02 Prompt组件及使用技巧

1 为什么需要Prompt（提示）

绝大多数 LLM 应用不会直接将用户原始输入原封不动地传递给模型，而是通过提示模板（Prompt Template）构建一个包含附加上下文的完整输入框架。这种设计的核心逻辑在于：大语言模型的本质是基于预训练数据的统计模式匹配。若用户指令模糊或缺乏必要背景信息，模型极易因理解偏差生成偏离预期的输出。

1.1 Prompt 的关键作用

1. 精准锚定任务目标
   通过明确指令（如“翻译”“总结”“代码生成”），直接限定模型的输出方向，避免其因语义歧义产生无关内容。

• 示例对比：
  • 模糊指令：“写点关于春天的内容。”
    → 模型可能输出诗歌、天气分析或自然现象描述，难以满足用户真实需求。
  • 明确指令：“请以300字篇幅描述春天的自然景观，需包含鲜花、绿草和微风的细节描写。”
    → 模型能聚焦用户意图，生成结构清晰、内容契合的结果。

2. 注入上下文信息，提升推理准确性
   提示模板通过补充任务背景、约束条件或格式要求，为模型提供必要的推理线索。

• 场景适配：
  • 学术场景：“请以学术论文格式总结量子计算的发展历程。”
  • 商业场景：“将用户评论分类为‘正面’‘中性’‘负面’，并输出JSON格式结果。”
• 约束条件：
  “用不超过50字解释相对论的基本原理。” → 强制模型提炼核心概念，避免冗长描述。

3. 降低交互门槛，优化用户体验
   通过预设的 Prompt 模板，用户无需理解模型内部机制，只需输入直观指令即可获得结构化输出。

• 复杂任务简化：
  “帮我设计一个待办事项APP。” → 模型根据预设模板自动补全功能模块、技术栈选择等细节。
• 多模态支持：
  “分析这张图片中的物体，并总结其应用场景。” → 提示模板可整合视觉与文本信息，实现跨模态推理。

1.2 技术视角：Prompt 工程的价值

Prompt 设计不仅是简单的指令输入，更是模型能力调优的核心手段。通过角色扮演（如“你是一位资深律师”）、思考链引导（分步骤推理）或参数化模板（动态替换变量），开发者可显著提升模型在复杂任务中的表现。例如：

• 角色扮演增强专业性：
  “作为营养师，请为健身人群设计高蛋白食谱。”
• 分步推理提升准确性：
  “首先列出用户需求，其次分析解决方案，最后总结最佳选择。”

2 LangChain中的Prompt组件

Prompt 是所有 AI 应用交互的起点，为了适配不同的 LLM ，LangChain 封装了 Prompt 组件 ，并且 Prompt 组件是高可移植性的 ，同一个 Prompt 可以支持各种 LLM ，在切换 LLM 的时候 ，无需修改 Prompt。

LangChain 提供了灵活的 PromptTemplate 工具，允许开发者定义可重用的文本模板，并通过变量动态插入内容。

对于 PromptTemplate ，在 LangChain 中 ，又涵盖了多个子组件 ，例如 ：角色提示模板、消息占位符、 文本提示模板、聊天消息提示模板、提示、消息等

不同 Prompt 组件功能的简介：

• PromptTemplate ：用于创建文本消息提示模板 ，用于用于与大语言模型/文本生成模型进行交 互。
• ChatPromptTemplate ：用于创建聊天消息提示模板 ，一般用于与聊天模型进行交互。
• MessagePlaceholder：消息占位符 ，在聊天模型中对不确定是否需要的消息进行占位。 SystemMessagePromptTemplate ：用于创建系统消息提示模板 ，角色为系统。
• HumanMessagePromptTemplate ：用于创建人类消息提示模板 ，角色为人类。 AIMessagePromptTemplate ：用于创建AI消息提示模板 ，角色为AI。
• PipelinePromptTemplate ：用于创建管道消息 ，管道消息可以将提示模板作为变量进行快速复用。

[!tip]

LLMs和Chat Models的区别：

• LLMs的输入和输出都是文本，而Chat Models输入输出都是消息列表
• 基本现在的大语言模型都是用的Chat Models，LLMs应用场景没有Chat Models多。

