2. 提示词模板（Prompt Template）
关于提示词模板。这里只挑拣几个简单讲解，更多的去官方文档查询使用方法即可
2.1 概念
提示词模板（Prompt Template）是 LangChain 的核心抽象之一，它被广泛应用于构建大语言模型
（LLM）应用的各个环节。简单来说，只要是需要动态、批量、或有结构地向大语言模型【发送请求】的地方，几乎都会用到提示词模板。
一个简单的例子，假设我们想根据一个城市名询问 LLM 其历史，按照之前的做法，我们可以定义
HumanMessage("请介绍上海的历史") 、HumanMessage("请介绍西安的历史") 消息等等。可以发现每次询问都会描写重复的消息内容： 请介绍xxx的历史。
在 LangChain 中，针对这种情况，可以定义一个模板：
• 固定文本（模板）：“请介绍{city}的历史。”
• 输入变量：[“city”]
定义好后，可以使用该模板：
• 当我们需要查询北京时，就将 city 变量赋值为 “北京”。模板引擎会生成： “请介绍北京的历
史。”
• 当我们需要查询上海时，就将 city 变量赋值为 “上海”。模板引擎会生成： “请介绍上海的历
史。”
提示词模板就是一个可复用的提示词蓝图，它允许我们动态地生成提示词，而不是每次都手动编写完整的提示词。
它类似于编程中的字符串格式化功能。你创建一个带有“占位符”的模板，然后在运行时，用具体的值（变量）填充这些占位符，从而生成一个最终发送给 LLM 的完整提示词。
提示词模板解决了以下几个核心问题：
1. 可复用性： 只需定义一个模板，就可以用于无数个类似的查询。
2. 关注点分离： 将提示词的结构和逻辑（工程）与具体的内容和数据分离开。提示工程师可以专注于优化模板，而应用程序则负责提供变量值。
3. 一致性： 确保发送给LLM的提示词结构统一，这有助于获得更稳定、可预测的输出结果。
4. 可维护性： 如果需要修改提示词的风格或结构，只需修改一个模板文件，而不用在代码的无数个地方进行修改。
2.2 用法
2.2.1 字符串模板
LangChain 提供了PromptTemplate类来轻松实现这一功能。PromptTemplate 实现了标准的
Runnable 接口。示例如下：
from langchain_core.prompts import PromptTemplate # 1. 定义模板：使用 {language} 作为占位符，运行时会被实际值替换 # from_template() 是类方法，根据模板字符串创建一个 PromptTemplate 实例 prompt_template = PromptTemplate.from_template("Translate the following into {language}") # 2. 实例化模板：调用 invoke 方法，传入一个字典，键为占位符名称，值为要填充的内容 # 返回的是一个 PromptValue 对象，其 .text 属性或 str() 可得到最终字符串 result = prompt_template.invoke({"language": "Chinese"}) print(result) # 直接打印 PromptValue 对象会显示 text='...' print(result.text) # 获取纯文本：Translate the following into Chinese| 参数 | 描述 |
|---|---|
template | 提示模板字符串，包含用{}包裹的变量名。 |
input_variables | 模板中所有变量名的列表（通常自动从模板提取，也可手动指定）。 |
内置方法
| 方法 | 描述 |
|---|---|
from_template(template: str) | 类方法，根据模板字符串创建PromptTemplate实例。 |
invoke(input: dict) | 接收一个字典（变量名 -> 值），返回填充后的PromptValue对象。 |
更完整的示例（便于理解）
PromptTemplate实现了 LangChain 的Runnable接口，可以与模型通过|管道组合：prompt | model。如果模板中使用了变量但未在
invoke传入，会抛出KeyError。
# 定义包含多个变量的模板 template = """ 请根据以下信息回答问题： 问题：{question} 背景：{context} """ prompt = PromptTemplate.from_template(template) # 填充变量 filled = prompt.invoke({ "question": "LangChain 是什么？", "context": "LangChain 是一个用于构建 LLM 应用的框架。" }) print(filled.text) # 输出： # 请根据以下信息回答问题： # 问题：LangChain 是什么？ # 背景：LangChain 是一个用于构建 LLM 应用的框架。2.2.2 聊天消息模板
ChatPromptTemplate模板：专为 LangChain 聊天模型设计。可以方便地构建包含
SystemMessage 、HumanMessage 、AIMessage 的消息模板。
# ==================== 1. 基础用法：创建包含 system 和 user 消息的模板 ==================== from langchain_core.prompts import ChatPromptTemplate # 1.1 设置模板：使用元组列表定义消息序列，每个元组为 (角色, 内容模板) # 支持的角色类型通常为 "system", "user", "ai" prompt_template = ChatPromptTemplate( [ ("system", "Translate the following into {language}."), # 系统消息模板 ("user", "{text}") # 用户消息模板 ] ) # 注释：在 langchain_core 0.2.24 版本后可直接使用 ChatPromptTemplate() 构造函数； # 旧版本需要使用 ChatPromptTemplate.from_messages() 方法。 # 1.2 实例化模板：传入具体变量值，得到 PromptValue 对象 messages_value = prompt_template.invoke( { "language": "Chinese", "text": "what is your name?" } ) # 1.3 将 PromptValue 转换为消息列表（包含 SystemMessage 和 HumanMessage 对象） messages = messages_value.to_messages() print(messages) # 输出： # [SystemMessage(content='Translate the following into Chinese.', ...), # HumanMessage(content='what is your name?', ...)] # ==================== 2. 