2.2 工艺单：提示词模板详解

2.2 工艺单：提示词模板详解

本节摘要：提示模板把提示词从代码里解耦成带占位符的图纸，LangChain 提供普通模板、对话消息模板、少样本模板三种形态，配合输出解析器可以把自由文本约束成结构化数据。本节覆盖四种写法与工艺单的工程化管理。

工艺单解决什么工序问题

发动机再好，喂料规格混乱也产不出合格件。裸写提示词的三大病灶——字符串拼接不可维护、变量遗漏靠肉眼查、对话角色手工排——在 PromptTemplate 这里有三种解：

from langchain_core.prompts import PromptTemplate

# 写法一：普通模板，大括号即占位器
prompt = PromptTemplate.from_template(
    "请告诉我知道关于{topic}的一些有趣事实")

print(prompt.format(topic="太阳系"))
# 输出：请告诉我知道关于太阳系的一些有趣事实

# 变量清单由模板自动推导，不用手工维护
print(prompt.input_variables)
# 输出：['topic']
​

对话场景要用消息结构而非一大段字符串。系统消息定人设、历史消息带上下文、用户消息装当次输入——三各司其职：

from langchain_core.prompts import ChatPromptTemplate

# 写法二：对话消息模板，元组列表声明角色
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位{name}，回答保持{style}的风格"),
    ("human", "{question}"),
])

msgs = chat_prompt.format_messages(name="资深电工", style="严谨",
                                   question="家里跳闸先查什么")
print(msgs[0].content)
# 输出：你是一位资深电工，回答保持严谨的风格
print(msgs[1].content)
# 输出：家里跳闸先查什么
​

带历史接入时，模板里放一个占位段落，记忆模块（2.5 节）会把裁剪好的历史填进这里：

# placeholder 是留给记忆工位的历史插槽
prompt_with_history = ChatPromptTemplate.from_messages([
    ("system", "你是耐心的一对一辅导老师"),
    ("placeholder", "{chat_history}"),
    ("human", "{question}"),
])
​

少样本：给工艺单附上样品

模型更擅长模仿而不是理解抽象规则。与其写十条要求，不如直接给三个输入输出对：

from langchain_core.prompts import FewShotChatMessagePromptTemplate
from langchain_core.prompts import ChatPromptTemplate

examples = [
    {"word": "快乐", "antonym": "悲伤"},
    {"word": "高", "antonym": "矮"},
    {"word": "潮湿", "antonym": "干燥"},
]

# 样品段：告诉模型"照这个样子干"
example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{word}"),
    ("ai", "{antonym}"),
])
few_shot = FewShotChatMessagePromptTemplate(
    examples=examples, example_prompt=example_prompt)

# 样品段拼进完整工艺单
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "请输出输入词的反义词，只输出词本身"),
    few_shot,
    ("human", "{word}"),
])
print(final_prompt.format_messages(word="复杂")[-1].content)
# 输出：复杂（模型看到三个样品后，会回：简单）
​

出口装夹具：输出解析器

工艺单管进口，出口的规整靠解析器。没有它，下游拿到的是一坨自由文本；有了它，产线末端交付的是结构化数据：

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

# 声明交付规格：字段名即合同
class Product(BaseModel):
    name: str = Field(description="产品名")
    slogan: str = Field(description="12字以内标语")

parser = JsonOutputParser(pydantic_object=Product)

# 把格式说明自动注入工艺单
prompt = ChatPromptTemplate.from_messages([
    ("human", "为{product}想一个品牌名与标语\n{format_instructions}"),
]).partial(format_instructions=parser.get_format_instructions())

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(temperature=0.3)

# 工艺单 + 动力单元 + 出口夹具，三件锁成传送带
chain = prompt | llm | parser
print(chain.invoke({"product": "彩色袜子"}))
# 输出示例：{'name': '彩织坊', 'slogan': '让每一天从彩色开始'}
​

工艺单的工程化管理

工艺单多了就要进图纸柜：模板支持序列化成 JSON 存盘，团队协作时评审的是图纸而不是散在代码里的字符串。四种形态怎么选，一张表说清：

import json

# 序列化：把图纸存进图纸柜（这里直接演示存取往返）
pic = PromptTemplate.from_template("总结{doc}的三个要点")
saved = json.dumps({"template": pic.template,
                    "variables": pic.input_variables}, ensure_ascii=False)
print(saved)
# 输出：{"template": "总结{doc}的三个要点", "variables": ["doc"]}
​

⚠️ 占位符撞车是高频事故：模板里已经用了双大括号转义的字面量大括号，又混入单大括号变量，格式化时才报错。复杂模板先单独 format 一遍再上产线，两分钟排查省两小时返工。

快速自检清单

写完任何一张工艺单，过三问：变量是否都由 input_variables 覆盖；角色与历史插槽是否放对位置；出口是自由文本还是结构化、下游知道吗。三问答完，这张工艺单就能挂上 2.3 节的传送带了。