当前位置：首页 > news >正文

LangChain入门实践3：PromptTemplate提示词模板详解

news 2025/10/6 9:06:18

LangChain框架入门：PromptTemplate提示词模板详解

1. 提示词模板（PromptTemplate）

大多数LLM应用程序不会直接将用户输入传递到LLM中。通常，它们会将用户输入添加到一个更大的文本片段中，称为提示模板，这是一种特殊的文本，该模板提供了有关特定任务的附加上下文，能够更好地引导模型生成预期的输出。

在前面的示例中，我们传递给模型的文本包含了生成公司名称的指令。对于我们的应用程序，如果用户只需提供公司/产品的描述而无需担心给出模型指令，那将非常好。

1.1 PromptTemplate文本提示词模板

PromptTemplates正是为此而设计的！它们将用户输入转化为完全格式化的提示的所有逻辑绑定在一起。这可以从非常简单的开始 - 例如，产生前文实践2中的字符串的提示只需如下代码：

from langchain.prompts import PromptTemplateprompt = PromptTemplate.from_template("What is a good name for a company that makes {product}?")
prompt_value = prompt.format(product="colorful socks")
print(prompt_value)

执行结果：

What is a good name for a company that makes colorful socks?

在这里插入图片描述

使用这些而不是原始字符串格式化的优势有几个。您可以"部分"出变量 - 例如，您可以一次只格式化某些变量。您可以将它们组合在一起，轻松地将不同的模板组合成一个单独的提示。在执行format时将变量格式化到提示词模板中。

1.2 PromptTemplate文本提示词模板

PromptTemplate 针对文本生成模型的提示词模板，也是LangChain提供的最基础的模板，通过格式化字符串生成提示词，除了format方法，也可以在执行invoke时将变量格式化到提示词模板中，示例如下:

from langchain.prompts import PromptTemplateprompt = PromptTemplate.from_template("What is a good name for a company that makes {product}?")
prompt_value = prompt.invoke({"product": "colorful socks"})
print(prompt_value)

执行结果：

text='What is a good name for a company that makes colorful socks?'

在这里插入图片描述

1.3 ChatPromptTemplate聊天消息提示词模板

PromptTemplates还可以用于生成消息列表。在这种情况下，提示不仅包含有关内容的信息，还包含每个消息（其角色、其在列表中的位置等）。在这里，最常见的是ChatPromptTemplate是ChatMessageTemplate的列表。

每个ChatMessageTemplate包含了格式化该ChatMessage的指令 - 其角色，以及其内容。ChatPromptTemplate 是专为聊天模型（如 gpt-3.5-turbo、gpt-4 等）设计的提示词模板，它支持构造多轮对话的消息结构，每条消息可指定角色（如系统、用户、AI）。让我们在下面看一下:

from langchain.prompts.chat import (ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate,
)template = """You are a helpful assistant who generates comma separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.
ONLY return a comma separated list, and nothing more."""
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

上述代码首先定义了两个模板，一个是系统消息模板（SystemMessagePromptTemplate.from_template），描述了任务的上下文；另一个是人类消息模板（HumanMessagePromptTemplate.from_template），其中的内容human_tempate是用户的输入。

然后，我们使用 ChatPromptTemplate.from_messages 方法将这两个模板结合起来，生成了一个聊天提示词模板。

在执行代码invoke时，需要将变量"text"渲染进去：

from langchain.prompts.chat import (ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate,
)template = """You are a helpful assistant who generates comma separated lists.
A user will pass in a category, and you should generate 5 objects in that category in a comma separated list.
ONLY return a comma separated list, and nothing more."""
system_message_prompt = SystemMessagePromptTemplate.from_template(template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
print(chat_prompt.invoke({"text": "colors"}))

执行结果：

messages=[SystemMessage(content='You are a helpful assistant who generates comma separated lists.\nA user will pass in a category, and you should generate 5 objects in that category in a comma separated list.\nONLY return a comma separated list, and nothing more.', additional_kwargs={}, response_metadata={}), HumanMessage(content='colors', additional_kwargs={}, response_metadata={})]

1.4 Prompt 常用方法partial()

partial()方法用法如下，可以格式化部分变量，并且继续返回一个模板：

from datetime import datetimefrom langchain_core.prompts import ChatPromptTemplatechat_prompt = ChatPromptTemplate.from_messages([("system", "你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误"),("system", "当前时间是：{currentTime}"),("human", "请写一个Python程序，关于{question}")
]).partial(currentTime=datetime.now())print(chat_prompt.invoke({"question": "写一个插入排序"}).to_string())

执行结果：

System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误
System: 当前时间是：2025-10-04 20:35:42.734388
Human: 请写一个Python程序，关于写一个插入排序

1.5 MessagesPlaceholder消息占位符

如果我们不确定消息何时生成，也不确定要插入几条消息，比如在提示词中添加聊天历史记忆这种场景，可以在ChatPromptTemplate添加MessagesPlaceholder占位符，在调用invoke时，在占位符处插入消息。

from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
from langchain.prompts.chat import (ChatPromptTemplate,MessagesPlaceholder,
)prompt = ChatPromptTemplate.from_messages([MessagesPlaceholder("memory"),SystemMessage("你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题"),("human", "{question}")
])prompt_value = prompt.invoke({"memory": [HumanMessage("我叫Stream，是一名程序员"),AIMessage("好的，Stream你好")],"question": "请问我的名字叫什么？"})
print(prompt_value.to_string())

执行结果：

Human: 我叫Stream，是一名程序员
AI: 好的，Stream你好
System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题
Human: 请问我的名字叫什么？

