跳到主要内容 LangChain 提示模板类型与应用详解 | 极客日志
Python AI 算法
LangChain 提示模板类型与应用详解 本文介绍了 LangChain 框架中各类提示模板的核心用法与实现细节。涵盖 Model I/O 概念、PromptTemplate 字符串模板、ChatPromptTemplate 聊天消息模板、FewShotPromptTemplate 少样本学习、示例选择器集成、Pipeline 管道组合及 Partial 部分格式化等技术点。文章通过代码示例演示了各模板的创建、变量注入及模型调用过程,并补充了安全性、Token 成本控制及测试评估等工程实践建议,旨在帮助开发者构建稳定高效的 AI 应用交互逻辑。
修罗 发布于 2025/2/7 更新于 2026/4/20 2 浏览
在 LangChain 中,Model I/O被称为:模型的输入与输出,其有输入提示 (Format)、调用模型 (Predict)、输出解析 (Parse)等三部分组成。
提示模板 :LangChain 的模板允许动态选择输入,根据实际需求调整输入内容,适用于各种特定任务和应用。
语言模型 :LangChain 提供通用接口调用不同类型的语言模型,提升了灵活性和使用便利性。
输出解析 :利用 LangChain 的输出解析功能,精准提取模型输出中所需信息,避免处理冗余数据,同时将非结构化文本转换为可处理的结构化数据,提高信息处理效率。
提示模板
在 LangChain 的 Model I/O 中,提示模板是其组成之一,这里主要记录 提示模板 (Format) 的使用。
概述
语言模型的提示是用户提供的一组指令或输入,用于指导模型的响应,帮助模型理解上下文并生成相关且连贯的基于语言的输出,例如回答问题、完成句子或参与某项活动、对话。
'提示'指的是模型的输入,这个输入很少是硬编码的,而是通常从多个组件构建而成的,提示模板就是负责构建这个输入的。
清晰易懂的提示 :提高提示文本的可读性,使其更易于理解,尤其是在处理复杂或涉及多个变量的情况下。
增强可重用性 :使用模板,可以在多个地方重复使用,简化代码,无需重复构建提示字符串。
简化维护 :使用模板后,如果需要更改提示内容,只需修改模板,无需逐个查找所有用到该提示的地方。
智能处理变量 :模板可以自动处理变量的插入,无需手动拼接字符串。
参数化生成 :模板可以根据不同的参数生成不同的提示,有助于个性化文本生成。
类型 在 LangChain 中,可以看到以下类型的提示模板:
LLM 提示模板 PromptTemplate :常用的 String 提示模板。
聊天提示模板 ChatPromptTemplate :常用的 Chat 提示模板,用于组合各种角色的消息模板,传入聊天模型。消息模板包括:ChatMessagePromptTemplate、HumanMessagePromptTemplate、AIMessagePromptTemplate、SystemMessagePromptTemplate 等。
样本提示模板 FewShotPromptTemplate :通过示例来教模型如何回答。
部分格式化提示模板 :提示模板传入所需值的子集,以创建仅期望剩余值子集的新提示模板。
管道提示模板 PipelinePrompt :用于把几个提示组合在一起使用。
自定义模板 :允许基于其他模板类来定制自己的提示模板。
from langchain.prompts.prompt import PromptTemplate
from langchain.prompts import FewShotPromptTemplate
from langchain.prompts.pipeline import PipelinePromptTemplate
from langchain.prompts import ChatPromptTemplate
from langchain.prompts import (
ChatMessagePromptTemplate,
SystemMessagePromptTemplate,
AIMessagePromptTemplate,
HumanMessagePromptTemplate,
)
设置环境变量 import os
os.environ["OPENAI_BASE_URL" ] = "https://xxx.com/v1"
os.environ["OPENAI_API_KEY" ] = "<YOUR_API_KEY>"
PromptTemplate 提示模板
创建提示模板
创建一个 PromptTemplate 提示模板,有 2 种方式来创建。
通过 from_template 方法从字符串模板中创建提示模板
from langchain.prompts import PromptTemplate
template = "您是一位专业的文案写手。\n对于信息 {text} 进行简短描述"
prompt = PromptTemplate.from_template(template)
print (prompt)
print (prompt.format (text="猪八戒吃人参果" ))
input_variables =['text' ] template='您是一位专业的文案写手。\n对于信息 {text} 进行简短描述'
