LangChain 提示词模板进化史：从字符串拼接到优雅的模板引擎

模型调用学会了，接下来要解决一个更头疼的问题——提示词管理。你有没有经历过：把一大段提示词硬编码在字符串里，改一个词就要翻遍整个代码库，稍不留神就拼错变量名。LangChain 的提示词模板系统，就是来终结这种痛苦的。它把提示词从"手写字符串"升级为"可复用的模板引擎"，让提示词管理变得优雅、安全、可维护。

---

一、提示词为什么需要"模板化"？

先看看没有模板的日子长什么样：

# 原始写法：字符串手拼，灾难现场
role = "Python 高级工程师"
skill = "代码审查"
task = "找出下面代码的性能瓶颈"

prompt = f"你是一位{role}，擅长{skill}。请帮我{task}。"

看着还行？等项目大了你就知道痛：

痛点	说明
散落各处	提示词逻辑和业务代码混在一起，改一个词要翻几十个文件
变量不安全	用户输入里有大括号 {} 直接炸，还得手动转义
无法复用	同一个提示词结构，换个场景就得复制粘贴再改
难以迭代	想对比两版提示词的效果？只能改代码、跑一遍、再改回来
多轮对话噩梦	system / human / ai 角色混在一起，字符串拼接像在拆炸弹

模板化的本质，是把"提示词的骨架"和"填入的数据"彻底分开。 骨架是模板，数据是变量，两者各管各的，互不干扰。

---

二、PromptTemplate：一切模板的起点

PromptTemplate 是 LangChain 里最基础的模板类。它用 {变量名} 做占位符，支持动态填充：

2.1 基础用法

from langchain.prompts import PromptTemplate

# 定义模板骨架
template = PromptTemplate.from_template(
    "你是一位{role}，请用{style}的风格回答以下问题：{question}"
)

# 填入数据，生成最终提示词
prompt = template.format(
    role="资深律师",
    style="严谨专业",
    question="签订劳动合同需要注意哪些法律风险？"
)

print(prompt)
# 你是一位资深律师，请用严谨专业的风格回答以下问题：签订劳动合同需要注意哪些法律风险？

2.2 两种创建方式

from langchain.prompts import PromptTemplate

# 方式一：from_template（推荐，日常够用）
template = PromptTemplate.from_template("请用{language}写一段{task}的代码")

# 方式二：显式声明 input_variables（更严谨，支持参数校验）
template = PromptTemplate(
    template="请用{language}写一段{task}的代码",
    input_variables=["language", "task"]  # 明确声明需要哪些变量
)

日常用 from_template 就够了。 但如果你的模板变量很多，显式声明 input_variables 可以在传错变量时立刻报错，而不是默默生成奇怪的提示词。

2.3 部分填充：先填一半，剩下的后面再说

有些变量是全局固定的（比如公司名、产品名），每次都传一遍太啰嗦。partial 允许你先填一部分，生成一个"半成品模板"：

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template(
    "你是{company}的{role}，请回答：{question}"
)

# 先把 company 固定为"阿里巴巴"
partial_template = template.partial(company="阿里巴巴")

# 后续只需要填剩下的变量
print(partial_template.format(role="客服专员", question="如何退货？"))
# 你是阿里巴巴的客服专员，请回答：如何退货？

实战技巧： 把 system prompt 里的公司名、术语规范、输出格式要求等固定内容用 partial 预填充，后续调用只需传核心变量，代码清爽很多。

---

三、ChatPromptTemplate：多轮对话的"剧本编辑器"

聊到多轮对话，PromptTemplate 就扛不住了——它只能处理一段纯文本，而聊天场景需要区分 system / human / ai 三种角色。ChatPromptTemplate 就是为这个而生的。

3.1 基础用法：给每个角色写"台词模板"

from langchain.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "你是一位{role}，擅长{skill}。请用中文回答。"),
    ("human", "请帮我{task}"),
])

# 填入变量
messages = template.format_messages(
    role="数据分析师",
    skill="SQL 优化",
    task="分析这条 SQL 为什么慢：SELECT * FROM orders WHERE year=2024"
)

print(messages)
# [
#   SystemMessage(content="你是一位数据分析师，擅长SQL 优化。请用中文回答。"),
#   HumanMessage(content="请帮我分析这条 SQL 为什么慢：SELECT * FROM orders WHERE year=2024")
# ]