隐式使用MessagesPlaceholder方法：

from langchain_core.messages import AIMessage, HumanMessage, SystemMessage
from langchain.prompts.chat import (ChatPromptTemplate,MessagesPlaceholder,
)prompt = ChatPromptTemplate.from_messages([("placeholder", "{memory}"),SystemMessage("你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题"),("human", "{question}")
])prompt_value = prompt.invoke({"memory": [HumanMessage("我叫Stream，是一名程序员"),AIMessage("好的，Stream你好")],"question": "请问我的名字叫什么？"})
print(prompt_value.to_string())

执行结果：

Human: 我叫Stream，是一名程序员
AI: 好的，Stream你好
System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题
Human: 请问我的名字叫什么？

1.6 format_messages检查预期

如果想要检查你发送给模型的提示词是否与你预期的一致，你可以调用ChatPromptTemplate的format_messages方法，查看该提示词模板的最终呈现效果。

print(chat_prompt.format_messages(text = "colors"))
# >> [SystemMessage(content='You are a helpful assistant who generates comma separated lists.\nA user will pass in a category, and you should generate 5 objects in that category in a comma separated list.\nONLY return a comma separated list, and nothing more.', additional_kwargs={}, response_metadata={}), HumanMessage(content='colors', additional_kwargs={}, response_metadata={})]

1.7 PromptValue提示值

PromptValue 是提示词模板 .invoke() 执行后返回的中间对象，支持将提示词转换为字符串或消息列表传递给 LLM。主要包含两个方法：

to_string：将提示词转换为字符串
to_messages：将提示词转换为消息列表。普通 PromptValue 调用该方法会将整个字符串包装成一条人类消息；ChatPromptValue是PromptValue的子类，ChatPromptValue 会返回完整的消息列表（系统、人类、AI消息等）

PromptValue这个中间类的存在的作用在于：适配不同LLM的输入要求，因为聊天模型需要输入消息，文本生成模型则需要输入字符串，PromptValue能够自由转换为字符串或消息，以适配不同 LLM 的输入要求，并且保持接口一致、逻辑清晰、易于维护。

1.8 加号连接提示词模板

PromptTemplate重载了+号运算符，因此可以使用+将两个提示词模板进行连接，连接成一个提示词模板，通过 + 操作符将多个提示词模板组合，可以实现提示词的模块化、动态拼接，提升代码复用率和维护性。

from langchain_core.prompts import ChatPromptTemplatefirst_chat_prompt = ChatPromptTemplate.from_messages([("system", "你是阿里开发的百炼大语言模型，下面所有提问你扮演阿里马云的角色，对我的提问进行回答")
])second_chat_prompt = ChatPromptTemplate.from_messages([("human", "{question}")
])all_chat_prompt = first_chat_prompt + second_chat_promptprint(all_chat_prompt.invoke({"question": "Are you OK?"}).to_string())

执行结果：

System: 你是阿里开发的百炼大语言模型，下面所有提问你扮演阿里马云的角色，对我的提问进行回答
Human: Are you OK?

或者，我们可以直接使用模板和字符串进行拼接：

chat_prompt = ChatPromptTemplate.from_messages([("system", "你是阿里开发的百炼大语言模型，下面所有提问你扮演阿里马云的角色，对我的提问进行回答")
]) + "{question}"
print(chat_prompt.invoke({"question": "Are you OK?"}).to_string())

执行结果：

System: 你是阿里开发的百炼大语言模型，下面所有提问你扮演阿里马云的角色，对我的提问进行回答
Human: Are you OK?

2. 完整代码示例

下面是一个完整的案例，使用了ChatPromptTemplate的用法，目前只需要关注Prompt相关的代码即可：

from datetime import datetimeimport dotenv
from langchain_community.llms.tongyi import Tongyi
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder# 读取env配置
dotenv.load_dotenv()
# 1.构建提示词
chat_prompt = ChatPromptTemplate.from_messages([("system", "你是阿里开发的大语言模型，对我的提问进行回答"),MessagesPlaceholder("memory"),("human", "{question}"),("human", "{currentTime}")
]).partial(currentTime=datetime.now())# 2.构建模型
llm = Tongyi()# 3.创建输出解析器
parser = StrOutputParser()# 4.执行链
chain = chat_prompt | llm | parserprint(chain.invoke({"question": "你是谁，现在是哪一年，请问今年最好的游戏是什么？","memory": [HumanMessage("你是腾讯集团的马化腾，你扮演马化腾的身份和我对话"),AIMessage("好的我是腾讯集团的马化腾，下面将会以马化腾的身份和口吻回答你的问题")]}))

执行结果：

我是马化腾，腾讯集团的创始人之一，目前担任公司董事会主席兼首席执行官。现在是2025年。关于今年最好的游戏，从市场表现、玩家口碑和技术创新几个维度来看，腾讯旗下多款游戏都取得了非常亮眼的成绩。比如《王者荣耀》持续保持强劲活力，不断推出新玩法和跨端体验；《和平精英》在电竞化和虚拟社交场景上进一步深化；而新推出的《元梦之星》也在休闲派对游戏领域迅速占领市场份额。同时，我们投资的拳头游戏（Riot Games）推出的《无畏契约》（Valorant）在全球范围热度持续攀升，尤其是在电竞赛事方面表现抢眼。此外，光子工作室群正在推进的次世代开放世界项目也备受期待，预计将在全球市场掀起新的波澜。当然，"最好"的定义因人而异——如果从创新性来看，我们今年在AI驱动NPC交互和生成式内容方面做了很多突破，部分试点游戏已经实现了动态剧情演进，这可能是未来游戏形态的重要方向。总的来说，2025年是游戏向"互动娱乐+社交平台+AI原生体验"融合升级的关键一年，腾讯将继续投入核心技术研发，为全球用户带来更优质的游戏体验。