LangChain-提示模板 (Prompt Templates)

提示模板是LangChain的核心组件，用于构建发送给语言模型的输入。本文档详细介绍了提示模板的类型、功能和最佳实践。

概述

提示工程是使用大型语言模型的关键技术。通过精心设计的提示，可以显著提高模型的输出质量和相关性。LangChain的提示模板系统提供了：

1. 标准化的提示构建方式：统一接口创建各种提示
2. 变量插值：动态构建包含用户输入的提示
3. 复用和组合：模块化提示设计和共享
4. 特定任务优化：针对不同场景的专用模板

提示模板类型

1. 字符串提示模板 (StringPromptTemplate)

最基本的提示模板类型，适用于文本补全模型(LLM)：

from langchain_core.prompts import PromptTemplate# 基本字符串模板
prompt = PromptTemplate(template="请为一家{industry}公司起一个名字。",input_variables=["industry"]
)# 格式化模板
formatted_prompt = prompt.format(industry="人工智能")
print(formatted_prompt)  # 输出: 请为一家人工智能公司起一个名字。

2. 聊天提示模板 (ChatPromptTemplate)

为聊天模型设计的提示模板，支持多种消息类型：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import SystemMessage, HumanMessage# 基本聊天模板
system_message = "你是一位{role}专家，擅长回答{domain}领域的问题。"
human_message = "{question}"chat_prompt = ChatPromptTemplate.from_messages([("system", system_message),("human", human_message)
])# 格式化聊天模板
formatted_messages = chat_prompt.format_messages(role="医疗健康",domain="营养学",question="每天应该摄入多少蛋白质？"
)# 输出结构化的消息列表:
# [SystemMessage(content="你是一位医疗健康专家，擅长回答营养学领域的问题。"), 
#  HumanMessage(content="每天应该摄入多少蛋白质？")]

3. 多样化提示模板

FewShotPromptTemplate - 用于少样本学习：

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate# 定义示例
examples = [{"input": "今天天气很好", "output": "The weather is nice today"},{"input": "我喜欢编程", "output": "I enjoy programming"},{"input": "人工智能很有趣", "output": "Artificial intelligence is interesting"}
]# 创建示例模板
example_template = PromptTemplate(input_variables=["input", "output"],template="输入: {input}\n输出: {output}"
)# 创建少样本模板
few_shot_prompt = FewShotPromptTemplate(examples=examples,example_prompt=example_template,prefix="请将以下中文翻译成英文:\n\n",suffix="输入: {input}\n输出:",input_variables=["input"],example_separator="\n\n"
)# 格式化模板
translate_prompt = few_shot_prompt.format(input="机器学习是人工智能的一个子领域")

PromptTemplate与函数集成 - 调用自定义函数处理输入：

from langchain_core.prompts import PromptTemplate
from datetime import datetimedef get_current_date():return datetime.now().strftime("%Y-%m-%d")# 在格式化时调用函数
date_prompt = PromptTemplate(template="今天是{current_date}，请为我生成一个当天的新闻摘要。",input_variables=[],partial_variables={"current_date": get_current_date}
)formatted_date_prompt = date_prompt.format()

高级技巧

1. 组合提示模板

将多个提示模板组合成一个复杂模板：

from langchain_core.prompts import PipelinePromptTemplate# 创建初始格式化模板
full_template = """你是一位{role}。{format_instructions}{query}"""full_prompt = PromptTemplate(template=full_template,input_variables=["role", "format_instructions", "query"]
)# 创建用于格式说明的子模板
format_instructions_template = """请用以下格式回答：
{format}"""format_instructions_prompt = PromptTemplate(template=format_instructions_template,input_variables=["format"]
)# 创建管道提示模板
pipeline_prompt = PipelinePromptTemplate(final_prompt=full_prompt,pipeline_prompts=[("format_instructions", format_instructions_prompt)]
)# 格式化管道模板
formatted_pipeline_prompt = pipeline_prompt.format(role="数据分析师",format="1. 数据概述\n2. 关键趋势\n3. 建议行动",query="分析近期股市波动情况"
)