3.2 四种消息构造方式

ChatPromptTemplate 支持多种写法，你可以选最顺手的一种：

from langchain.prompts import ChatPromptTemplate
from langchain.schema import SystemMessage, HumanMessage

# 方式一：元组简写（推荐，最简洁）
template = ChatPromptTemplate.from_messages([
    ("system", "你是{role}"),
    ("human", "{question}"),
])

# 方式二：Message 对象（字段名更直观）
template = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是{role}"),
    HumanMessage(content="{question}"),
])

# 方式三：带 role 的字典（JS 开发者可能更习惯）
template = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是{role}"},
    {"role": "user", "content": "{question}"},
])

3.3 MessagesPlaceholder：给历史消息留个"插槽"

多轮对话的核心需求：把之前的对话历史塞进模板。MessagesPlaceholder 就是干这个的——它在模板里留一个"插槽"，专门用来插入一组消息：

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的助手。"),
    MessagesPlaceholder(variable_name="history"),  # ← 历史消息插槽
    ("human", "{question}"),
])

# 模拟历史对话
history = [
    ("human", "我叫张三"),
    ("ai", "你好张三！有什么可以帮你的？"),
    ("human", "我今年 30 岁"),
    ("ai", "了解，30 岁正是好年纪！"),
]

# 填入历史 + 新问题
messages = template.format_messages(
    history=history,
    question="我叫什么名字？今年多大？"
)

print(messages)
# 模型会看到完整的对话历史，因此能正确回答"你叫张三，今年30岁"

这就是 Memory 组件的底层。 MessagesPlaceholder 是"插槽"，Memory 组件负责"往插槽里填历史消息"。后面讲 Memory 时你会发现它本质上就是一个自动管理插槽内容的工具。

---

四、FewShotPromptTemplate：教模型"照猫画虎"

有时候光靠 system prompt 说不清楚，给几个例子效果立竿见影。FewShotPromptTemplate 让你把示例也做成模板的一部分：

4.1 基础用法

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 准备示例
examples = [
    {"input": "今天天气真好", "output": "正面"},
    {"input": "服务太差了，气死我了", "output": "负面"},
    {"input": "还行吧，不好不坏", "output": "中性"},
]

# 定义示例的格式模板
example_template = PromptTemplate.from_template(
    "输入：{input}\n输出：{output}"
)

# 组装 FewShot 模板
fewshot_template = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    prefix="请对以下文本做情感分析，输出'正面'、'负面'或'中性'。\n\n示例：",
    suffix="\n输入：{text}\n输出：",
    input_variables=["text"],
)

print(fewshot_template.format(text="这个产品质量不错，推荐购买"))

输出效果：

请对以下文本做情感分析，输出'正面'、'负面'或'中性'。

示例：

输入：今天天气真好
输出：正面

输入：服务太差了，气死我了
输出：负面

输入：还行吧，不好不坏
输出：中性

输入：这个产品质量不错，推荐购买
输出：

4.2 动态选择示例：不要让示例"自说自话"

固定示例的问题是：不管用户问什么，都给同样的示例。更好的做法是根据用户输入，动态选择最相关的示例：

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import Chroma

# 准备示例库
examples = [
    {"input": "这段代码怎么优化性能", "output": "你可以考虑：1. 减少循环嵌套 2. 使用缓存..."},
    {"input": "这个 SQL 查询太慢了", "output": "建议：1. 添加索引 2. 避免 SELECT * 3. 使用 EXPLAIN 分析..."},
    {"input": "如何部署到服务器", "output": "步骤：1. 打包应用 2. 配置环境变量 3. 使用 Docker..."},
    {"input": "Python 里的装饰器怎么用", "output": "装饰器是一种高阶函数，基本语法是..."},
]

