嘿，朋友！今天咱们聊聊 LangChain 框架里的一个特别重要的东西：提示词模板（Prompt Templates）。你可能会觉得这玩意听起来有点复杂，但别担心，我会用最直接、最生活化的语言跟你掰扯清楚，就像咱们平时聊天一样。

咱们都知道，跟大语言模型（LLM）打交道，最重要的就是“问问题”——也就是提供“提示词”（Prompt）。你问得好，它就答得好；你问得稀里糊涂，它也可能给你一堆没用的东西。所以，设计一个好的提示词，直接决定了模型输出的质量，甚至可以说是成功的一半。

但是，如果你每次跟模型对话都要从头写一遍长长的提示词，那工作量可就大了。而且，很多时候，你的提示词里总有一些固定的部分，比如“你是一位专业的律师”、“请用中文回答”、“如果你不知道答案，就说不知道”等等。如果这些重复的指令每次都要手动敲，那也太麻烦了。

这时候，提示词模板就派上用场了。你可以把它想象成一个填空题的模板或者邮件模板。它有一个固定的结构和一些占位符（就是那些用大括号 {} 括起来的变量），你可以把这些占位符想象成一个个的“空”，等到真正使用的时候，再把具体的内容填进去。 这样一来，你就能更方便、更高效地生成针对特定任务的提示词了。

为什么我们需要提示词模板？

简单来说，提示词模板有几个特别实用的优点：

1. 复用性高： 你可以定义一个通用的模板，然后在不同的场景下重复使用，只需要改动变量部分就行。比如，一个“新闻摘要”模板，你只需要替换新闻内容，就能得到新的摘要。
2. 维护方便： 如果你的应用需求变了，需要调整提示词的某个固定指令，你只需要修改模板本身，所有用到这个模板的地方都会跟着更新，不用一个个地去改代码里散落的提示词。
3. 结构化强： 模板能让你的提示词更有组织、有逻辑。你可以把指令、上下文、示例、问题等不同部分清晰地划分开来，帮助模型更好地理解你的意图。
4. 提高效率： 不用每次都写一堆重复的文本，节省了大量时间，特别是当你处理大量类似任务时，效率立马就上去了。

LangChain 里的两种主要提示词模板

在 LangChain 里面，主要有两种类型的提示词模板，它们分别应对不同的使用场景：

1. PromptTemplate：字符串提示词模板

   这个是最基础、最简单的模板，主要用于那些接收单个文本字符串作为输入的语言模型。你可以把它看作是一个普通的 Python f-string 或者字符串格式化工具。

   怎么设计和应用？

   用 PromptTemplate，你定义一个包含占位符的字符串作为模板，然后通过传入变量来填充这些占位符。

   我们来看个例子：

   “`python
   from langchain.prompts import PromptTemplate

   1. 定义模板字符串

   比如，我们想让模型讲一个特定主题和形容词的笑话

   template_string = “””
   你是一个擅长讲笑话的AI助手。
   请给我讲一个关于{content}的{adjective}笑话。
   “””

   2. 创建 PromptTemplate 实例

   LangChain 会自动识别 {content} 和 {adjective} 为输入变量

   joke_prompt = PromptTemplate.from_template(template_string)

   3. 填充变量并生成最终提示词

   final_prompt = joke_prompt.format(content=”鸡”, adjective=”好笑的”)
   print(final_prompt)
   “`

   输出会是这样：

   你是一个擅长讲笑话的AI助手。
请给我讲一个关于鸡的好笑的笑话。
   看到没？{content} 和 {adjective} 就像填空题的空，我们填上具体的值，就得到了一个完整的提示词。你也可以手动指定 input_variables 列表，不过 from_template 方法更省事，它会自己推断变量名。

   应用场景：
   * 简单的文本生成任务，比如文章撰写、段落改写、文本摘要等。
   * 信息检索和问答系统，将用户问题和背景信息组合成一个清晰的查询。
   * 格式化输出，比如要求模型以 JSON 格式返回数据。

2. ChatPromptTemplate：聊天提示词模板

   现在的很多大语言模型，比如 GPT-4、Claude、Gemini 这些，它们不是简单地接收一个字符串，而是接收一系列“消息”作为输入。 这些消息通常有不同的“角色”，比如系统（SystemMessage）、人类（HumanMessage）和 AI （AIMessage）。 ChatPromptTemplate 就是专门为这种聊天模型设计的。

