跳转到主要内容

LangChain

06 · Prompt 模板

模板、partial、消息插槽

  • LangChain
  • Python

本节速览

这一节的每一块内容,分别是干什么的:

内容是干什么的
PromptTemplate字符串模板,变量占位,prompt 复用不散落
partial先固定一部分变量,剩下的调用时再传
ChatPromptTemplate带角色的消息模板,先写约束再对话
MessagesPlaceholder把整组聊天历史当一个插槽注入
系统生成消息注入把代码算出的确定性结果伪装成 ai 消息喂给模型

模板把写死的字符串变成带变量的可复用对象。模板本身是 Runnable,可以直接 pipe 进 chain。

PromptTemplate:字符串模板

没有它会怎样——prompt 用 f-string 散落各处:想输出字面 {} 得写 {{}};同一个 prompt 在两个接口里各抄一份,改了一处忘了另一处。

有了它——模板集中定义、变量占位,format 时才填值,复用和管理都归一处。

{name} 表示变量占位,推荐用 from_template 创建,它会自动推断变量列表:

from langchain_core.prompts import PromptTemplate   # 字符串模板

prompt = PromptTemplate.from_template("good {time_of_day}, {name}")

print(prompt.input_variables)
# ['name', 'time_of_day']

print(prompt.format(time_of_day="morning", name="Tom"))
# good morning, Tom

也可以走构造器,手动声明 input_variables:

from langchain_core.prompts import PromptTemplate   # 字符串模板

prompt = PromptTemplate(
    input_variables=["time_of_day", "name"],
    template="good {time_of_day}, {name}",
)

print(prompt.input_variables)
# ['time_of_day', 'name']

print(prompt.format(time_of_day="morning", name="Tom"))
# good morning, Tom

要点:

  • format 时缺任一变量会抛 KeyError。
  • 构造器写法里 input_variables 与 template 不一致没有静态检查,运行时才暴露。优先用 from_template。
  • 模板里要输出字面量花括号时用 {{}} 转义。

第三条最常踩:让模型输出 JSON 时,骨架里的花括号会被当成变量占位。用 {{}} 转义:

from langchain_core.prompts import PromptTemplate   # 字符串模板

prompt = PromptTemplate.from_template('生成一个 JSON:{{"name": "xxx"}},主题是{topic}')

print(prompt.format(topic="天气"))
# 生成一个 JSON:{"name": "xxx"},主题是天气

partial:部分传参

没有它会怎样——模板里有个「今天是 {date}」,于是每个调用点都被迫传一遍日期,漏传一处就 KeyError。

有了它——先 partial 把日期固定掉,调用方只传业务变量,固定值一处管理。

partial(**kwargs) 先填充部分变量,返回只需要剩余变量的新模板。适合各变量在不同时机获得的场景。

传字符串,预填固定值:

from langchain_core.prompts import PromptTemplate   # 字符串模板

initial_prompt = PromptTemplate(
    template="这是一个{type},它是{item}。",
    input_variables=["type", "item"],
)

partialed = initial_prompt.partial(type="工具")
print(partialed.format(item="锤子"))
# 这是一个工具,它是锤子。

传函数,渲染时才执行(惰性求值),适合日期这类时效信息:

from datetime import date   # 获取当前日期

from langchain_core.prompts import PromptTemplate   # 字符串模板


def get_current_date_str() -> str:
    today = date.today()
    return f"{today.year}/{today.month}/{today.day}"


prompt = PromptTemplate(
    template="今天是{date},{activity}。",
    input_variables=["date", "activity"],
)

partialed = prompt.partial(date=get_current_date_str)
print(partialed.format(activity="我们去爬山"))
# 今天是2026/10/11,我们去爬山。

partial 的函数不接收参数。需要传参时用闭包携带。partial 返回新模板,原模板不受影响。

ChatPromptTemplate:带角色的消息模板

没有它会怎样——约束和用户输入混在一条消息里,模型对「必须只输出 JSON」这类约束的服从率看运气,多轮之后约束还会被历史冲淡。

有了它——约束固定在 system 模板里,每轮请求原样带上,服从率稳定。

聊天输入的标准构造方式。from_messages 接收消息模板列表,每条消息用 {"role": ..., "content": ...} 字典表示——先写角色约束,再写回复用户的内容:

from langchain_core.prompts import ChatPromptTemplate   # 带角色的消息模板

chat_prompt = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一个专业的翻译员,你的任务是将文本从{source_lang}翻译成{target_lang}。"},
    {"role": "human", "content": "请翻译这句话:{text}"},
])

messages = chat_prompt.format_messages(
    source_lang="中文",
    target_lang="法语",
    text="你好,世界",
)

role 的取值:"system" 对应 SystemMessage,"human" 对应 HumanMessage,"ai" 对应 AIMessage。content 里的 {xxx} 是变量占位,所有子模板的变量在 chat_prompt 层统一传入。(LangChain 也兼容 ("system", "...") 元组简写,效果相同,但推荐统一用字典格式,语义更清晰。)