进阶用法：与模型和输出解析器组合成链 ==================== from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser # 2.1 定义大模型（以 OpenAI GPT-4o-mini 为例） model = ChatOpenAI(model="gpt-4o-mini") # 2.2 定义输出解析器：将模型响应转换为字符串 parser = StrOutputParser() # 2.3 构建链：模板 -> 模型 -> 解析器 # 注意：ChatPromptTemplate 可以直接 invoke 返回消息列表，也可以直接放入链中 chain = prompt_template | model | parser # 2.4 执行链：传入变量，自动完成模板填充 -> 模型调用 -> 解析 result = chain.invoke({"language": "Chinese", "text": "what is your name?"}) print(result) # 输出：你的名字是什么？ChatPromptTemplate的作用
专为聊天模型设计，可以方便地定义多轮对话的消息模板（系统、用户、助手角色）。每个消息模板是一个(role, template_string)元组。两种调用方式
单独使用：
prompt_template.invoke(variables)→PromptValue，再调用.to_messages()得到消息列表，传递给模型。链式调用：
prompt_template | model | parser，直接传入变量，自动完成模板填充、模型调用和输出解析。
输入变量的自动推断
ChatPromptTemplate会自动扫描所有模板字符串中的{variable}作为输入变量，无需手动指定input_variables。常见角色类型
"system": 系统消息，设定模型行为。"user": 用户消息。"ai": 助手消息（通常用于少样本示例或对话历史）。也可使用
HumanMessage,AIMessage等对象直接添加，但元组形式更简洁。
第一个
print(messages)输出的是SystemMessage和HumanMessage对象的列表，包含完整元数据。链式调用最终打印的是模型翻译后的中文结果：
你的名字是什么？。
2.2.3 消息占位符
在上面的 ChatPromptTemplate 中，我们看到了如何格式化两条消息，每条消息都是一个字符串。但如果我们希望将消息插入特定位置怎么办？使用MessagesPlaceholder：负责在特定位置添加消息列表。
# ==================== 方式一：使用 MessagesPlaceholder（推荐） ==================== from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.messages import HumanMessage, AIMessage # 1. 定义模板：包含系统消息和一个占位符（用于插入任意消息列表） prompt_template = ChatPromptTemplate([ ("system", "你是一个聊天助手"), MessagesPlaceholder("msgs") # 参数为占位符变量名，运行时会将对应消息列表嵌入此处 ]) # 2. 准备要插入的消息列表（通常是对话历史或动态生成的连续消息） messages_to_pass = [ HumanMessage(content="中国首都是哪里？"), AIMessage(content="中国首都是北京。"), HumanMessage(content="那法国呢？") ] # 3. 调用 invoke，将消息列表赋值给变量 "msgs"，生成最终 PromptValue formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass}) # 4. 打印结果：可以看到系统消息后面依次插入了三条消息 print(formatted_prompt) # 输出效果（简化）： # messages=[ # SystemMessage(content='你是一个聊天助手', ...), # HumanMessage(content='中国首都是哪里？', ...), # AIMessage(content='中国首都是北京。', ...), # HumanMessage(content='那法国呢？', ...) # ] # ==================== 方式二：使用 ("placeholder", "{var}") 的缩写形式 ==================== # 不显式使用 MessagesPlaceholder 类，直接用元组 ("placeholder", 变量名) 效果相同 from langchain_core.prompts import ChatPromptTemplate from langchain_core.messages import HumanMessage, AIMessage prompt_template = ChatPromptTemplate([ ("system", "You are a helpful assistant"), ("placeholder", "{msgs}") # 等价于 MessagesPlaceholder("msgs") ]) messages_to_pass = [ HumanMessage(content="中国首都是哪里？"), AIMessage(content="中国首都是北京。"), HumanMessage(content="那法国呢？") ] formatted_prompt = prompt_template.invoke({"msgs": messages_to_pass}) print(formatted_prompt) # 输出结果与方式一完全一致什么是
MessagesPlaceholder
它是一个特殊的占位符，允许你在聊天模板的任意位置嵌入一个完整的消息列表（而不是普通字符串）。通常用于：插入多轮对话历史记录。
动态添加任意数量的上下文消息（如检索到的示例、用户的操作记录等）。
为什么需要消息占位符
普通的字符串占位符（如{text}）只能填充文本内容，而MessagesPlaceholder可以直接填充BaseMessage列表（HumanMessage、AIMessage等），保留每条消息的角色和元数据。两种写法的区别与选择
推荐写法：
