LangChain Prompts 提示词模板

LangChain Core Prompts 提示词模板速查

资料来源：https://reference.langchain.com/python/langchain-core/prompts/

本文只讲最常用的场景：什么时候用哪种模板，以及最小可运行写法。提示词模板的核心作用，就是把固定指令和动态变量分开，避免在代码里到处拼字符串。

1. PromptTemplate：单段文本提示词

适合场景：给普通 LLM 或简单链路传入一整段文本，例如翻译、改写、摘要、分类。

通俗理解：就是带 {变量} 的字符串模板。

from langchain_core.prompts import PromptTemplate

# 定义一段可复用的文本提示词，topic 会在运行时填入。
prompt = PromptTemplate.from_template(
    "请用三句话解释 {topic}，要求通俗、不要使用术语。"
)

result = prompt.invoke({"topic": "向量数据库"})
print(result.text)

什么时候选它：你的模型输入就是一段完整文本，不需要区分 system、human、ai 角色。

2. ChatPromptTemplate：聊天模型提示词

适合场景：调用 Chat Model，例如 ChatOpenAI、init_chat_model 返回的聊天模型，需要区分系统设定、用户问题、历史回答。

通俗理解：把提示词拆成多条消息，每条消息有角色。

from langchain_core.prompts import ChatPromptTemplate

# system 负责设定助手身份，human 负责接收用户输入。
prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个耐心的 Python 老师，只用初学者能懂的话回答。"),
        ("human", "请解释 {concept}，并给一个生活类比。"),
    ]
)

messages = prompt.invoke({"concept": "装饰器"})
print(messages)

什么时候选它：绝大多数现代聊天模型都优先用它，因为角色清楚，后续也方便接入历史消息、工具调用和 Agent。

3. MessagesPlaceholder：插入一段消息列表

适合场景：把聊天历史、Agent 中间过程、外部保存的消息记录插入 prompt。

通俗理解：模板里先留一个"消息插槽"，运行时把多条历史消息塞进去。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个客服助手，请结合历史对话回答。"),
        MessagesPlaceholder("history"),
        ("human", "{question}"),
    ]
)

messages = prompt.invoke(
    {
        "history": [
            ("human", "我买的订单 123 发货了吗？"),
            ("ai", "我需要查询订单状态。"),
        ],
        "question": "那现在有结果了吗？",
    }
)
print(messages)

什么时候选它：只要有"历史对话"或"一组已有消息"要动态插入，就用它。可以设置 optional=True，没有历史时不报错。

4. FewShotPromptTemplate：文本 few-shot 示例

适合场景：给模型看几个输入输出样例，让它模仿格式，例如分类、抽取、固定文风改写。

通俗理解：先放几个"示范题"，最后再问真正的问题。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

# 每个示例如何展示。
example_prompt = PromptTemplate.from_template(
    "输入：{text}\n标签：{label}"
)

examples = [
    {"text": "这个耳机音质很好", "label": "正面"},
    {"text": "物流太慢了", "label": "负面"},
]

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="请判断评论情感，只输出标签。",
    suffix="输入：{text}\n标签：",
    input_variables=["text"],
)

print(prompt.invoke({"text": "包装精致，续航也不错"}).text)

什么时候选它：你希望模型严格模仿"文本格式"，但不需要聊天角色。

5. FewShotChatMessagePromptTemplate：聊天版 few-shot 示例

适合场景：聊天模型也要看样例，而且样例本身要区分 human/ai。

通俗理解：给 Chat Model 几轮"用户这么问，AI 这么答"的示范。

from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
)

# 每个样例由一条 human 消息和一条 ai 消息组成。
example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{question}"),
        ("ai", "{answer}"),
    ]
)

few_shot = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=[
        {"question": "苹果属于什么类别？", "answer": "水果"},
        {"question": "胡萝卜属于什么类别？", "answer": "蔬菜"},
    ],
)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "请按样例只输出类别。"),
        few_shot,
        ("human", "{question}"),
    ]
)

print(prompt.invoke({"question": "香蕉属于什么类别？"}))

什么时候选它：你正在用聊天模型，并且想让模型模仿多轮问答样例。

6. SystemMessagePromptTemplate / HumanMessagePromptTemplate / AIMessagePromptTemplate

适合场景：你想显式创建某一种角色消息模板，而不是用 ("system", "...") 这种元组简写。

通俗理解：它们是聊天模板里的"单条消息零件"。

from langchain_core.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)

system = SystemMessagePromptTemplate.from_template(
    "你是 {domain} 领域的助手。"
)
human = HumanMessagePromptTemplate.from_template(
    "请回答：{question}"
)

prompt = ChatPromptTemplate.from_messages([system, human])
print(prompt.invoke({"domain": "LangChain", "question": "PromptTemplate 是什么？"}))

什么时候选它：普通代码里用元组简写更方便；当你要复用、组合、单独管理某类消息模板时，再用这些类。

7. ImagePromptTemplate：图片输入模板

适合场景：多模态模型需要图片 URL、图片路径或图片变量，例如"看图描述""根据图片提取信息"。

通俗理解：不是给纯文本模型用的，而是给支持图片的聊天模型准备图片内容。

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages(
    [
        (
            "human",
            [
                {"type": "text", "text": "请描述这张图片中的主要内容。"},
                {"type": "image_url", "image_url": {"url": "{image_url}"}},
            ],
        )
    ]
)

print(prompt.invoke({"image_url": "https://example.com/demo.png"}))

什么时候选它：模型必须支持视觉输入；纯文本任务不要用。

8. DictPromptTemplate：输出字典结构的模板

适合场景：下游 Runnable 需要一个字典，而不是单个字符串或消息列表。

通俗理解：一次格式化出多个字段，交给后面的链路分别使用。

from langchain_core.prompts import DictPromptTemplate

prompt = DictPromptTemplate(
    template={
        "instruction": "请总结 {topic}。",
        "language": "{language}",
    },
    template_format="f-string",
)

print(prompt.invoke({"topic": "LangChain prompts", "language": "中文"}))

什么时候选它：普通提示词很少用；当链路下一步明确需要多个命名字段时再考虑。

选型口诀

需求	优先选择
一段文本模板	PromptTemplate
聊天模型，有 system/human/ai	ChatPromptTemplate
插入历史消息	MessagesPlaceholder
文本补几个示例	FewShotPromptTemplate
聊天消息补几个示例	FewShotChatMessagePromptTemplate
单独复用某个角色消息	SystemMessagePromptTemplate 等
多模态图片输入	ImagePromptTemplate / chat 多模态内容
一次产出多个字段	DictPromptTemplate

日常开发建议：先用 ChatPromptTemplate；只有在纯文本链路才用 PromptTemplate；few-shot、历史消息、多模态都按需加。