LangChain 学习记录 03：提示词模板 PromptTemplate 与 ChatPromptTemplate 详解

LangChain 学习记录 03：提示词模板 PromptTemplate 与 ChatPromptTemplate 详解

摘要

在大模型应用开发里，Prompt 不是随手拼出来的一段字符串，而是影响模型输出质量、代码可维护性和项目稳定性的核心资产。

本文围绕 LangChain 的提示词模板展开，重点讲清楚：

• 为什么不要长期依赖 f-string 手动拼 Prompt
• PromptTemplate和ChatPromptTemplate分别适合什么场景
• partial和partial_variables如何减少重复传参
• MessagesPlaceholder为什么是多轮对话的关键
• FewShotPromptTemplate如何用示例引导模型输出

一句话概括：

Prompt Template 的作用，是把“怎么问模型”这件事标准化、参数化、可复用。

一、为什么需要提示词模板

刚开始调用大模型时，我们很容易这样写：

topic="向量数据库"style="通俗易懂"prompt=f"请用{style}的方式解释什么是{topic}"

这当然能跑。

但真实项目里的 Prompt 往往不是一句话，而是包含：

• 角色设定
• 任务目标
• 输入数据
• 输出格式
• 约束条件
• 示例
• 历史对话
• 安全边界

如果全部用字符串拼接，代码会慢慢变成这样：

prompt=("你是一个专业助手。\n"f"请分析下面内容：{text}\n""要求：\n""1. 输出 JSON\n""2. 不要添加解释\n"f"3. 语气要{style}\n")

一开始看着还行，后面需求一改，Prompt 四处散落，维护起来就像在旧项目里找一个没有注释的全局变量，心态非常容易裂开。

提示词模板解决的就是这个问题：

把 Prompt 的固定部分和可变部分分离。

也就是：

固定模板 + 动态变量 = 最终 Prompt

二、Prompt Template 的底层逻辑

先看一张逻辑图。

LangChain 中的提示词模板大概遵循这个流程：

变量输入 ↓ PromptTemplate / ChatPromptTemplate ↓ PromptValue ↓ Chat Model 或 LLM

这里有一个容易忽略的点：

PromptTemplate 调用后，不一定直接得到普通字符串。

它可能生成一个PromptValue，这个中间对象可以适配不同模型：

• 给普通 LLM 时，可以转成字符串
• 给 Chat Model 时，可以转成消息列表

这就是 LangChain 组件能无缝接入 LCEL 链的原因。

后面你会经常看到：

chain=prompt|model|parser

这里的prompt能接到model前面，就是因为它们都遵循统一的输入输出协议。

三、PromptTemplate：最基础的字符串模板

PromptTemplate适合简单文本生成场景。

比如：

fromlangchain_core.promptsimportPromptTemplate prompt=PromptTemplate.from_template("请用{style}的风格解释什么是{topic}。")result=prompt.invoke({"style":"通俗易懂","topic":"向量数据库"})print(result)

这里的{style}和{topic}是占位符。

调用时传入：

{"style":"通俗易懂","topic":"向量数据库"}

LangChain 会把变量填进模板，生成最终 Prompt。

你也可以把它理解成一个函数：

defprompt(style,topic):returnf"请用{style}的风格解释什么是{topic}。"

只不过 LangChain 的模板更适合后续接入模型、解析器和 Chain。

常见写法对比

如果你只是写一个极小 demo，f-string 没问题。

但只要准备做项目，就建议尽早换成 Prompt Template。

四、ChatPromptTemplate：聊天模型的主力模板

现在大多数大模型接口都属于 Chat Model。

Chat Model 不只是接收一段字符串，而是接收一组消息：

system：系统规则 human：用户输入 ai：模型历史回复

所以更常用的是ChatPromptTemplate。

fromlangchain_core.promptsimportChatPromptTemplate prompt=ChatPromptTemplate.from_messages([("system","你是一名耐心的技术导师，擅长用简单例子解释复杂概念。"),("human","请解释：{question}")])prompt_value=prompt.invoke({"question":"LangChain 中的 PromptTemplate 有什么用？"})print(prompt_value)

这段模板里有两条消息：

system：给模型设定身份和行为规则 human：用户真正要问的问题

system、human、ai 的区别

一个更贴近项目的例子：

review_prompt=ChatPromptTemplate.from_messages([("system","你是一个资深 Python 代码审查助手。"),("human","请审查下面代码，指出潜在问题：\n{code}")])

这个模板比普通字符串更清晰：

• 系统身份放在system
• 用户任务放在human
• 变量{code}独立传入

代码更像在描述业务流程，而不是乱拼字符串。

五、partial 与 partial_variables

有时模板里有些变量是固定的。

比如：

prompt=PromptTemplate.from_template("请用{style}风格解释{topic}，要求不超过{max_words}字。")

如果style总是“通俗易懂”，我们不想每次都传：

prompt=prompt.partial(style="通俗易懂")