MessagesPlaceholder("variable_name")，语义清晰，IDE 支持良好。缩写写法：
("placeholder", "{variable_name}")，更简洁，但不易发现可用的参数（如optional、n_messages等扩展参数）。
从 LangChain 0.2+ 开始，
MessagesPlaceholder还支持额外参数：optional=True（允许变量缺失而不报错）、n_messages=5（限制插入的消息数量）等，这些在缩写形式中无法使用。与普通模板的区别
普通模板：
("user", "{text}")→ 填充的是纯文本，生成一条HumanMessage。消息占位符：
MessagesPlaceholder("msgs")→ 将整个消息列表“展开”后嵌入，列表中的每条消息保持原样插入。
实际应用场景
# 场景：需要将检索到的示例对话作为上下文插入到系统消息之后 prompt_template = ChatPromptTemplate([ ("system", "你是一个代码助手"), MessagesPlaceholder("few_shot_examples"), # 插入几个例子 ("user", "{user_input}") ]) examples = [ HumanMessage("如何反转列表？"), AIMessage("使用 list[::-1] 即可。"), HumanMessage("如何合并两个字典？"), AIMessage("使用 {**dict1, **dict2}。") ] final_prompt = prompt_template.invoke({ "few_shot_examples": examples, "user_input": "如何创建字典推导式？" })
扩展：MessagesPlaceholder的更多参数（LangChain 0.3+）
MessagesPlaceholder( variable_name="history", optional=True, # 若 history 未提供，不会报错，直接忽略该占位符 n_messages=5 # 最多只取历史中的最后 5 条消息插入 )2.3 使用 LangChain Hub 的提示词模板
LangChain Hub 是一个用于上传、浏览、拉取和管理提示词(prompts)的地方。随着 LLM 的发展，提示变得越来越重要。LangChain 正在打造一个与像 GitHub 这样的传统平台，GitHub长期以来一直是共享和协作代码的首选平台。于是推出了 LangChain Hub 平台。
LangChain Hub 创建一个分享和发现 Prompt 的平台，使得开发者可以更容易地发现新用例和精炼提示。 这一举措使提示工程师更容易合作，重复使用现有的提示，并对其进行微调以实现特定的结果，从而加速对话代理和其他基于语言的应用程序的开发和部署。早期的时候 LangChain Hub 有Prompt、Chain、Agent，现在只有Prompt。
LangChain Hub 官网地址：中心 - LangSmith。通过登录到 Hub 来探索所有现有提示。
这里以提示词模板：hardkothari/prompt-maker 为示例，演示一下如何使用 LangChain Hub 上的提示。Prompt Maker 模板是一个【提示生成器】 ，它可以自动化优化提示的过程，从而提高语言模型在各种应用中的质量和效果。
要想使用该能力，需要先申请并配置LangSmith 环境变量： LANGSMITH_API_KEY="你的LangSmith API Key" 。接着，需要从 hub 拉取相应的提示，并使用
import os from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langsmith import Client # ==================== 1. 设置 LangSmith API 环境变量 ==================== # 在代码中设置（不推荐生产环境使用，仅演示），或者提前在系统环境变量中配置好 LANGSMITH_API_KEY # os.environ["LANGSMITH_API_KEY"] = "你的 LangSmith API Key" # ==================== 2. 初始化 LangSmith 客户端 ==================== client = Client() # 自动从环境变量 LANGSMITH_API_KEY 中读取 API Key # ==================== 3. 从 LangSmith Hub 拉取提示词模板 ==================== # 从 LangSmith Hub 拉取 hardkothari/prompt-maker 提示词模板 # include_model=False 表示只拉取提示词本身的定义，不附带关联的模型配置。 # 如果设置为 True，则会尝试同时加载模板中指定的模型配置（需要额外设置） prompt = client.pull_prompt("hardkothari/prompt-maker", include_model=False) # 4. 定义 LLM 模型：此处使用 OpenAI 的 GPT-4o-mini 模型 model = ChatOpenAI(model="gpt-4o-mini") # 5. 构建处理链：提示词模板 → 大模型调用（此时模板还未“注入”用户输入） chain = prompt | model # 6. 交互式循环：接收用户输入的"任务"和"当前提示词"，生成优化后的提示词并打印 while True: # 6.1 获取用户当前的任务描述 task = input("\n你的任务是什么？（输入 quit 退出聊天）\n") if task == 'quit': break # 6.2 获取用户当前的提示词/原始提示 lazy_prompt = input("\n你当前的提示是什么？（输入 quit 退出聊天）\n") if lazy_prompt == 'quit': break # 6.3 将两个变量以字典形式传入链中调用，生成模型的回复并美化打印 print("\n Response:") # 将 task 和 lazy_prompt 传递给链进行调用，注意字典的键名要与模板期望的变量名完全匹配 chain.invoke({'lazy_prompt': lazy_prompt, 'task': task}).pretty_print()通过使用这个模板，可以大 减少手动调整提示所需的工作量，从而节省时间和资源。Prompt Maker通过分析初始提示的结构和内容，然后应用一组预定规则或算法来优化提示，以提高响应质量、清晰度和相关性。这在提示的质量对模型的输出有很大影响的场景中特别有用，比如客户服务机器人、对话代理或数据分析任务。
