



## 前言

**`提⽰词模板（PromptTemplate）`** 是LangChain的核⼼抽象之⼀，它被⼴泛应⽤于构建⼤语⾔模型（LLM）应⽤的各个环节。

简单来说，只要是需要动态、批量、或有结构地向⼤语⾔模型【发送请求】的地⽅，⼏乎都会⽤到提⽰词模板。

**如下：**

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/9074f8ccb8983749d64a73e7da40c8cb.png)


## 一、基础提示词模版（prompt_template.py）

### 核心概念
使用 `ChatPromptTemplate` 创建结构化的提示词模版，支持变量占位符动态填充内容。

### 代码示例
```python
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

# 定义提示词模版
chatprompt = ChatPromptTemplate([
    ("system", "你是一个专业的翻译,把下面的提示词翻译成{target_language}"),
    ("human", "{input}"),
])

# 实例化模版
message = chatprompt.invoke({
    "input": "你好",
    "target_language": "德语"
}).to_messages()

# 创建 LLM 实例
llm = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.7,
    max_tokens=8192,
)

# 方式一：链式调用
chain = chatprompt | llm
result = chain.invoke({"input": "你好", "target_language": "德语"})

# 方式二：直接调用
result = llm.invoke(message)
```

### 关键要点
- **消息角色**：支持 `system`、`human`、`ai` 等角色定义
- **变量占位符**：使用 `{variable_name}` 格式定义动态变量
- **链式操作**：通过 `|` 操作符连接 prompt 和 llm
- **invoke 方法**：传入字典参数填充模版变量

---

## 二、占位符提示词模版（prompt_template_placeholder.py）

### 核心概念
使用 `placeholder` 类型插入完整的消息历史记录，适用于多轮对话场景。

### 代码示例
```python
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.messages import HumanMessage, AIMessage

# 定义带占位符的模版
chatprompt = ChatPromptTemplate([
    ("system", "站在科学家的角度，回答下面问题"),
    ("placeholder", "{pd}"),
])

# 准备消息历史
message = [
    HumanMessage(content="地球为什么是圆的"),
    AIMessage(content="因为...."),
    HumanMessage(content="那人为什么要呼吸？")
]

# 填充占位符
finalmessage = chatprompt.invoke({"pd": message}).to_messages()

# 调用 LLM
result = llm.invoke(finalmessage)
```

### 关键要点
- **placeholder 类型**：专门用于插入消息列表
- **消息对象**：使用 `HumanMessage`、`AIMessage` 构建对话历史
- **上下文保持**：适合需要保留对话上下文的场景
- **灵活性**：可以动态插入任意数量的历史消息

---

## 三、官方提示词模版（prompt_sdk.py）

### 核心概念
通过 LangSmith Hub （[https://smith.langchain.com/hub/](https://smith.langchain.com/hub/)）获取社区共享的专业提示词模版，快速复用优质 prompt。

**如下：**

![在这里插入图片描述](https://developer.qcloudimg.com/http-save/yehe-11458826/c86b786fae18aff60f4155a9c882f235.png)


### 代码示例
```python
from langsmith import Client
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

# 从 LangSmith Hub 拉取提示词模版
client = Client()
prompt = client.pull_prompt("hardkothari/prompt-maker")

# 创建链
chain = prompt | ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.7,
    max_tokens=8192,
)

# 调用
result = chain.invoke({
    "lazy_prompt": "你是一个全栈专家",
    "task": "帮我写一个简单的全栈项目"
})
```

### 关键要点
- **LangSmith Hub**：提示词模版共享平台
- **pull_prompt**：通过用户名/模版名拉取模版
- **即插即用**：无需自己编写复杂 prompt
- **社区资源**：利用专业人士优化的提示词

---

## 四、少样本增强提示词（fewshot_prompt.py）

### 核心概念
通过提供少量示例（Few-Shot Learning）引导模型理解任务模式，提升输出质量。

### 代码示例
```python
from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate

# 定义示例样本
examples = [
    {"input": "1$2", "output": "0.5"},
    {"input": "2$3", "output": "0.6666666666666666"},
]

# 定义示例模版
template_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}"),
])

# 创建 Few-Shot 提示模版
few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=template_prompt,
    input_variables=["input"],
)

# 组合最终提示词
final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个数学老师，下面是一些数学问题和答案示例"),
    few_shot_prompt,
    ("human", "请根据示例回答下面的问题：{input}"),
])

# 创建链并调用
chain = final_prompt | llm
result = chain.invoke({"input": "3$6"})
```