Prompt 不同方法的功能简介：

• partial ：用于格式化提示模板中的部分变量。

• format：传递变量数据 ，格式化提示模板为文本消息。

• invoke ：传递变量谁 ，格式化提示模板为提示。

• to_string：将提示/消息提示列表转换成字符串。

• to_messages ：用于将消息提示列表转换成字符串。

Prompt 中重载的运算符：

• +运算符 ：在 Prompt 组件中 ，对 + 运算符使用 add 方法进行重写 ，所以几乎所有 Prompt 组件都可以使用 + 进行组装拼接。

3 基础 Prompt 模板

PromptTemplate 是 LangChain 中用于构建和管理提示词（Prompt）的核心组件之一，它允许开发者定义可复用的文本模板，并通过动态变量插入生成最终的 Prompt。它是构建 LLM（大语言模型）应用时非常关键的一环。

---

3.1 PromptTemplate 的基本概念

3.1.1 定义

• PromptTemplate 是一个 字符串模板，其中包含固定文本 + 动态变量。
• 模型输入前，这些变量会被实际值替换，形成最终的 Prompt 输入给 LLM。

3.1.2 核心作用

• 将用户意图结构化为模型能理解的形式。
• 支持多场景复用（如翻译、摘要、问答等）。
• 提高开发效率与代码可维护性。

---

3.2 PromptTemplate 的基本用法

示例：定义一个简单的 Prompt 模板

from langchain.prompts import PromptTemplate# 定义模板
template = PromptTemplate(input_variables=["name", "task"],template="Hello {name}, could you please help me with {task}?"
)# 使用模板生成具体 Prompt
prompt = template.format(name="Alice", task="data analysis")
print(prompt)
# 输出: Hello Alice, could you please help me with data analysis?

---

3.3 PromptTemplate 的核心参数

参数名	类型	说明
input_variables	List[str]	模板中使用的变量名列表
template	str	包含变量的原始字符串模板
template_format	str	模板格式，默认是 f-string，也可使用 jinja2 等高级模板引擎

---

3.4 支持的模板格式

LangChain 支持多种模板格式，最常用的是：

1. 默认格式：f-string（推荐）

• 使用 {variable} 语法。
• 简洁直观，适合大多数场景。

template = PromptTemplate.from_template("请总结以下文章：{article}")

2. Jinja2 模板（高级功能）

• 支持条件判断、循环等逻辑。
• 需指定 template_format="jinja2"。

from langchain.prompts import PromptTemplatetemplate_str = """
{% if user_type == 'vip' %}
尊敬的VIP用户，以下是您的专属服务：
{{ content }}
{% else %}
普通用户服务如下：
{{ content }}
{% endif %}
"""template = PromptTemplate(input_variables=["user_type", "content"],template=template_str,template_format="jinja2"
)prompt = template.format(user_type="vip", content="每日新闻摘要")
print(prompt)

---

3.5 PromptTemplate 的常见方法

方法	说明
.format(**kwargs)	替换变量，生成完整 Prompt 字符串，适用于简单场景
.format_prompt(**kwargs)	返回 PromptValue 对象，可用于直接调用 LLM
.from_template(template_string)	快捷创建模板对象
.partial()	固定部分变量，生成新的 PartialPromptTemplate

---

1. .format(**kwargs)

作用：替换模板中的变量，生成完整的 Prompt 字符串，传输给LLM，适用于简单场景。
示例：

from langchain.prompts import PromptTemplate# 定义模板
template = PromptTemplate.from_template("将以下文本翻译成{language}：{text}")# 替换变量生成完整 Prompt
formatted_prompt = template.format(language="法语", text="你好")
print(formatted_prompt)# 调用 LLM（假设已有模型实例）
# llm(formatted_prompt)  # 传递给 LLM 的输入

输出：

将以下文本翻译成法语：你好

---

2. .format_prompt(**kwargs)

作用：返回 PromptValue 对象（包含 Prompt 内容），可直接用于调用 LLM。
示例：

from langchain.prompts import PromptTemplate# 定义模板
template = PromptTemplate.from_template("回答以下问题：{question}")# 生成 PromptValue 对象
prompt_value = template.format_prompt(question="巴黎是哪个国家的首都？")# 调用 LLM（假设已有模型实例）
# llm(prompt_value)  # 传递给 LLM 的输入

说明：

• PromptValue 是 LangChain 中统一的 Prompt 输入格式，支持更复杂的 Prompt 结构（如多轮对话）。

---

3. .from_template(template_string)

作用：通过字符串快速创建 PromptTemplate 对象。
示例：

from langchain.prompts import PromptTemplate# 直接通过字符串创建模板
template = PromptTemplate.fro