夜雨聆风点击上方↑↑↑“又见清欢”关注我
作者 | 若水如风
来源 | 若水如风
(公众号ID：gh_6f1c1262723c)
🌿人间有味是清欢🌿
在 LangChain 框架中，提示词模板（Prompt Templates）是管理大模型输入的核心组件。LangChain 提供了两种最基础的模板引擎：字符串提示模板（PromptTemplate）和聊天消息提示模板（ChatPromptTemplate）。
一、两种核心模板引擎的区别与适用场景
这两种模板分别对应了不同类型的语言模型接口，其核心区别如下：
1. PromptTemplate（字符串模板）
- 面向模型：传统的文本补全模型（LLMs），如早期的 GPT-3 DaVinci 等。
- 底层结构：生成单一的纯文本字符串（String）。它本质上是对 Python f-string 的高级封装，支持变量插值。
- 思维模型：“文本续写”（Next Token Prediction）。
- 适用场景：简单的单轮指令任务、文本摘要、翻译或老旧模型的调用。
2. ChatPromptTemplate（聊天消息模板）
- 面向模型：现代对话模型（Chat Models），如 GPT-4、Claude、通义千问等。
- 底层结构：生成由不同角色组成的 BaseMessage 对象列表（List[BaseMessage]）。
- 思维模型：“角色扮演与对话”（Role-based Interaction）。
- 适用场景：多轮对话系统、智能体（Agent）、需要明确区分 System/Human/AI 角色的复杂交互。
二、组合模板的使用方式
在实际开发中，复杂的业务逻辑往往需要将多个子模板拼接在一起。LangChain 提供了多种灵活的模板组合方式：
1. 使用 + 运算符直接拼接
LangChain 支持像处理普通字符串一样，使用 + 号将多个模板或静态文本片段组合起来。
from langchain_core.prompts import PromptTemplate
# 基础模板
prompt_a = PromptTemplate.from_template("请用一句话介绍{topic}，要求通俗易懂n")
# 拼接附加条件
prompt_b = prompt_a + "内容不超过{length}个字"
# 最终渲染
final_prompt = prompt_b.format(topic="LangChain", length=100)
# 输出: "请用一句话介绍LangChain，要求通俗易懂n内容不超过100个字"
这种方式同样适用于 ChatPromptTemplate，可以将不同的消息类型（如 SystemMessage、HumanMessage）按顺序相加。
2. 使用 PipelinePromptTemplate 实现模块化复用
当提示词包含多个独立的逻辑模块（如角色设定、示例演示、实际提问）时，可以使用管道模板将它们组装成一个整体，极大提升了提示词的复用性和可维护性。
from langchain_core.prompts import PipelinePromptTemplate, PromptTemplate
# 定义完整的骨架模板
full_template = """{instruction}
{example}
{start}"""
full_prompt = PromptTemplate.from_template(full_template)
# 定义各个子模块模板
instruction_prompt = PromptTemplate.from_template("你正在模拟{person}。")
example_prompt = PromptTemplate.from_template("""下面是一个交互例子:
Q: {example_q}
A: {example_a}""")
start_prompt = PromptTemplate.from_template("""现在，你是一个真实的人，请回答用户的问题！
Q: {input}
A:""")
# 组装管道提示
pipeline_prompt = PipelinePromptTemplate(
final_prompt=full_prompt,
pipeline_prompts=[
("instruction", instruction_prompt),
("example", example_prompt),
("start", start_prompt),
]
)
# 一次性传入所有参数进行渲染
print(pipeline_prompt.format(
person="雷军",
example_q="你最喜欢的汽车是什么?",
example_a="小米su7",
input="你最喜欢的手机是什么?"
))
3. 使用 MessagesPlaceholder 动态插入上下文
在处理带记忆的对话链时，MessagesPlaceholder 充当了一个动态的“占位符”，用于在固定模板中灵活插入历史对话记录（chat_history）。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的AI助手"),
MessagesPlaceholder("chat_history"), # 动态插入历史对话的位置
("human", "{input}") # 当前用户的提问
])
总结建议：随着 LLM 产业向 Chat Model 全面转移，除非有极其特殊的理由使用 Text Completion 模型，否则在日常开发中应始终优先选择 ChatPromptTemplate。它不仅具备更好的结构化支持和安全性，还能通过 MessagesPlaceholder 等机制轻松应对复杂的多轮对话需求。