您是一位专业的文案写手。
对于信息 猪八戒吃人参果 进行简短描述
通过提示模板类的构造函数,在创建模板时手工指定 input_variables。
from langchain.prompts import PromptTemplate
prompt = PromptTemplate(
input_variables=["text" ],
template="您是一位专业的文案写手。\n对于信息 {text} 进行简短描述"
)
print (prompt.format (text="猪八戒吃人参果" ))
使用提示模板 将模板实例化,将 {text}替换为 "猪八戒吃人参果",形成具体的提示:'您是一位专业的文案写手。对于信息 猪八戒吃人参果 进行简短描述'
from langchain_openai import OpenAI
model = OpenAI(model_name='gpt-3.5-turbo-instruct' )
input_text = prompt.format (text="猪八戒吃人参果" )
output = model.invoke(input_text)
print (output)
猪八戒是一位贪吃的神仙,他最爱的美食就是人参果。每当他闻到人参果的香味,就会忍不住大快朵颐,吃得津津有味。然而,人参果却是一种珍稀的仙果,吃多了会让猪八戒变得更加贪婪和暴躁,甚至会影响他的神仙身份。因此,猪八戒每次都要克制自己的食欲,才能保持神仙的本性。尽管如此,每当有人提起人参果,他仍然会忍不住流口水,渴望再次品尝这种美味的禁果。
复用提示模板
from langchain_openai import OpenAI
model = OpenAI(model_name='gpt-3.5-turbo-instruct' )
objList = ["猪八戒吃人参果" , "孙悟空吃人参果" ]
for obj in objList:
input_prompt = prompt.format (text=obj)
output = model.invoke(input_prompt)
print (output)
猪八戒是一位贪吃的妖怪,但他最爱吃的不是普通的食物,而是人参果。这种奇特的水果具有神奇的功效,能够增强生命力,让人变得更加健康强壮。但如果被猪八戒吃掉,可能会让他变得更加凶猛可怕。
孙悟空是一位身怀绝技的神仙,他喜欢吃人参果来增强自己的力量。
ChatPromptTemplate 聊天提示模板
LangChain 提供了几个相关的提示模板,以便轻松构建和处理提示。在使用聊天模型时,建议使用这些与聊天相关的提示模板,而不是 PromptTemplate,以充分发挥基础聊天模型的潜力。
PromptTemplate 创建字符串提示的模板。默认情况下,使用 Python 的 str.format 语法进行模板化。而 ChatPromptTemplate 是创建聊天消息列表的提示模板。
创建一个 ChatPromptTemplate 提示模板,模板的不同之处是它们有对应的角色。
基本使用 通过 from_messages 方法,传入简单的聊天列表数据,以此创建提示模板。
from langchain.prompts.chat import ChatPromptTemplate
template = "你是一个翻译专家,擅长将 {input_language} 语言翻译成 {output_language}语言."
human_template = "{text}"
chat_prompt = ChatPromptTemplate.from_messages([
("system" , template),
("human" , human_template),
])
print (chat_prompt)
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model_name='gpt-3.5-turbo' )
messages = chat_prompt.format_messages(input_language="英文" , output_language="中文" , text="I love programming." )
output = model.invoke(messages)
print (output.content)
进阶使用
LangChain 提供不同类型的 MessagePromptTemplate。最常用的是 AIMessagePromptTemplate、SystemMessagePromptTemplate 和 HumanMessagePromptTemplate,分别创建人工智能消息、系统消息和人工消息。
要创建与角色相关联的消息模板,可以使用 MessagePromptTemplate。
from langchain.prompts import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
system_template = "你是一个翻译专家,擅长将 {input_language} 语言翻译成 {output_language}语言."
