LangChain教程 - 8 LangChain提示词模板

下面介绍一下 LangChain 中的提示词模板。

8.1 消息的简写形式

首先先看一下消息的简写形式。

在上一个章节介绍 LangChain 使用 SystemMessage 、HumanMessage 、AIMessage 来创建消息。

消息还可以使用下面的方式进行简写：

python

from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

# 初始化聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 构造消息
messages = [
    ("system", "请用一句话回答"),
    ("human", "3加5等于多少？"),
    ("ai", "等于8"),
    ("human", "再加5等于多少？"),
    ("ai", "等于13"),
    ("human", "再加2等于多少？")
]

# 调用模型，通过 stream 方法提问，流式返回
response = model.stream(input = messages)
for chunk in response:
    print(chunk.content, end="", flush=True)  # end="" 避免换行，flush=True 及时刷新输出

在消息列表中，使用的是二元元组，使用 system 、human 、ai 作为元组第一个元素，与 SystemMessage 、HumanMessage 、AIMessage 对应，后面写的是消息的内容。

8.2 提示词模板

什么是提示词模板，简单来说，提示词模板就是预先定义好的提示词结构，里面可以包含一些占位符，后续根据需要动态填充内容。

举个栗子：

python

# 创建提示词模板
prompt_template = PromptTemplate.from_template("请把：{content}，翻译成{language}")

# 传递参数，生成提示词
prompt = prompt_template.format(content="今天天气怎么样？", language="英语")

# 打印提示词
print(prompt)  # 请把：今天天气怎么样？，翻译成英语

首先创建模板，然后给模板传递数据，生成最终的提示词。

为什么要使用提示词模板，我直接用 f-string 拼接不也一样吗？就像这样：

python

prompt = f"请翻译成{language}：{text}"

话是这么说，但在真实项目中，情况会复杂很多。使用提示词模板的好处却很多：

结构化管理：当你的提示词变得越来越复杂时，直接拼接字符串会让代码变得一团糟。而使用提示词模板，可以将提示词结构和具体内容分离，更清晰地组织提示词逻辑，方便团队协作和维护；
动态内容处理：提示词模板可以轻松处理动态内容，支持多个变量占位，可以设置默认值，还支持变量类型检查；
复用性强：定义好的模板可以在多个地方重复使用，避免了代码冗余；
易于扩展：当你需要修改提示词时，只需要修改模板本身，而不需要修改所有使用的地方。

最主要的原因是可以加入 LangChain 的执行链，Chain 链后面再讲。

8.3 PromptTemplate

PromptTemplate 是 LangChain 中最基础的提示词模板类，它允许你创建包含占位符的模板，然后动态填充内容。

PromptTemplate 主要用于“单段文本 Prompt” 的场景，不维护历史对话记录，也就是没有 system / human / ai 的角色区分。

换句话说，如果你只是给模型发送 一整段文本提示词，那 PromptTemplate 就非常适合。

下面来看看 LangChain 中 PromptTemplate 如何使用。

首先需要导入 PromptTemplate，然后就是创建模板，然后将参数传递给模板，生成最终的字符串而已：

python

from langchain_ollama import ChatOllama
from langchain.prompts import PromptTemplate

# ----提示词部分
# 创建一个简单的提示词模板
prompt_template = PromptTemplate.from_template("请把：{content}，翻译成{language}")
# 使用模板生成提示词
prompt = prompt_template.format(content="今天天气如何？", language="英文")
# 得到完整提示词：提示词: 请把：今天天气如何？，翻译成英文
print("提示词:", prompt)

# ----模型部分
# 1.创建聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 2.调用模型，通过 stream 方法提问，流式返回
response = model.stream(prompt)
for chunk in response:
    print(chunk.content, end="", flush=True)  # end="" 避免换行，flush=True 及时刷新输出

上面的代码是在之前调用大语言模型的基础上，添加了提示词模板而已。
PromptTemplate 可以用于调用大语言模型或聊天模型，都可以。

但是感觉有点脱裤子放屁，直接使用字符串可能更简单，但是使用提示词模板可以加入 LangChain 的执行力链，在 LangChain 里，模板可以和模型“管道式连接”：

python

from langchain_ollama import ChatOllama
from langchain.prompts import PromptTemplate

# ----提示词部分
# 1.创建一个简单的提示词模板
prompt_template = PromptTemplate.from_template("请把：{content}，翻译成{language}")

# 2.创建聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 3.使用 | 组成执行链
chain = prompt_template | model

# 4.通知链条执行，直接传入参数执行
response = chain.stream({"content": "你在做什么？", "language": "英文"})
for chunk in response:
    print(chunk.content, end="", flush=True)  # end="" 避免换行，flush=True 及时刷新输出

提示词模板可以加入到执行链条，字符串是不行的，后面我们会学习链条。

8.4 ChatPromptTemplate

ChatPromptTemplate 是 LangChain 中专门用于构建聊天消息的模板类，它支持多轮对话，可以包含不同角色的消息。

ChatPromptTemplate 适用于以下场景：

多轮对话，需要维护对话历史
聊天机器人、客服助手等交互场景
当你需要明确区分系统消息、用户消息和助手消息时

1 简单示例

首先，咱们来看一个简单的 ChatPromptTemplate 示例：

python

from langchain_core.prompts import ChatPromptTemplate
from langchain_ollama import ChatOllama

