忆），让对话真正连续起来
🔧 用三大模板重构第一节的"接口文档问答"，看看代码能省多少

🎯 今日总结

📌 一句话 ：三大模板 = 三种"组装 Prompt 的姿势" ------ PromptTemplate 管填空（zero-shot），FewShotPromptTemplate 管举例（few-shot），ChatPromptTemplate 管对话（多轮 + 历史插槽）；而 | 管道符把它们和模型串成流水线。

markdown 复制代码

   🧩 填空  +  💡 举例  +  💬 对话  +  ⛓️ 管道
        =  有模有样的 LangChain 开发 🦜

第三天，从"裸调 API"升级到"框架化思维" ✅ 距离真正的 Agent，又近了一步...... 🌱