【LangChain】P10 LangChain 提示词模板深度解析（一）：Prompt Template

在大模型应用开发中，提示词（Prompt）的质量直接决定了模型输出的效果。然而，硬编码的固定提示词往往缺乏灵活性，难以适应不同场景的需求。LangChain 的 Prompt Template（提示词模板）正是为解决这一问题而生，它通过模板化管理大模型输入，让我们能够优雅地构建可复用、可维护的提示词系统。

什么是 Prompt Template？

Prompt Template 是 LangChain 框架中的核心概念之一，它的作用是接收用户的动态输入，通过模板渲染生成最终传递给大语言模型（LLM）的提示词。

核心特性

• 模板化管理：将固定文本与动态变量分离，提高代码复用性
• 灵活输入：以字典形式传入参数，每个键对应模板中的一个变量
• 标准输出：返回 PromptValue 对象，可转换为字符串或消息列表

这种设计模式在实际开发中极为实用。例如，你可以创建一个通用的"角色扮演"模板，根据不同场景动态指定角色身份和任务需求。

Prompt Template 的类型

LangChain 提供了多种提示词模板类型以适应不同场景。本文重点介绍最常用的 PromptTemplate，即面向字符串的提示模板。后续一篇博文将详细介绍包含 ChatPromptTemplate、FewShotPromptTemplate、PipelinePrompt 等内容。

PromptTemplate 是用于生成字符串提示的基础模板类，它利用 Python 的字符串格式化机制来实现变量替换。这种模板特别适合与传统 LLM 交互，或需要生成纯文本提示的场景。

---

PromptTemplate 实例化方法

创建 PromptTemplate 实例有两种主要方式，各有适用场景。

方法一：使用构造函数

这种方式需要显式指定 input_variables 和 template 参数，适合需要精确控制模板行为的场景。

from langchain_core.prompts import PromptTemplate# 创建 PromptTemplate 实例
prompt_template = PromptTemplate(template="你是一个{role},你的名字叫{name}",input_variables=["role", "name"]
)# 填充变量并生成提示词
prompt = prompt_template.format(role="人工智能专家", name="小智")
print(prompt)
# 输出: 你是一个人工智能专家,你的名字叫小智

方法二：使用 from_template() 方法（推荐）

这是更简洁的创建方式，LangChain 会自动从模板字符串中识别变量，无需手动指定 input_variables

from langchain_core.prompts import PromptTemplate# 一行代码创建模板
prompt_template = PromptTemplate.from_template(template="你是一个{role},你的名字叫{name}"
)# 填充变量
prompt = prompt_template.format(role="人工智能专家", name="小智")
print(prompt)

推荐理由： 代码更简洁，减少冗余，降低出错概率。

---

高级特性：两种特殊结构

在实际应用中，我们常常需要更灵活的模板管理方式。LangChain 提供了 部分提示词模板 和 组合提示词 两种高级特性。

部分提示词模板（Partial Prompt Template）

部分提示词模板允许你预先固定某些变量的值，这在构建智能体（Agent）或需要复用模板时特别有用。

定义方式一：在构造时使用 partial_variables

# 在创建时就固定某些变量
prompt_template = PromptTemplate(template="你是一个{role},你的名字叫{name}",input_variables=["role", "name"],partial_variables={"name": "小智"}
)# 或结合 from_template() 方法
prompt_template = PromptTemplate.from_template(template="你是一个{role},你的名字叫{name}",partial_variables={"name": "小智"}
)

定义方式二：使用 partial() 方法动态固定

# 先创建完整模板
base_template = PromptTemplate.from_template(template="你是一个{role},你的名字叫{name}"
)# 后续固定某个变量
prompt_template = base_template.partial(name="小智")

