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 中，将提示词模板（Prompt Templates）或链（Chains）保存为文件并在后续加载使用，这一过程被称为“序列化”。将提示信息存储为文件而不是硬编码在 Python 代码中，不仅更方便共享、存储和版本控制，还能让非开发人员（如产品经理）直接修改提示词配置。
LangChain 的序列化主要支持 JSON 和 YAML 两种格式。以下是具体的使用方法：
1. 基础 PromptTemplate 的序列化与加载
你可以将整个 PromptTemplate 的配置（包括输入变量和模板文本）保存在一个文件中。
* YAML 格式示例：
# simple_prompt.yaml
_type: prompt
input_variables: ["adjective", "content"]
template: Tell me a {adjective} joke about {content}.
* JSON 格式示例：
// simple_prompt.json
{
"_type": "prompt",
"input_variables": ["adjective", "content"],
"template": "Tell me a {adjective} joke about {content}."
}
* Python 加载代码：
无论是 JSON 还是 YAML，LangChain 都提供了一个统一的入口函数 load_prompt 来进行反序列化加载：
from langchain.prompts import load_prompt
prompt= load_prompt("simple_prompt.yaml")
print(prompt.format(adjective="funny", content="chickens"))
# 输出: Tell me a funny joke about chickens.
2. 分离配置文件与模板内容
当模板文本非常长时，将其与配置属性放在同一个文件中会显得臃肿。LangChain 支持将纯文本模板独立出来，通过 template_path 字段进行引用：
*纯文本模板文件 (simple_template.txt)：
Tell me a {adjective} joke about {content}.
*配置文件 (simple_prompt_with_template_file.json)：
{
"_type": "prompt",
"input_variables": ["adjective", "content"],
"template_path": "simple_template.txt"
}
同样使用
load_prompt("simple_prompt_with_template_file.json") 即可正常加载并填充变量。
3. 包含输出解析器（Output Parsers）的高级模板
如果模板需要配合特定的输出解析器（例如使用正则表达式提取特定字段），这些复杂的结构同样可以被完整序列化到 JSON 中：
{
"input_variables": ["question", "student_answer"],
"output_parser": {
"regex": "(.*?)\nScore: (.*)",
"output_keys": ["answer", "score"],
"_type": "regex_parser"
},
"template": "Given the following question and student answer, provide a correct answer and score the student answer.nQuestion: {question}nStudent Answer: {student_answer}nCorrect Answer:",
"_type": "prompt"
}
加载后，可以直接调用 prompt.output_parser.parse(...) 对大模型的返回结果进行结构化解析。
💡 补充：核心对象的序列化方法
除了针对提示词的 load_prompt，如果你需要序列化整个 LLM 链条（Chain）或更复杂的对象，可以使用 langchain_core.load 模块提供的 dumpd、dumps、load 和 loads 函数。这种高级序列化机制还有一个重要特性：安全性。它会自动将 API 密钥等机密信息从序列化数据中剥离，确保你在分享或保存配置文件时不会泄露敏感凭证。