   怎么设计和应用？

   ChatPromptTemplate 通过一个消息列表来构建提示词，每个消息都包含角色和内容，内容部分也可以包含变量。

   来看个例子，我们想要一个 AI 助手扮演一个专业的跑步教练：

   “`python
   from langchain.prompts import ChatPromptTemplate
   from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

   1. 定义消息列表，包含不同角色的消息

   chat_template = ChatPromptTemplate.from_messages(
   [
   SystemMessage(content=”你是一位专业的跑步教练，名叫帕沃。你会根据用户的训练目标提供个性化的跑步建议。”), # 系统消息，设定AI的身份和基础行为
   HumanMessage(content=”你好，帕沃！我的跑步目标是{goal}，你有什么建议吗？”), # 人类消息，用户的提问，包含变量 {goal}
   AIMessage(content=”没问题，我会根据你的目标提供详细的训练计划。”), # AI消息，模拟AI之前的回复，用于提供上下文
   HumanMessage(content=”我最近感觉{feeling}，是不是需要调整一下？”) # 另一条人类消息，展示多轮对话
   ]
   )

   2. 填充变量并生成最终消息列表

   messages = chat_template.format_messages(goal=”半马在2小时内”, feeling=”膝盖有点不舒服”)
   print(messages)
   “`

   输出会是一个消息对象列表，就像这样：

   [SystemMessage(content='你是一位专业的跑步教练，名叫帕沃。你会根据用户的训练目标提供个性化的跑步建议。'),
HumanMessage(content='你好，帕沃！我的跑步目标是半马在2小时内，你有什么建议吗？'),
AIMessage(content='没问题，我会根据你的目标提供详细的训练计划。'),
HumanMessage(content='我最近感觉膝盖有点不舒服，是不是需要调整一下？')]
   这些消息列表可以直接传递给聊天模型进行处理。

   SystemMessage、HumanMessage、AIMessage 的作用：
   * SystemMessage (系统消息)： 设定 AI 的角色、行为、限制和一些全局的指令。比如“你是一个友好的助手”、“只用中文回答”等等。模型会更严格地遵循系统消息的指令。
   * HumanMessage (人类消息)： 代表用户的输入或提问。
   * AIMessage (AI 消息)： 代表 AI 的回复。在多轮对话中，它可以用来给模型提供历史对话上下文，让模型更好地理解当前轮次的对话。

   通过合理地组合这些消息类型，你可以构建出非常灵活和强大的对话流程。

设计优秀提示词模板的关键点

设计一个好的提示词模板，就像写一份清晰的任务说明书。有几个原则，你记住并用上，能让模型表现得更好：

1. 清晰明确，不要模糊：

   • 直接告诉模型要做什么，不要让它猜。比如，不要只说“写一段关于 AI 的文字”，而要说“给一个10岁小孩写一段关于人工智能的3句话解释”。 具体化你的需求，模型才能给出你想要的答案。
   • 用简单的词句，避免复杂的行话或模棱两可的表达。

2. 提供足够的上下文：

   • 模型不是神，它没有你的背景知识。你给的信息越多，它理解得就越准。比如，你在做问答系统时，除了问题，把相关的文档或段落也提供给模型。
   • 在聊天场景中，历史对话记录就是很重要的上下文。

3. 指定输出格式：

   • 如果你需要特定的输出格式，比如 JSON、列表、或者只有几句话，一定要在模板里明确提出来。 比如，“请用 JSON 格式返回，键包括 ‘title’ 和 ‘summary’”。
   • 这对于后续处理模型的输出非常有帮助，可以和 LangChain 的输出解析器（Output Parsers）结合使用。

4. 设定约束和限制：

   • 告诉模型什么不能做，或者输出的长度限制。比如，“回答不超过100字”、“不要使用专业术语”、“如果不知道，就说不知道，不要胡编乱造”。
   • 这能有效减少模型“幻觉”的出现，让输出更可靠。