2. 条件提示模板

基于条件生成不同提示：

from langchain_core.prompts import ConditionalPromptSelector, PromptTemplate, ChatPromptTemplate
from langchain_openai import ChatOpenAI, OpenAI# 为不同模型创建不同提示
llm_prompt = PromptTemplate(template="请回答: {question}",input_variables=["question"]
)chat_prompt = ChatPromptTemplate.from_messages([("system", "你是一位有帮助的AI助手。"),("human", "{question}")
])# 创建条件选择器
def is_chat_model(llm):return isinstance(llm, ChatOpenAI)prompt_selector = ConditionalPromptSelector(default_prompt=llm_prompt,conditionals=[(is_chat_model, chat_prompt)]
)# 根据模型自动选择合适的提示
text_model = OpenAI()
chat_model = ChatOpenAI()text_prompt = prompt_selector.get_prompt(text_model)
chat_prompt = prompt_selector.get_prompt(chat_model)

3. 结构化输出提示

创建用于结构化输出的提示模板：

from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field, validator# 定义输出结构
class MovieReview(BaseModel):movie_title: str = Field(description="电影标题")year: int = Field(description="上映年份")genre: str = Field(description="电影类型")rating: float = Field(description="评分（1-10分）")review: str = Field(description="简短评价")@validator("rating")def rating_must_be_valid(cls, v):if v < 1 or v > 10:raise ValueError("评分必须在1到10之间")return v# 创建解析器和提示模板
parser = PydanticOutputParser(pydantic_object=MovieReview)prompt = PromptTemplate(template="写一篇关于{movie_name}的电影评论。\n{format_instructions}",input_variables=["movie_name"],partial_variables={"format_instructions": parser.get_format_instructions()}
)# 格式化提示
formatted_prompt = prompt.format(movie_name="流浪地球")

4. 提示模板版本控制和复用

管理和复用提示模板：

from langchain_core.prompts import load_prompt, save_prompt# 保存提示模板
save_prompt(prompt, "./prompts/movie_review_prompt.json")# 加载提示模板
loaded_prompt = load_prompt("./prompts/movie_review_prompt.json")

提示模板最佳实践

1. 任务指令清晰化

提供明确的任务描述和期望输出：

system_template = """你是一位专业的文本总结专家。你的任务是：
1. 阅读提供的内容
2. 提取关键信息
3. 用简洁的语言总结
4. 保持客观，不添加没有在原文中的信息
5. 总结长度控制在100-150字之间"""summarization_prompt = ChatPromptTemplate.from_messages([("system", system_template),("human", "请总结以下内容：\n{text}")
])

2. 角色设定和情景化

通过角色设定增强模型表现：

role_prompt = ChatPromptTemplate.from_messages([("system", "你是一位经验丰富的{profession}，擅长{skills}。你的沟通风格是{style}。"),("human", "{question}")
])scientist_prompt = role_prompt.format_messages(profession="生物学家",skills="分子生物学和进化论",style="专业、准确、易于理解",question="请解释DNA复制过程"
)

3. 使用示例和Few-Shot提示

通过示例引导模型输出：

few_shot_template = """你需要将产品评论情感分类为积极、中立或消极。评论: 这个产品质量很好，价格也合理。
情感: 积极评论: 产品外观一般，没有特别出色的地方。
情感: 中立评论: 收到的产品有破损，而且客服态度很差。
情感: 消极评论: {review}
情感:"""few_shot_prompt = PromptTemplate(template=few_shot_template,input_variables=["review"]
)

4. 分解复杂任务

将复杂任务分解为简单步骤：

step_by_step_template = """请逐步思考以下问题：{question}请按照以下步骤进行：
1. 明确问题需要什么信息
2. 列出解决问题所需的关键事实
3. 使用这些事实进行推理
4. 得出结论一步一步地展示你的思考过程："""step_by_step_prompt = PromptTemplate(template=step_by_step_template,input_variables=["question"]
)