# 1. 创建聊天提示词模板
chat_prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个幽默的助手，用简洁的语言回答问题。"),
        ("human", "{question}")
    ]
)

# 2. 生成提示词
prompt = chat_prompt_template.format(question="你是谁？")
print("生成的提示词:", prompt)

# 3. 创建聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 4. 调用模型
response = model.stream(prompt)
for chunk in response:
    print(chunk.content, end="", flush=True)

2 使用 MessagesPlaceholder

对于需要维护对话历史的场景，可以使用 MessagesPlaceholder 来动态注入历史对话：

python

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_ollama import ChatOllama

# 1. 创建聊天提示词模板，在模板中使用MessagesPlaceholder占位符
chat_prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一位专业的健身教练，回答要简单实用。"),
        MessagesPlaceholder("history"),
        ("human", "{question}")
    ]
)

# 2. 准备历史对话数据
history_data = [
    ("human", "我想减肥，有什么建议？"),
    ("ai", "建议控制饮食，并配合每周3次有氧运动。"),
    ("human", "我平时中午吃米饭可以吗？"),
    ("ai", "可以，但建议减少分量，多搭配蔬菜和蛋白质。")
]

# 3. 将历史数据注入模板，生成最终提示词
prompt = chat_prompt_template.invoke(
    {"history": history_data, "question": "那我晚饭应该怎么吃？"}
)

print("生成的提示词:", prompt.to_string())

# 4. 创建聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 5. 调用模型
response = model.stream(prompt)
for chunk in response:
    print(chunk.content, end="", flush=True)

使用 MessagesPlaceholder 可以方便地将历史对话注入到模板中，实现多轮对话的上下文管理。

8.5 format和invoke方法

上面在使用提示词模板时，使用了两种方法来生成提示词：format 和 invoke。

什么区别呢？

PromptTemplate、ChatPromptTemplate 等模板类都直接或间接继承自 BasePromptTemplate ， BasePromptTemplate 定义了 format() 方法， BasePromptTemplate 间接继承了 Runnable，Runnable 定义了 invoke() 方法，所以来源的类是不同的。

1 format方法

format 方法是直接返回一个字符串：

python

from langchain.prompts import PromptTemplate

# 创建模板
prompt_template = PromptTemplate.from_template("请把{text}翻译成{language}")

# 使用format方法
prompt = prompt_template.format(text="你好", language="英语")
print(prompt)  # 输出：请把你好翻译成英语

当你只需要一个字符串形式的提示词时，不需要将模板加入执行链时，可以使用 format() 方法，例如快速生成提示词进行测试时。

2 invoke方法

invoke 方法返回的是一个 PromptValue 对象，需要调用 to_string() 方法才能得到字符串：

python

from langchain.prompts import PromptTemplate

# 创建模板
prompt_template = PromptTemplate.from_template("请把{text}翻译成{language}")

# 使用invoke方法
prompt_value = prompt_template.invoke({"text": "你好", "language": "英语"})
prompt = prompt_value.to_string()
print(prompt)  # 输出：请把你好翻译成英语

当需要将模板加入 LangChain 执行链时（只有 invoke 方法支持链式调用），需要获取 PromptValue 对象进行进一步处理，可以使用 invoke 方法。

整理一下区别：

区别	format	invoke
定义	BasePromptTemplate 中定义的	Runnable 中定义的
返回值	字符串	`PromptValue` 对象
参数	.format(text="你好", language="英语")，参数名方式	.invoke({"text": "你好", "language": "英语"})，字典形式
解析	支持 `{}` 占位符	支持 `{}` 占位符和 `MessagesPlaceholder` 结构化占位符

3 执行链中的使用

invoke 方法的一个重要优势是可以将模板加入到 LangChain 的执行链中：

python

from langchain_ollama import ChatOllama
from langchain.prompts import PromptTemplate

# 1.创建提示词模板
prompt_template = PromptTemplate.from_template("请把：{content}，翻译成{language}")

# 2.创建聊天模型
model = ChatOllama(model="qwen3:1.7b")

# 3.使用 | 组成执行链（这里必须使用invoke方法）
chain = prompt_template | model

# 4.通知链条执行，直接传入参数执行
response = chain.stream({"content": "你在做什么？", "language": "英文"})
for chunk in response:
    print(chunk.content, end="", flush=True)

在执行链中，LangChain 会自动调用模板的 invoke 方法来生成提示词，然后将结果传递给模型。
下一章介绍执行链。

8.6 Zero-shot与Few-shot

1 什么是Zero-shot

Zero-shot 学习是指不给模型提供任何示例，直接让它完成任务。这种方法依赖于模型在预训练过程中学习到的知识和能力，适用于一些通用的、常见的任务。

例如，如果你想让模型将一段中文翻译成英文，你可以直接告诉它："请将下面的中文翻译成英文：你好，很高兴认识你"，而不需要给它任何翻译示例。

2 什么是Few-shot

Few-shot 学习是指给大模型提供少量示例（通常是几个），让它基于这些示例来理解任务要求并生成相应的输出。这种方法可以帮助模型更好地理解具体的任务格式和期望输出，尤其适用于一些复杂或特定领域的任务。