5. 提供少量示例（Few-Shot Examples）：

   • 有时候，光靠文字描述很难让模型完全理解你的意图，特别是对于一些需要特定风格或复杂逻辑的任务。这时候，给它几个输入-输出的例子，能让它学得更快、更准。
   • LangChain 提供了 FewShotPromptTemplate 来支持这种模式。你可以提供一个示例列表，然后让模型根据这些例子来生成新的内容。

   “`python
   from langchain.prompts import PromptTemplate, FewShotPromptTemplate

   定义示例

   examples = [
   {“word”: “开心”, “antonym”: “悲伤”},
   {“word”: “快速”, “antonym”: “缓慢”},
   ]

   定义每个示例的格式

   example_prompt = PromptTemplate(
   input_variables=[“word”, “antonym”],
   template=”词语: {word}n反义词: {antonym}”,
   )

   定义少样本提示词模板

   few_shot_prompt = FewShotPromptTemplate(
   examples=examples,
   example_prompt=example_prompt,
   suffix=”词语: {input_word}n反义词:”, # 后缀，包含用户输入和待模型完成的部分
   input_variables=[“input_word”],
   )

   填充变量

   print(few_shot_prompt.format(input_word=”高大”))
   “`

   模型在看到“词语: 高大n反义词:”后，就会根据前面的例子，大概率输出“矮小”。

6. 迭代和测试：

   • 第一次写的提示词很少是完美的。 好的提示词是不断测试、调整、优化的结果。你可以多尝试几种不同的措辞，看看哪种效果最好。
   • LangChain 这样的框架，加上 LangSmith 这样的工具，能帮你更好地管理和迭代你的提示词。

将提示词模板和 LLM 结合起来

光有模板还不够，我们最终目的是要和语言模型交互。在 LangChain 中，你可以轻松地把这些模板和 LLM 链（Chains）结合起来。

举个简单的例子，我们用 ChatPromptTemplate 和一个聊天模型来做个小应用：

“`python
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI # 假设你用的是 OpenAI 的模型，也可以是其他模型

定义一个简单的聊天模板

chat_template = ChatPromptTemplate.from_messages([
(“system”, “你是一个非常擅长写短篇故事的作家。”),
(“human”, “请根据以下主题写一个大约100字的故事：{theme}”),
])

初始化一个聊天模型 (你需要设置你的 API key)

llm = ChatOpenAI(temperature=0.7, model_name=”gpt-3.5-turbo”)

将模板和模型组合成一个链

story_chain = chat_template | llm

调用链来生成故事

response = story_chain.invoke({“theme”: “一只迷路的猫”})
print(response.content)
``在这个例子里，chat_template | llm` 就是 LangChain Expression Language (LCEL) 的一个简单应用，它让不同组件之间的数据流动变得非常直观和灵活。 模板负责生成结构化的提示词，然后这个提示词被送入语言模型，模型再返回生成的内容。

一些进阶用法和注意事项

• 局部填充（Partial Prompt Templates）：
  有时候你可能不是一次性拿到所有变量。你可以先填充一部分变量，生成一个新的“部分模板”，然后等拿到剩余变量后再完全填充。 这在构建复杂链条时很有用。
  “`python
  from langchain.prompts import PromptTemplate

  prompt = PromptTemplate(template=”{foo}{bar}”, input_variables=[“foo”, “bar”])
  partial_prompt = prompt.partial(foo=”你好”) # 先填充 foo
  print(partial_prompt.format(bar=”世界”)) # 再填充 bar

  输出: 你好世界

  ``
你也可以在初始化时就用partial_variables` 参数来填充部分变量，甚至用函数来动态生成部分变量的值，比如插入当前日期。

• 自定义模板：
  如果你对 LangChain 提供的 PromptTemplate 或 ChatPromptTemplate 不满意，你还可以继承 StringPromptTemplate 或 BaseChatPromptTemplate 来自定义自己的模板逻辑。

• 安全问题：
  在使用一些高级的模板格式（如 Jinja2）时，需要注意安全问题，避免执行有害代码。LangChain 推荐使用更安全的 f-string 格式化方式。

总之，LangChain 的提示词模板是你在构建 LLM 应用时不可或缺的工具。它能让你的提示词管理起来更方便、更高效，也能帮助你的应用更稳定、更智能。多动手尝试，多思考你的任务需要什么样的结构化提示，你的 AI 应用就能更上一层楼。