ChatPromptTemplate 是 Runnable,直接组链:

from langchain_openai import ChatOpenAI   # OpenAI 聊天模型
import os   # 读取环境变量
from dotenv import load_dotenv   # 从 .env 读环境变量
from langchain_core.output_parsers import StrOutputParser   # 提取纯文本
from langchain_core.prompts import ChatPromptTemplate   # 带角色的消息模板

load_dotenv()

llm = ChatOpenAI(
    base_url=os.environ["GLM_BASE_URL"],
    api_key=os.environ["GLM_API_KEY"],
    model=os.environ["GLM_MODEL_ID"],
)

chat_prompt = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一个专业的翻译员,你的任务是将文本从{source_lang}翻译成{target_lang}。"},
    {"role": "human", "content": "请翻译这句话:{text}"},
])

chain = chat_prompt.pipe(llm).pipe(StrOutputParser())

chain.invoke({
    "source_lang": "中文",
    "target_lang": "法语",
    "text": "你好,世界",
})
# Bonjour, le monde

MessagesPlaceholder:消息数组插槽

没有它会怎样——多轮历史只能拍平成一大段字符串拼进 prompt,模型分不清哪句是谁说的,轮次一多指代全乱。

有了它——历史保持结构化消息数组原样注入,模型看到的和真实对话一模一样。

把一组现成的消息(通常是聊天历史)作为整体注入模板:

from langchain_openai import ChatOpenAI   # OpenAI 聊天模型
import os   # 读取环境变量
from dotenv import load_dotenv   # 从 .env 读环境变量
from langchain_core.messages import AIMessage, HumanMessage   # 消息对象
from langchain_core.output_parsers import StrOutputParser   # 提取纯文本
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder   # 消息模板与历史插槽

load_dotenv()

llm = ChatOpenAI(
    base_url=os.environ["GLM_BASE_URL"],
    api_key=os.environ["GLM_API_KEY"],
    model=os.environ["GLM_MODEL_ID"],
)

history = [
    HumanMessage("你好,我叫小明"),
    AIMessage("你好小明!很高兴认识你。"),
]

prompt = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一个乐于助人的助手"},
    MessagesPlaceholder("history"),   # 注入 Message 列表
    {"role": "human", "content": "{input}"},
])

chain = prompt.pipe(llm).pipe(StrOutputParser())
chain.invoke({"history": history, "input": "我的名字叫什么?"})
# 你叫小明。

多轮对话的标准结构,配合历史管理见记忆系统。

系统生成消息的注入

没有它会怎样——让模型自己「掷骰子」,它是真掷:同一个卦象问三遍出三个结果,还得苦口婆心 prompt 它「要随机」。

有了它——随机由代码确定性完成,结果以 ai 消息注入,模型只解读不生成,从源头消灭编造。

参数由代码生成(随机流程、抽签、计算结果)时,用 {"role": "ai", "content": ...} 把每条系统生成的消息伪装成模型已输出的内容:

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder   # 消息模板与历史插槽

# 卦象由代码(随机抽签)确定性生成,不让 LLM 掷骰子
message_list = ["第一卦:乾", "第二卦:坤"]

gua_messages = [{"role": "ai", "content": message} for message in message_list]

prompt = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一位解读专家,根据流程结果回答用户的问题"},
    *gua_messages,
    MessagesPlaceholder("history_message"),
    {"role": "human", "content": "{input}"},
])

注入为 ai 角色的效果:这些内容在上下文中表现为「模型自己已完成的过程」,模型会把它当作既定事实来解读,而不是当作用户指令。确定性结果由代码生成,模型只解读、不生成,从源头避免编造。

已废弃

PipelinePromptTemplate(组合多个子模板)已废弃。组合能力由 LCEL 取代:模板是 Runnable,用 pipe 串联多个模板的输出再传给最终模板即可。


上一节:LCEL 与 Runnable · 下一节:输出解析器与结构化输出