核心组件——提示词Prompt

2.1 概念

提示词模板(Prompt Template)是LangChain的核心抽象之一，它被广泛应用于构建大语言模型(LLM)应用的各个环节。

简单来说，只要是需要动态、批量、或有结构地向大语言模型【发送请求】的地方，几乎都会用到提示词模板。

一个简单的例子，假设我们想根据一个城市名询问LLM，其历史，按照之前的做法，我们可以定义HumanMessage("请介绍上海的历史")、HumanMessage("请介绍西安的历史")消息等等。可以发现每次询问都会描写重复的消息内容：请介绍xxx的历史。

在LangChain中，针对这种情况，可以定义一个模板:

"请介绍{city}的历史。"
输入变量: $"city"$

固定文本(模板):定义好后，可以使用该模板，当我们需要查询北京时，就将city变量赋值为"北京"，模板引擎就会生成，"请介绍北京的历史。"

由此可得：提示词模板就是一个可复用的提示词蓝图，它允许我们动态地生成提示词，而不是每次都手动编写完整的提示词。

提示词模板解决了以下几个核心问题：

可复用性：只需定义一个模板，就可以用于无数个类似的查询。
关注点分离：将提示词的结构和逻辑（工程）与具体的内容和数据分离开。提示工程师可以专注于优化模板，而应用程序则负责提供变量值。
一致性：确保发送给LLM的提示词结构统一，这有助于获得更稳定、可预测的输出结果。
可维护性：如果需要修改提示词的风格或结构，只需修改一个模板文件，而不用在代码的无数个地方进行修改。

2.2 用法

2.2.1 字符串模板

LangChain 提供了 PromptTemplate类来轻松实现这一功能。PromptTemplate 实现了标准的 Runnable 接口。

复制代码

from langchain_core.prompts import PromptTemplate

# 1. 定义模板
prompt_template = PromptTemplate.from_template("将以下内容翻译成 {language}")

# 2. 实例化模板
print(prompt_template.invoke({"language": "Chinese"}))

# 打印结果：
text='将以下内容翻译成 Chinese'

class langchain_core.prompts.prompt.PromptTemplate 类，其参数如下：

template：提示模板
input_variables：需要其值作为提示输入的变量的名称列表。

内置方法： from_template()：从模板定义提示模板。返回一个 PromptTemplate 实例。

因此除了上面示例中 PromptTemplate.from_template 定义提示模板的方式外，下面这种方法也可以直接初始化模板：
复制代码
prompt_template = PromptTemplate(
    input_variables=["language"],
    template="Translate the following into {language}",
)

2.2.2 聊天消息模板

ChatPromptTemplate 模板：专为 LangChain 聊天模型设计。可以方便地构建包含SystemMessage、HumanMessage、AIMessage 的消息模板。

复制代码

from langchain_core.prompts import ChatPromptTemplate

# 1. 设置模板
# 构建聊天模板，是消息列表，每条是`(角色名, 模板字符串)`
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 2. 填充变量，得到PromptValue对象
messagesValue = prompt_template.invoke(
    {
        "language": "Chinese",
        "text": "what is your name?"
    }
)

# 转成消息列表（BaseMessage数组，就是前面trim_messages/filter_messages接收的格式）
messages = messagesValue.to_messages()
print(messages)

# 输出
[
    SystemMessage(content='Translate the following into Chinese.',additional_kwargs={}, response_metadata={}),
    HumanMessage(content='what is your name?', additional_kwargs={},response_metadata={})
]

.to_messages()：把上面包装的对象转换成LangChain 原生消息对象列表（`SystemMessage` / `HumanMessage`），这个格式可以直接传给聊天大模型。

说明:

在 0.2.24 版本后可以直接使用ChatPromptTemplate()来初始化模板

在 0.2.24 版本前, 需要使用 ChatPromptTemplate.from_messages()来初始化模板

现在，我们可以将该结果发送给任何一个 LLM 来获取答案。

复制代码

# 1. 设置模板
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 2. 实例化模板, 获取消息实例
messagesValue = prompt_template.invoke(
    {
        "language": "Chinese",
        "text": "what is your name?"
    }
)
messages = messagesValue.to_messages()
print(messages)

# 3. 调用模型
chain = model | parser
print(chain.invoke(messages))

# 输出
你的名字是什么？

由于ChatPromptTemplate同样也实现了标准的 Runnable 接口，因此我们还可以通过链来完成调用。

复制代码

# 1. 设置模板
prompt_template = ChatPromptTemplate(
    [
        ("system", "Translate the following into {language}."),
        ("user", "{text}")
    ]
)

# 2. 定义链
chain = prompt_template | model | parser

for token in chain.stream(
    {
        "language": "English",
        "text": "你好，我叫斯蒂芬，很高兴认识你"
    }
):
    print(token, end="|")

# 输出
Hello|,| my| name| is| Stephen|,| nice| to| meet| you|.|
# 这里的每一段，就是模型流式返回的token 片段

chain.stream()

.invoke()：一次性等模型全部生成完毕，完整返回结果；
.stream()：流式输出，大模型每生成一小块文本（token）就立刻返回，循环逐个拿到。

大模型是逐 token 生成文字，不是一次性把整句话算好。

for token in chain.stream(...)：不断迭代模型吐出的每一小段文本。

2.2.3消息占位符

在上面的ChatPromptTemplate中，我们看到了如何格式化两条消息，每条消息都是一个字符串。但如果我们希望将消息插入特定位置怎么办？使用 MessagesPlaceholder 。 MessagesPlaceholder 负责在特定位置添加消息列表。