# 用向量相似度动态选择最相关的示例
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples=examples,
    embeddings=OpenAIEmbeddings(),
    vectorstore_cls=Chroma,
    k=2,  # 选最相关的 2 个示例
)

fewshot_template = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=PromptTemplate.from_template("问题：{input}\n解答：{output}"),
    prefix="你是一个编程助手。以下是一些参考示例：",
    suffix="问题：{question}\n解答：",
    input_variables=["question"],
)

# 用户问数据库相关，自动匹配到 SQL 示例
print(fewshot_template.format(question="数据库查询优化怎么做？"))

动态示例选择的本质：把示例库向量化，用户问题来了之后，用语义相似度检索最相关的几个示例。这比固定示例效果好得多，也是 RAG（检索增强生成）思想的雏形。

---

五、模板 + 模型 + 管道：一条龙服务

模板本身只是"造提示词"的工具，真正让它发光的是和模型串成链。用 LCEL 的管道符 |，一行代码把模板、模型、输出解析器串起来：

from langchain.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema.output_parser import StrOutputParser

# 模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，擅长{skill}。"),
    ("human", "{question}"),
])

# 模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# 串成链
chain = template | llm | StrOutputParser()

# 一行调用
result = chain.invoke({
    "role": "脱口秀演员",
    "skill": "程序员段子",
    "question": "讲一个关于 Git 的段子",
})

print(result)

管道符的两种调用方式

# 方式一：invoke（一次性调用）
result = chain.invoke({"role": "翻译官", "skill": "中英互译", "question": "你好世界"})

# 方式二：stream（流式输出）
for chunk in chain.stream({"role": "诗人", "skill": "写现代诗", "question": "写一首关于代码的诗"}):
    print(chunk, end="", flush=True)

模板 + 管道符 = 可复用的提示词流水线。 同一个模板，换不同的变量就能产出不同的提示词，换不同的模型就能得到不同风格的回复——模板和模型各自独立，互不耦合。

---

六、实战：三个模板，三种场景

6.1 场景一：代码审查助手

from langchain.prompts import ChatPromptTemplate

review_template = ChatPromptTemplate.from_messages([
    ("system", """你是一位资深代码审查员，审查标准如下：
- 命名是否规范
- 是否有潜在的性能问题
- 是否有安全隐患
- 是否有更好的写法
请逐条给出审查意见。"""),
    ("human", "请审查以下{language}代码：\n```{language}\n{code}\n```"),
])

messages = review_template.format_messages(
    language="python",
    code="""
def f(x):
    return x*2
"""
)

6.2 场景二：多语言翻译器（带 FewShot）

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {"source": "今天天气真好", "target": "The weather is really nice today"},
    {"source": "我昨天加班到凌晨", "target": "I worked overtime until midnight yesterday"},
]

example_template = PromptTemplate.from_template("中文：{source}\n英文：{target}")

translate_template = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    prefix="请将以下中文翻译成地道的美式英语：",
    suffix="中文：{text}\n英文：",
    input_variables=["text"],
)

6.3 场景三：带历史记忆的客服机器人

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder

service_template = ChatPromptTemplate.from_messages([
    ("system", """你是{company}的客服专员。
回复要求：
- 语气亲切、专业
- 不能承诺任何你无法确定的事情
- 遇到投诉先道歉再解决"""),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}"),
])

# 模拟历史
history = [
    ("human", "我的订单什么时候到？"),
    ("ai", "您的订单 #12345 预计明天下午送达，请注意查收短信通知。"),
]

messages = service_template.format_messages(
    company="京东",
    history=history,
    question="能帮我催一下吗？"
)

---

七、总结

模板类型	适用场景	核心能力
PromptTemplate	纯文本提示词	变量填充、部分填充
ChatPromptTemplate	多轮对话	角色分离、MessagesPlaceholder 插槽
FewShotPromptTemplate	需要示例引导	固定示例 + 动态示例选择
MessagesPlaceholder	插入历史消息	为 Memory 组件预留插槽

提示词模板的本质，是把"写提示词"从体力活变成工程活。 模板让你可以像管理代码一样管理提示词——版本控制、A/B 测试、组件复用——这些在字符串手拼时代想都不敢想的事情，现在都是标配。

---

参考资料

• LangChain Prompts 官方文档
• LangChain FewShotPromptTemplate 指南