举个例子，如果你想让模型根据描述生成产品评价，你可以先给它几个示例：

描述："这个手机续航时间很长，屏幕清晰，但是价格有点贵。" 评价："4星，续航和屏幕表现出色，但价格偏高。"
描述："这家餐厅的菜味道不错，服务也很好，环境干净整洁。" 评价："5星，菜品美味，服务周到，环境舒适。"
描述："这个软件功能很多，但界面有点复杂，需要时间学习。"
评价："3星，功能丰富但界面不够友好，学习成本较高。"

然后模型就能根据这些示例，为新的描述生成类似格式的评价。

例如我给出描述"这款耳机音质很棒，佩戴舒适，续航也不错，就是价格稍微有点高。"，让模型按照示例的形式，给出评价。

3 FewShotPromptTemplate的使用

LangChain 提供了 FewShotPromptTemplate 来实现 Few-shot 学习。

下面介绍一下如何使用它来让大模型基于示例完成回答，基于上面根据产品描述生成评价：

python

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_ollama import ChatOllama

# 1.定义示例的格式模板
example_template = PromptTemplate.from_template(
    "描述: {description}\n评价: {review}"
)

# 2.给出示例数据（示例会自动注入到 example_template）
examples_data = [
    {
        "description": "这个手机续航时间很长，屏幕清晰，但是价格有点贵。",
        "review": "4星，续航和屏幕表现出色，但价格偏高。"
    },
    {
        "description": "这家餐厅的菜味道不错，服务也很好，环境干净整洁。",
        "review": "5星，菜品美味，服务周到，环境舒适。"
    },
    {
        "description": "这个软件功能很多，但界面有点复杂，需要时间学习。",
        "review": "3星，功能丰富但界面不够友好，学习成本较高。"
    }
]

# 3.创建 FewShotPromptTemplate，参数是重点，待会介绍一下
few_shot_template = FewShotPromptTemplate(
    example_prompt=example_template,
    examples=examples_data,
    prefix="请根据下面的示例，为产品描述生成评价：",
    suffix="描述: {product_description}",
    input_variables=["product_description"]
)

# 4.生成最终的提示词
prompt = few_shot_template.invoke(
    input={"product_description": "这款耳机音质很棒，佩戴舒适，续航也不错，就是价格稍微有点高。"}
)
print("生成的提示词:", prompt.to_string())

# 5.创建模型
model = ChatOllama(model="qwen3:1.7b")

# 6.调用模型
response = model.stream(prompt)
print("\n模型回答：")
for chunk in response:
    print(chunk.content, end="", flush=True)

首先介绍一下 FewShotPromptTemplate 的5个参数的意思：

example_prompt：示例数据的提示词模板，定义了每个示例的格式
examples：示例数据，list格式，内套字典，每个字典包含示例的键值对
prefix：在示例数据前输出的内容，用于说明任务要求
suffix：在示例数据后输出的内容，用于放置用户输入
input_variables：提示词中的参数列表，需要从外部注入的变量列表

执行结果：

生成的提示词: 请根据下面的示例，为产品描述生成评价：    # prefix的内容

描述: 这个手机续航时间很长，屏幕清晰，但是价格有点贵。  # 示例数据
评价: 4星，续航和屏幕表现出色，但价格偏高。

描述: 这家餐厅的菜味道不错，服务也很好，环境干净整洁。
评价: 5星，菜品美味，服务周到，环境舒适。

描述: 这个软件功能很多，但界面有点复杂，需要时间学习。
评价: 3星，功能丰富但界面不够友好，学习成本较高。

描述: 这款耳机音质很棒，佩戴舒适，续航也不错，就是价格稍微有点高。  # suffix的内容

模型回答：
评价: 4星，音质清晰，佩戴舒适，续航优秀，但价格偏高。

LangChain教程 - 8 LangChain提示词模板 ​

8.1 消息的简写形式 ​

8.2 提示词模板 ​

8.3 PromptTemplate ​

8.4 ChatPromptTemplate ​

1 简单示例 ​

2 使用 MessagesPlaceholder ​

8.5 format和invoke方法 ​

1 format方法 ​

2 invoke方法 ​

3 执行链中的使用 ​

8.6 Zero-shot与Few-shot ​

1 什么是Zero-shot ​

2 什么是Few-shot ​

3 FewShotPromptTemplate的使用 ​

LangChain教程 - 8 LangChain提示词模板

8.1 消息的简写形式

8.2 提示词模板

8.3 PromptTemplate

8.4 ChatPromptTemplate

1 简单示例

2 使用 MessagesPlaceholder

8.5 format和invoke方法

1 format方法

2 invoke方法

3 执行链中的使用

8.6 Zero-shot与Few-shot

1 什么是Zero-shot

2 什么是Few-shot

3 FewShotPromptTemplate的使用