复制代码

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

prompt_template = ChatPromptTemplate([
    ("system", "你是一个聊天助手"),
    MessagesPlaceholder("msgs")  # 消息占位符
])

messages_to_pass = [
    HumanMessage(content="中国首都是哪里?"),
    AIMessage(content="中国首都是北京。"),
    HumanMessage(content="那法国呢?")
]

formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass})
print(formatted_prompt)

# 输出
messages=[
    SystemMessage(content='你是一个聊天助手', additional_kwargs={}, response_metadata={}),
    HumanMessage(content='中国首都是哪里?', additional_kwargs={}, response_metadata={}),
    AIMessage(content='中国首都是北京。', additional_kwargs={}, response_metadata={}),
    HumanMessage(content='那法国呢?', additional_kwargs={}, response_metadata={})
]

在不显式使用 MessagesPlaceholder 类也可以完成该能力：

复制代码

prompt_template = ChatPromptTemplate(
    [
        ("system", "You are a helpful assistant"),
        ("placeholder", "{msgs}")
    ]
)

messages_to_pass = [
    HumanMessage(content="中国首都是哪里?"),
    AIMessage(content="中国首都是北京。"),
    HumanMessage(content="那法国呢?")
]

formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass})
print(formatted_prompt)

("placeholder", "{msgs}") 等价于 MessagesPlaceholder("msgs")，这是 ChatPromptTemplate 的简写语法，两种写法效果完全一致。

2.3 使用 LangChain Hub 的提示词模板

LangChain Hub 是一个用于上传、浏览、拉取和管理提示词 (prompts) 的地方。

随着 LLM 的发展，提示变得越来越重要。LangChain 正在打造一个与像 GitHub 这样的传统平台，GitHub 长期以来一直是共享和协作代码的首选平台。于是推出了 LangChain Hub 平台。

LangChain Hub 创建一个分享和发现 Prompt 的平台，使得开发者可以更容易地发现新用例和精炼提示。这一举措使提示工程师更容易合作，重复使用现有的提示，并对其进行微调以实现特定的结果，从而加速对话代理和其他基于语言的应用程序的开发和部署。早期的时候 LangChain Hub 有 Prompt、Chain、Agent，现在只有 Prompt。

LangChain Hub 官网地址：LangSmith。

目前收藏最高的提示词模板是：hardkothari/prompt-maker。我们就以它为示例，演示一下如何使用 LangChain Hub 上的提示。

Prompt Maker 模板是一个【提示生成器】，它可以自动化优化提示的过程，从而提高语言模型在各种应用中的质量和效果。

要想使用该能力，需要先申请并配置 LangSmith 环境变量：LANGSMITH_API_KEY="你的 LangSmith API Key"。接着，需要从 hub 拉取相应的提示，并使用，代码如下：

复制代码

from langchain_openai import ChatOpenAI
from langsmith import Client

# 从 hub 拉取 "hardkothari/prompt-maker" 提示词模板。
client = Client()
prompt = client.pull_prompt("hardkothari/prompt-maker", include_model=True)

# 定义模型
model = ChatOpenAI(model="gpt-4o-mini")

# 定义链
chain = prompt | model

while True:
    task = input("\n你的任务是什么?（输入 quit 退出聊天）\n")
    if task == 'quit':
        break

    lazy_prompt = input("\n你当前的提示是什么?（输入 quit 退出聊天）\n")
    if lazy_prompt == 'quit':
        break

    print("\n Response:")
    chain.invoke({'lazy_prompt': lazy_prompt, 'task': task}).pretty_print()

这个就是 hardkothari/prompt-maker 的效果：

你的任务是什么?写一个快排代码
你当前的提示是什么?开发专家，需中文回复
Prompt Maker 自动把简单一句话，扩写成一份结构完整、带约束、带示例模板的高质量提示词（虽然输出的 prompt 文本是英文，但里面要求模型最终要用中文输出结果）。

提取全部文本

你的任务是什么?（输入 quit 退出聊天）
写一个快排代码

你当前的提示是什么?（输入 quit 退出聊天）
开发专家，需中文回复

Response:
==================================== Ai Message ====================================

As a coding expert specialized in algorithms and data structures, please write a detailed implementation of the Quick Sort algorithm in Python.

Instructions:

Your code should be well-structured, with clear comments explaining each step of the algorithm. Additionally, include an example of how to use the function to sort a list of integers and print the sorted result.

Context:

The implementation should focus on efficiency and clarity, ideally spanning no more than 20 lines of code. Ensure that the prompt is in Chinese, and structure your response to be easily understandable for readers with a basic knowledge of programming.

Example:
python 复制代码
```
def quick_sort(arr):
    # 快速排序函数实现
    ...
    return sorted_arr

# 使用示例
unsorted_list = [34, 7, 23, 32, 5, 62]
print(quick_sort(unsorted_list))
```
Please provide the complete code and any additional notes that could aid in understanding the Quick Sort algorithm. Thank you!

你的任务是什么?（输入 quit 退出聊天）

通过使用这个模板，可以大大减少手动调整提示所需的工作量，从而节省时间和资源。

Prompt Maker通过分析初始提示的结构和内容，然后应用一组预定规则或算法来优化提示，以提高响应质量、清晰度和相关性。这在提示的质量对模型的输出有很大影响的场景中特别有用，比如客户服务机器人、对话代理或数据分析任务。

Prompt Maker 的核心价值：

降低提示词调优成本，节省人力；

工作原理：解析原始简陋提示，按照预设规则自动优化，提升回答质量、清晰度、相关性；

适用场景：客服机器人、对话代理、数据分析这类提示词质量直接决定最终效果的业务。

核心组件——提示词Prompt

2.1 概念

2.2 用法

2.2.1 字符串模板

2.2.2 聊天消息模板

2.2.3消息占位符

2.3 使用 LangChain Hub 的提示词模板

提取全部文本

Instructions:

Context: