为什么需要提示模板

直接给模型写死一段提示词有两个问题：① 提示词固定，无法根据不同输入灵活变化；② 复制粘贴拼字符串，难以复用和维护。

提示模板（Prompt Template） 就是带 {变量} 占位符的提示字符串。它接收原始用户输入，把变量填进去，生成一段「准备好发给模型」的提示词。好处是：清晰可读、可复用、易维护、参数化生成。

四种常见模板

模板	适用场景
`PromptTemplate`	单条字符串提示，最基础
`ChatPromptTemplate`	多角色对话提示（system / human / ai），聊天模型首选
`FewShotPromptTemplate`	给几个示例「教」模型怎么答
部分填充 `partial`	先固定一部分变量，其余后续再填（不是独立模板，是通用能力）

一、PromptTemplate

最基础的字符串模板：一段含 {变量} 的文本，填充后得到完整提示词。

1. 两种用法对比

模板本身只负责「把变量填进字符串」。填好之后既可以手动调用模型，也可以用 LCEL 管道串起来。

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from models import DEEPSEEK_URL, DEEPSEEK_V4_PRO

load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("MY_DEEPSEEK_API_KEY"),
    base_url=DEEPSEEK_URL,
    model=DEEPSEEK_V4_PRO,
)

# 创建模板：{text} 是占位符
template = PromptTemplate.from_template("你是一名专业的程序员，请描述这个概念：{text}")

# 用法 A：LCEL 管道（推荐）—— 模板 | 模型 | 输出解析器
chain = template | llm | StrOutputParser()
print(chain.invoke({"text": "递归算法"}))

# 用法 B：手动 format —— 先把模板渲染成普通字符串，再自己喂给模型
text_prompt = template.format(text="递归算法")   # 得到一段填好变量的字符串
print(llm.invoke(text_prompt).content)

format() 的作用就是把模板里的 {变量} 替换成真实值，返回一个普通字符串——常用来打印检查最终发给模型的内容。

2. 多变量

模板里可以有多个占位符，format 时按关键字一一传入即可。

prompt = PromptTemplate.from_template("请把下面的内容翻译成 {language}：\n\n{text}")
print(prompt.format(language="英文", text="你好世界"))

3. 部分填充 partial

先固定一部分变量（比如角色设定），之后只需传剩下的，适合复用同一套设定。

prompt = PromptTemplate.from_template("{role}，请回答：{question}")

# 先预填 role，得到一个新的模板
assistant = prompt.partial(role="你是一位专业的直播运营助手")

# 之后只需传 question
print(assistant.format(question="如何提高观众停留时长？"))

4. 关键点速记

概念	说明
`template`	含 `{变量}` 占位符的字符串
`input_variables`	变量名列表（用 `from_template` 创建时可自动推断，无需手写）
`.format(**kwargs)`	填充变量，返回普通字符串
`.partial(**kwargs)`	预填部分变量，返回新模板
`prompt \| llm \| parser`	LCEL 管道：模板 → 模型 → 输出解析器

PromptTemplate 处理的是单条字符串提示；如果是多角色的对话模型，用 ChatPromptTemplate 更合适。

二、ChatPromptTemplate

聊天模型的输入不是一段字符串，而是一个带角色的消息列表（system / human / ai）。ChatPromptTemplate 就是用来生成这种消息列表的模板。

1. 三种创建方式

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from models import DEEPSEEK_URL, DEEPSEEK_V4_PRO

llm = ChatOpenAI(
    api_key=os.getenv("MY_DEEPSEEK_API_KEY"),
    base_url=DEEPSEEK_URL,
    model=DEEPSEEK_V4_PRO,
)

# 方式 1：多条消息，带 system 角色（最常用）
template = ChatPromptTemplate.from_messages([
    ("system", "你是一名专业的翻译助手"),
    ("human", "请将以下内容翻译成英文：{text}"),
])

# 方式 2：单条 human 消息
# template = ChatPromptTemplate.from_messages([("human", "请将以下内容翻译成英文：{text}")])

# 方式 3：from_template，等价于只有一条 human 消息
# template = ChatPromptTemplate.from_template("请将以下内容翻译成英文：{text}")

message = template.invoke({"text": "我是程序员"})   # 渲染成消息列表
aimessage = llm.invoke(message)                      # 调用模型，返回 AI 回复
print(aimessage.content)

2. 消息列表的写法

from_messages 接收一个列表，列表里每个元素是一个 (角色, 内容) 元组，每个元组就是一条消息：

[("system", "你是一名专业的程序员"), ("human", "{input}")]

第一个元素：角色，固定字符串 "system" / "human" / "ai"（"user"、"assistant" 也兼容）。
第二个元素：消息内容，可以包含 {变量名} 占位符。

也可以用 SystemMessagePromptTemplate / HumanMessagePromptTemplate / AIMessagePromptTemplate 这类对象来写每条消息，效果和上面的元组写法一样，元组写法更简洁。

三、FewShotPromptTemplate

少样本提示：先给模型几个示例（examples），让它学会输出的格式和风格，再回答真正的问题。适合「靠规则说不清、给几个例子一看就懂」的任务。

1. 组成

参数	作用
`examples`	示例列表，每个示例是一个 dict
`example_prompt`	单个示例怎么渲染（一个 `PromptTemplate`）
`prefix`	示例前的引导语（角色、任务说明）
`suffix`	示例后的正式提问，含待填变量
`input_variables`	`suffix` 中的变量名列表

最终提示词 = prefix + 所有示例渲染结果 + suffix，拼成一整段发给模型。

2. 基本用法

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from models import DEEPSEEK_URL, DEEPSEEK_V4_PRO

llm = ChatOpenAI(
    api_key=os.getenv("MY_DEEPSEEK_API_KEY"),
    base_url=DEEPSEEK_URL,
    model=DEEPSEEK_V4_PRO,
)

# 示例：每个都是一个 dict
examples = [
    {"input": "2+2", "output": "4", "description": "加法运算"},
    {"input": "5-2", "output": "3", "description": "减法运算"},
]

# 单个示例如何渲染（占位符要和 examples 的键对应）
example_prompt = PromptTemplate.from_template(
    "算式：{input}　值：{output}　类型：{description}"
)

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一个数学专家，能准确说出算式的类型。",
    suffix="现在给你算式：{input}，值：{output}，告诉我类型：",
    input_variables=["input", "output"],
)

# 先打印出来检查最终提示词长什么样
print(prompt.format(input="2*5", output="10"))

# 再发给模型
print(llm.invoke(prompt.format(input="2*5", output="10")).content)  # 乘法运算

3. 要点

prompt.format(...) 可以把拼好的完整提示词打印出来，方便检查。
示例 dict 的键，必须和 example_prompt 模板里的占位符一致。
多角色对话场景用 FewShotChatMessagePromptTemplate：把示例渲染成消息列表，配合 ChatPromptTemplate 使用。

NEO Blog

LangChain - 提示模板