### 关键要点
- **示例驱动**：通过 examples 列表提供输入输出样本
- **FewShotChatMessagePromptTemplate**：专门处理少样本学习的模版类
- **模式识别**：帮助模型理解特定任务规则（如示例中的除法运算）
- **组合使用**：可与 system、human 等消息类型组合

---

## 五、最佳实践总结

### 使用场景对比

| 模版类型 | 适用场景 | 优势 |
|---------|---------|------|
| 基础模版 | 简单的单轮对话 | 简洁直观，易于上手 |
| 占位符模版 | 多轮对话、上下文保持 | 灵活插入历史消息 |
| 官方模版 | 复杂任务、专业领域 | 复用优质 prompt，节省时间 |
| Few-Shot 模版 | 特定模式识别、规则学习 | 提升准确性，减少误解 |



### 开发建议
1. **简单任务**：优先使用基础模版
2. **对话系统**：使用占位符模版管理上下文
3. **复杂任务**：先搜索 LangSmith Hub 是否有现成模版
4. **规则学习**：使用 Few-Shot 提供示例引导
5. **变量命名**：使用清晰的变量名提高可读性
6. **测试优化**：通过调整 temperature 和示例数量优化效果

---

### 解决问题

**提⽰词模板解决了以下⼏个核⼼问题：**
1. **可复⽤性：** 只需定义⼀个模板，就可以⽤于⽆数个类似的查询。
2. **关注点分离：** 将提⽰词的结构和逻辑（⼯程）与具体的内容和数据分离开。提⽰⼯程师可以专注于优化模板，⽽应⽤程序则负责提供变量值。
3. **⼀致性：** 确保发送给LLM的提⽰词结构统⼀，这有助于获得更稳定、可预测的输出结果。
4. **可维护性：** 如果需要修改提⽰词的⻛格或结构，只需修改⼀个模板⽂件，⽽不⽤在代码的⽆数个地⽅进⾏修改。

## 六、完整工作流程

```python
# Step 1: 选择合适的模版类型
# Step 2: 定义提示词结构
# Step 3: 准备变量/示例数据
# Step 4: 实例化 LLM
# Step 5: 创建链或直接调用
# Step 6: 获取结果并处理
```

### 示例：构建翻译助手
```python
# 1. 定义模版
prompt = ChatPromptTemplate([
    ("system", "你是专业翻译，将{source_lang}翻译成{target_lang}"),
    ("human", "{text}")
])

# 2. 创建链
chain = prompt | ChatDeepSeek(model="deepseek-chat")

# 3. 调用
result = chain.invoke({
    "source_lang": "中文",
    "target_lang": "英文",
    "text": "你好世界"
})
```



提⽰词模板（PromptTemplate） 是LangChain的核⼼抽象之⼀，它被⼴泛应⽤于构建⼤语⾔模型（LLM）应⽤的各个环节。

拒绝“硬编码”！LangChain 提示词模板全指南：从基础变量到 Few-Shot 实战

人工智能

编程语言

开发工具

LangChain提示词模板详解：基础模板支持变量占位符动态填充，占位符模板适合多轮对话，官方模板可复用优质社区资源，少样本模板提升输出质量。解决可复用性、关注点分离、一致性和可维护性等核心问题，是构建LLM应用的关键工具。

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云AI代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

功能1上新10个字符

功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符功能2描述100个字符。

功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符功能2上新100个字符。

功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符功能5描述100个字符

功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符功能5上新100个字符

功能4上新

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

精选全网热门MCP server，让你的AI更好用 🚀

💥开发者 MCP广场重磅上线！

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

拒绝“硬编码”！LangChain 提示词模板全指南：从基础变量到 Few-Shot 实战-腾讯云开发者社区-腾讯云

拒绝“硬编码”！LangChain 提示词模板全指南：从基础变量到 Few-Shot 实战

拒绝“硬编码”！LangChain 提示词模板全指南：从基础变量到 Few-Shot 实战

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