3.1 提示词模板 — LangChain框架精通链式编程核心

本节导读：掌握LangChain模板系统，掌握从简单字符串到复杂模板链的构建，实现个性化、可配置的提示词工程。

学习目标

• 掌握PromptTemplate基础用法和参数化设计
• 理解ChatPromptTemplate和MessagesPlaceholder的使用场景
• 学会使用FewShotPromptTemplate进行少样本学习
• 理解自定义模板函数和变量的高级用法
• 构建可复用的提示词模板系统

核心概念

LangChain的提示词模板系统是构建AI应用的核心组件，它将静态文本与动态数据结合，生成结构化的提示词。

模板系统的核心优势：

• 参数化设计：将动态数据与静态文本分离
• 可复用性：相同模板可处理不同输入数据
• 结构化输出：确保提示词格式一致
• 版本控制：模板可独立管理，便于迭代优化

环境准备 / 前置知识

# 安装必要依赖
pip install langchain langchain-openai langchain-community

# 基础配置
import os
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# API配置
os.environ["OPENAI_API_KEY"] = "your-api-key-here"
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0.7)
​

分步实战

步骤1：基础PromptTemplate使用

from langchain.prompts import PromptTemplate

# 创建简单模板
template = """
你是一个专业的{role}，擅长{specialty}。
用户的问题是：{question}
请提供专业且详细的回答。
"""

prompt = PromptTemplate(
    input_variables=["role", "specialty", "question"],
    template=template
)

# 使用模板
formatted_prompt = prompt.format(
    role="数据分析师",
    specialty="市场趋势分析", 
    question="如何分析用户留存率下降的原因？"
)

print(formatted_prompt)
​

输出示例：

你是一个专业的数据分析师，擅长市场趋势分析。
用户的问题是：如何分析用户留存率下降的原因？
请提供专业且详细的回答。
​

步骤2：ChatPromptTemplate使用

from langchain_core.prompts import ChatPromptTemplate

# 聊天提示词模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，{description}"),
    ("human", "用户问题：{question}"),
    ("assistant", "分析："),
])

formatted_chat_prompt = chat_template.format_messages(
    role="产品经理",
    description="负责用户体验设计和产品优化",
    question="如何提高移动应用的转化率？"
)

print(formatted_chat_prompt)
​

运行结果：

[SystemMessage(content='你是一个产品经理，负责用户体验设计和产品优化'), 
 HumanMessage(content='用户问题：如何提高移动应用的转化率？'), 
 AIMessage(content='分析：')]
​

步骤3：FewShotPromptTemplate少样本学习

from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts.prompt import PromptTemplate

# 定义示例
examples = [
    {
        "question": "什么是机器学习？",
        "answer": "机器学习是人工智能的一个分支，通过算法让计算机从数据中学习模式并做出预测。"
    },
    {
        "question": "什么是深度学习？", 
        "answer": "深度学习是机器学习的子集，使用神经网络来学习数据的复杂模式和表示。"
    }
]

# 示例模板
example_prompt = PromptTemplate(
    input_variables=["question", "answer"],
    template="问题：{question}\n答案：{answer}"
)

# 创建少样本模板
few_shot_prompt = FewShotPromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
    suffix="问题：{question}\n答案：",
    input_variables=["question"],
    example_separator="\n\n"
)

# 使用少样本模板
result = few_shot_prompt.format(question="什么是监督学习？")
print(result)
​

输出结果：

问题：什么是机器学习？
答案：机器学习是人工智能的一个分支，通过算法让计算机从数据中学习模式并做出预测。

问题：什么是深度学习？
答案：深度学习是机器学习的子集，使用神经网络来学习数据的复杂模式和表示。

问题：什么是监督学习？
答案：
​

步骤4：高级模板功能

from langchain.prompts import StringPromptTemplate
from typing import Dict

# 自定义模板函数
def analyze_complexity(text: str) -> str:
    """计算文本复杂度"""
    word_count = len(text.split())
    if word_count < 10:
        return "简单"
    elif word_count < 50:
        return "中等"
    else:
        return "复杂"

class CustomPromptTemplate(StringPromptTemplate):
    def format(self, **kwargs) -> str:
        # 添加动态变量
        kwargs['complexity'] = analyze_complexity(kwargs.get('text', ''))
        kwargs['word_count'] = len(kwargs.get('text', '').split())
        
        return self.template.format(**kwargs)

# 使用自定义模板
custom_template = CustomPromptTemplate(
    template="""
文本复杂度：{complexity}
词数：{word_count}
原文：{text}
请对以上文本进行总结分析：
""",
    input_variables=["text"]
)

result = custom_template.format(text="人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的系统。")
print(result)
​

运行结果：

文本复杂度：复杂
词数：22
原文：人工智能是计算机科学的一个分支，旨在创建能够执行通常需要人类智能的任务的系统。
请对以上文本进行总结分析：
​

完整示例

from langchain.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain

# 1. 创建基础模板
summarization_template = PromptTemplate(
    input_variables=["text", "max_words"],
    template="""
请将以下文本总结为{max_words}字以内的摘要：