之后调用时只需要传剩下的变量：

result=prompt.invoke({"topic":"RAG","max_words":100})

partial 的核心价值

提前填充一部分变量，让模板变成更具体的模板。

这有点像函数默认参数：

defexplain(topic,style="通俗易懂"):...

partial 和 partial_variables 区别

示例：

prompt=PromptTemplate(template="请用{style}风格解释{topic}",input_variables=["topic"],partial_variables={"style":"通俗易懂"})

如果这个固定值来自用户选择、配置文件或运行时上下文，优先用partial()。

如果这个固定值就是模板定义的一部分，可以用partial_variables。

六、MessagesPlaceholder：给历史对话留位置

多轮对话中，我们需要把历史聊天记录插入 Prompt。

这时就要用：

MessagesPlaceholder

示例：

fromlangchain_core.promptsimportChatPromptTemplate,MessagesPlaceholder prompt=ChatPromptTemplate.from_messages([("system","你是一个耐心的学习助手。"),MessagesPlaceholder(variable_name="history"),("human","{input}")])

这里的：

MessagesPlaceholder(variable_name="history")

可以理解为：

这里先空着，运行时把历史消息列表塞进来。

运行时可以传：

prompt.invoke({"history":[("human","我叫张三"),("ai","你好，张三")],"input":"我叫什么？"})

最终模型看到的上下文大概是：

system：你是一个耐心的学习助手 human：我叫张三 ai：你好，张三 human：我叫什么？

重点：

MessagesPlaceholder 本身不保存历史，它只是给历史消息留一个插槽。

真正自动保存和读取历史，后面通常会配合RunnableWithMessageHistory。

七、FewShotPromptTemplate：用示例教模型做事

有些任务光靠一句指令不够稳定。

比如你希望模型把情绪词转换成近义词：

高兴 -> 开心 难过 -> 悲伤 生气 -> 愤怒

这时可以用 Few-shot prompting，也就是给模型几个示例。

fromlangchain_core.promptsimportFewShotPromptTemplate,PromptTemplate examples=[{"input":"高兴","output":"开心"},{"input":"难过","output":"悲伤"},{"input":"生气","output":"愤怒"},]example_prompt=PromptTemplate.from_template("输入：{input}\n输出：{output}")prompt=FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="请把用户输入的情绪词转换成一个近义词。",suffix="输入：{word}\n输出：",input_variables=["word"])result=prompt.invoke({"word":"开心"})print(result)

生成的 Prompt 大致是：

请把用户输入的情绪词转换成一个近义词。 输入：高兴 输出：开心 输入：难过 输出：悲伤 输入：生气 输出：愤怒 输入：开心 输出：

Few-shot 的底层逻辑是：

不是只告诉模型规则，而是给模型看“输入和输出应该长什么样”。

这对以下任务特别有用：

• 分类
• 格式转换
• 风格模仿
• 固定结构输出
• 少量业务规则示范

八、项目中怎么选

可以用这张表快速判断。

我的建议：

如果你现在主要用 ChatOpenAI、ChatOllama 等聊天模型，优先掌握 ChatPromptTemplate。

PromptTemplate要会，但真实项目里ChatPromptTemplate更常用。

九、常见坑

1. 模板变量名和 invoke 输入不一致

模板里写的是：

"请解释：{topic}"

调用时却传：

{"question":"LangChain"}

这样会报错。

正确写法：

{"topic":"LangChain"}

变量名要对上，程序不认“差不多”。

2. 把 ChatPromptTemplate 当成普通字符串

ChatPromptTemplate生成的是消息结构，不是简单字符串。

它的优势正是能区分：

system / human / ai

不要强行把它当普通字符串拼来拼去。

3. MessagesPlaceholder 传入的不是消息列表

错误思路：

{"history":"用户：你好\nAI：你好"}

更推荐：

{"history":[("human","你好"),("ai","你好，有什么可以帮你？")]}

因为聊天模型更容易理解结构化消息。

4. Few-shot 示例太多

示例不是越多越好。

示例太多会：

• 增加 token 成本
• 挤占上下文窗口
• 让 Prompt 变难维护

通常先从 2 到 5 个高质量示例开始。

十、小结

这一篇主要讲了 LangChain 的提示词模板。

你可以这样记：

PromptTemplate：普通字符串模板。 ChatPromptTemplate：聊天消息模板。 MessagesPlaceholder：给历史消息留插槽。 FewShotPromptTemplate：用示例引导模型。 partial：提前填充部分变量。

最重要的是这句话：

提示词模板不是为了少写字符串，而是为了让 Prompt 变得可复用、可维护、可组合。

下一篇继续学习：Output Parser 输出解析器。
如果说 Prompt Template 负责“怎么问”，那么 Output Parser 就负责“怎么把模型回答变成程序能用的数据”。

参考资料

• LangChain Python 官方文档：https://docs.langchain.com/oss/python/langchain
• LangChain Core API Reference：https://reference.langchain.com/python/langchain-core/