定义方式三：链式调用（最优雅）

# 一行代码完成创建和部分固定
prompt_template = PromptTemplate.from_template(template="你是一个{role},你的名字叫{name}"
).partial(name="小智")

应用场景： 在构建多轮对话系统时，可以固定系统角色，只需动态修改任务描述。

---

组合提示词（Composed Prompts）

通过 + 操作符可以将多个模板片段组合成一个完整的提示词，这种方式让复杂提示的构建更加模块化。

from langchain_core.prompts import PromptTemplate# 组合多个模板片段
template = (PromptTemplate.from_template(template="Tell me a joke about {topic}")+ ", make it funny"+ "\n\nand in {language}"
)prompt = template.format(topic="sports", language="Python")
print(prompt)
# 输出:
# Tell me a joke about sports, make it funny
# 
# and in Python

优势： 将长提示词拆分为多个可维护的片段，提高代码可读性。

---

变量赋值的两种方式

PromptTemplate 提供了两种给变量赋值的方法，它们在返回类型和应用场景上有所区别。

format() 方法：直接返回字符串

from langchain_core.prompts import PromptTemplatetemplate = PromptTemplate.from_template(template="请评价{product}的优缺点,包括{aspect1}和{aspect2}。"
)# 使用关键字参数传值
prompt = template.format(product="智能手机",aspect1="电池续航",aspect2="拍照质量"
)print(prompt)
print(type(prompt))  # <class 'str'>

invoke() 方法：返回 PromptValue 对象（推荐）

from langchain_core.prompts import PromptTemplatetemplate = PromptTemplate.from_template(template="请评价{product}的优缺点,包括{aspect1}和{aspect2}。"
)# 使用字典传值
prompt = template.invoke(input={"product": "智能手机","aspect1": "电池续航","aspect2": "拍照质量"
})print(prompt)
print(type(prompt))  # <class 'langchain_core.prompt_values.StringPromptValue'>

关键区别：

• format() 返回纯字符串，适合简单场景
• invoke() 返回 PromptValue 对象，与 LangChain 生态深度集成，支持链式调用

---

实战：结合大模型使用

下面是一个完整的示例，展示如何将 PromptTemplate 与大语言模型结合使用。

import os
import dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate# 加载环境变量
dotenv.load_dotenv()
os.environ["OPENAI_API_KEY"] = os.getenv("OPENAI_API_KEY")
os.environ["OPENAI_BASE_URL"] = os.getenv("OPENAI_BASE_URL")# 1. 初始化大模型
chat_model = ChatOpenAI(model="deepseek-chat",temperature=0.7,max_tokens=200
)# 2. 创建提示词模板
template = PromptTemplate.from_template(template="请评价{product}的优缺点,包括{aspect1}和{aspect2}。"
)# 3. 填充模板变量
prompt = template.invoke(input={"product": "智能手机","aspect1": "电池续航","aspect2": "拍照质量"
})
print(f"生成的提示词:\n{prompt}\n")# 4. 调用大模型
response = chat_model.invoke(prompt)
print(f"模型响应:\n{response.content}")
print(f"\n响应类型: {type(response)}")

代码解析

1. 环境配置： 使用 dotenv 管理 API 密钥，避免硬编码敏感信息
2. 模型初始化： 配置模型参数，temperature 控制创造性，max_tokens 限制输出长度
3. 模板创建： 定义结构化的提示词模板
4. 变量填充： 使用 invoke() 方法填充变量，返回 PromptValue 对象
5. 模型调用： 将 PromptValue 直接传递给模型，LangChain 会自动处理格式转换

---

总结

Prompt Template 是 LangChain 中不可或缺的工具，它通过模板化管理解决了固定提示词的局限性。从基础的 PromptTemplate 到部分模板、组合模板等高级特性，LangChain 提供了完整的提示词工程解决方案。

掌握 Prompt Template 的使用，不仅能提高代码质量和可维护性，更能帮助我们构建更加灵活、强大的 AI 应用。随着对 LangChain 的深入学习，你会发现提示词模板是构建复杂 AI 工作流的基石。

下一篇博文，将围绕提示词模板的其余类型展开。

---

2025.10.03 吉林·扶余