{text}

要求：
1. 保持核心观点
2. 语言简洁明了
3. 突出重点信息
"""
)

# 2. 创建专业模板
professional_template = PromptTemplate(
    input_variables=["topic", "audience", "expertise_level"],
    template="""
作为{expertise_level}级别的{topic}专家，请为{audience}受众编写一篇关于{topic}的文章。

文章要求：
- 针对受众调整语言难度
- 提供实用的见解和建议
- 包含实际应用案例
"""
)

# 3. 创建多步骤分析模板
analysis_template = FewShotPromptTemplate(
    example_prompt=PromptTemplate(
        input_variables=["case", "analysis"],
        template="案例：{case}\n分析：{analysis}"
    ),
    examples=[
        {
            "case": "电商平台用户流失率上升",
            "analysis": "需要分析用户行为数据，识别流失关键节点，优化用户体验流程"
        },
        {
            "case": "移动应用下载量增长但留存率低",
            "analysis": "分析用户首次使用体验，优化引导流程，提供个性化推荐"
        }
    ],
    suffix="案例：{case}\n分析：",
    input_variables=["case"],
    example_separator="\n\n"
)

# 4. 创建模板链
template_chain = {
    'summarization': LLMChain(
        llm=ChatOpenAI(model="gpt-4-turbo"),
        prompt=summarization_template
    ),
    'professional': LLMChain(
        llm=ChatOpenAI(model="gpt-4-turbo"), 
        prompt=professional_template
    ),
    'analysis': LLMChain(
        llm=ChatOpenAI(model="gpt-4-turbo"),
        prompt=analysis_template
    )
}

# 5. 使用示例
print("=== 基础总结 ===")
summary_result = template_chain['summarization'].run(
    text="人工智能正在改变各行各业的运作方式，从医疗诊断到金融服务，从制造业到教育领域，AI技术都在发挥着越来越重要的作用。",
    max_words=30
)
print(summary_result)

print("\n=== 专业文章 ===")
article_result = template_chain['professional'].run(
    topic="人工智能",
    audience="企业管理者",
    expertise_level="高级"
)
print(article_result)
​

运行结果示例：

=== 基础总结 ===
AI技术正在改变医疗、金融、制造和教育等多个行业，影响力持续扩大。

=== 专业文章 ===
# 人工智能：企业管理者指南

作为高级级别的AI专家，为企业管理者受众编写一篇关于人工智能的文章。

文章要求：
- 针对受众调整语言难度
- 提供实用的见解和建议
- 包含实际应用案例

人工智能正在重塑企业运营模式。从自动化流程到智能决策支持，AI技术为企业带来前所未有的机遇。在医疗领域，AI辅助诊断提高准确率；在金融行业，算法交易优化投资策略；在制造业，预测性维护减少设备故障。

关键建议：
1. 制定AI战略规划
2. 培养AI人才团队
3. 确保数据质量
4. 关注伦理和合规问题

成功案例：某零售企业通过AI推荐系统提升销售额35%。
​

常见问题 FAQ

Q1：如何选择合适的模板类型？

A：根据任务复杂度选择：简单字符串格式用PromptTemplate，对话场景用ChatPromptTemplate，需要示例学习用FewShotPromptTemplate。任务复杂度高时建议组合使用。

Q2：模板中的变量如何处理？

A：所有变量都必须通过input_variables明确声明，运行时提供对应值。复杂变量可通过自定义模板函数预处理，确保数据格式正确。

Q3：如何避免模板注入攻击？

A：对用户输入进行验证和过滤，使用白名单机制，避免直接拼接用户输入到模板中。对于敏感信息考虑使用变量替换而非直接嵌入。

Q4：如何优化模板性能？

A：预编译常用模板，缓存格式化结果，避免重复创建相同模板。对于复杂模板可考虑拆分为多个简单模板组合使用。

最佳实践与避坑

• 模板设计：保持模板简洁，避免过度复杂化
• 变量命名：使用描述性名称，便于维护
• 错误处理：添加变量验证，避免运行时错误
• 版本管理：为重要模板建立版本控制
• 测试覆盖：为不同输入场景编写测试用例

本节小结

通过本节学习，我们掌握了LangChain提示词模板系统的核心功能，包括基础模板、聊天模板、少样本学习模板等。提示词模板是构建AI应用的基础，合理使用可以大幅提高开发效率和输出质量。下一节将深入讲解输出解析器的使用，确保LLM输出的结构化处理。

延伸阅读

• 官方文档：LangChain PromptTemplate官方文档v0.3版本
• 相关章节：本教程3.2节输出解析器，3.3节链式调用

关键词：LangChain框架精通, 提示词模板, PromptTemplate, ChatPromptTemplate, FewShotPromptTemplate, 链式编程, 模板系统, AI应用开发, 教程, 实战
难度：进阶
预计阅读：25分钟