5. 结合结构化输出和验证

要求模型输出特定格式并进行验证：

from langchain_core.prompts.prompt import PromptTemplate
from langchain_core.output_parsers import XMLOutputParser# XML结构化输出
xml_parser = XMLOutputParser()xml_template = """请分析以下文本的情感，并以XML格式返回结果。文本：{text}请使用以下XML格式：
<result><sentiment>积极/中立/消极</sentiment><confidence>0到1之间的数字</confidence><explanation>分析原因的简短解释</explanation>
</result>你的回答（仅包含XML）："""xml_prompt = PromptTemplate(template=xml_template,input_variables=["text"]
)

提示模板类型参考

文本提示模板

• PromptTemplate: 基本字符串模板
• FewShotPromptTemplate: 少样本学习模板
• PipelinePromptTemplate: 通过子模板构建复杂提示

聊天提示模板

• ChatPromptTemplate: 消息列表格式的模板
• MessagesPlaceholder: 在聊天中插入消息列表
• HumanMessagePromptTemplate: 人类消息模板
• AIMessagePromptTemplate: AI消息模板
• SystemMessagePromptTemplate: 系统消息模板

特殊提示模板

• StringPromptTemplate: 所有文本提示模板的基类
• BasePromptTemplate: 所有提示模板的抽象基类
• ImagePromptTemplate: 用于多模态输入的模板
• PromptSelector/ConditionalPromptSelector: 条件选择提示模板

提示模板与其他组件集成

与语言模型集成

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParserprompt = ChatPromptTemplate.from_messages([("system", "你是一位简洁的AI助手。"),("human", "{question}")
])
model = ChatOpenAI()
output_parser = StrOutputParser()chain = prompt | model | output_parser
response = chain.invoke({"question": "什么是机器学习？"})

与记忆组件集成

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.memory import ConversationBufferMemory# 创建带记忆的提示模板
memory = ConversationBufferMemory(return_messages=True, memory_key="history")
memory_prompt = ChatPromptTemplate.from_messages([("system", "你是一位友好的AI助手。"),MessagesPlaceholder(variable_name="history"),("human", "{input}")
])# 第一轮对话
memory.chat_memory.add_user_message("你好！")
memory.chat_memory.add_ai_message("你好！有什么可以帮助你的吗？")# 第二轮对话，使用历史记录
messages = memory_prompt.format_messages(history=memory.load_memory_variables({})["history"],input="告诉我我们之前聊了什么？"
)

与检索系统集成

from langchain_core.prompts import ChatPromptTemplate# 创建RAG提示模板
retrieval_template = """根据以下上下文回答问题。上下文：
{context}问题：{question}如果上下文中没有足够信息，就说你不知道。"""retrieval_prompt = ChatPromptTemplate.from_template(retrieval_template)# 使用检索结果格式化提示
def format_docs(docs):return "\n\n".join([d.page_content for d in docs])retriever_result = retriever.get_relevant_documents("什么是向量数据库？")
context = format_docs(retriever_result)messages = retrieval_prompt.format_messages(context=context,question="什么是向量数据库？"
)

总结

提示模板是LangChain中至关重要的组件，它们将用户输入、系统指令和上下文信息转换为结构化的提示，以获得更好的模型输出。掌握提示模板的设计和使用技巧，是有效使用大型语言模型的关键。

通过本文档，您应该了解了：

1. 不同类型的提示模板及其适用场景
2. 如何创建和格式化基本提示
3. 高级提示技术，如条件提示、少样本学习等
4. 提示模板的最佳实践和设计原则
5. 如何将提示模板与其他LangChain组件集成

正确使用提示模板可以显著提升模型输出的质量和相关性，使您的LangChain应用更加强大和可靠。

后续学习

• 模型输入输出 - 深入了解语言模型
• 输出解析器 - 学习如何处理模型输出
• 链 - 将提示模板集成到复杂工作流中