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