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)
prompt_template = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
prompt = prompt_template.format_prompt(input_language="英文" , output_language="中文" ,
text="I love programming." ).to_messages()
from langchain_openai import ChatOpenAI
model = ChatOpenAI(model_name='gpt-3.5-turbo' )
result = model.invoke(prompt)
print (result.content)
更直接地构建 MessagePromptTemplate,可以在外部创建一个 PromptTemplate,然后将其传递进去。
prompt=PromptTemplate(
template="你是一个翻译专家,擅长将 {input_language} 语言翻译成 {output_language}语言." ,
input_variables=["input_language" , "output_language" ],
)
system_message_prompt = SystemMessagePromptTemplate(prompt=prompt)
少量样本示例的提示模板
基于 LLM 模型与聊天模型,可分别使用 FewShotPromptTemplate 或 FewShotChatMessagePromptTemplate,两者使用基本一致。
这里主要使用 FewShotPromptTemplate,它是一个复杂的提示模板,它包含多个示例和一个提示。这种模板可以使用多个示例来指导模型生成对应的输出。
使用 FewShotPromptTemplate 类来创建使用少量样本示例的提示模板,此类要么接受一组示例,要么接受一个 ExampleSelector 对象。
创建示例集 创建一些提示样本,每个示例都是一个字典,其中键是输入变量,值是输入变量的值。
examples = [
{"input" : "2+2" , "output" : "4" , "description" : "加法运算" },
{"input" : "5-2" , "output" : "3" , "description" : "减法运算" },
]
创建提示模板 配置一个格式化程序,将 Few-shot 示例格式化为字符串。这个格式化程序应该是一个 PromptTemplate 对象。
from langchain.prompts import PromptTemplate
prompt_template = "你是一个数学专家,算式: {input} 值: {output} 使用: {description} "
prompt_sample = PromptTemplate(input_variables=["input" , "output" , "description" ], template=prompt_template)
print (prompt_sample.format (**examples[0 ]))
创建 FewShotPromptTemplate 对象 创建一个 FewShotPromptTemplate 对象。这个对象接受 Few-shot 示例和 Few-shot 示例格式化程序。
from langchain.prompts.few_shot import FewShotPromptTemplate
prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=prompt_sample,
suffix="你是一个数学专家,算式:{input} 值:{output}" ,
input_variables=["input" , "output" ]
)
print (prompt.format (input ="2*5" , output="10" ))
使用 from langchain_openai import OpenAI
model = OpenAI(model_name='gpt-3.5-turbo-instruct' )
result = model.invoke(prompt.format (input ="2*5" , output="10" ))
print (result)
示例选择器
概述
LangChain 提供示例选择器来提高效率,避免一次性发送所有示例给模型,同时减少使用的 Token 数量。
如果有大量示例,可能需要选择要包含在提示中的示例,示例选择器是负责执行此操作的类。
名称 描述 SemanticSimilarityExampleSelector 使用输入和示例之间的语义相似性来决定选择哪些示例。 MaxMarginalRelevanceExampleSelector 使用输入和示例之间的最大边际相关性来决定选择哪些示例。 LengthBasedExampleSelector 根据一定长度内可以容纳的数量来选择示例 NGramOverlapExampleSelector 使用输入和示例之间的 ngram 重叠来决定选择哪些示例。
这里使用 SemanticSimilarityExampleSelector 示例选择器,基于少量样本示例的提示模板结合示例选择器进行使用,具体使用参考如下。
安装 Chroma 向量数据库
示例选择器使用向量相似度比较,需要安装向量数据库。这里使用了开源的 Chroma。
定义示例集
examples = [
{"input" : "2+2" , "output" : "4" , "description" : "加法运算" },
{"input" : "5-2" , "output" : "3" , "description" : "减法运算" },
]
创建提示模板 from langchain.prompts import PromptTemplate
prompt_template = "你是一个数学专家,算式: {input} 值: {output} 使用: {description} "
prompt_sample = PromptTemplate(input_variables=["input" , "output" , "description" ], template=prompt_template)
print (prompt_sample.format (**examples[0 ]))
示例选择器 不直接将示例馈送到 FewShotPromptTemplate 对象中,而是将其馈送到 ExampleSelector 对象中。
from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.vectorstores import Chroma
from langchain_openai import OpenAIEmbeddings
example_selector = SemanticSimilarityExampleSelector.from_examples(
examples,
OpenAIEmbeddings(),
Chroma,
k=1
)
创建 FewShotPromptTemplate 对象 创建一个 FewShotPromptTemplate 对象。该对象接受示例选择器和 few shot 示例的格式化程序。
prompt = FewShotPromptTemplate(
example_selector=example_selector,
example_prompt=prompt_sample,
suffix="你是一个数学专家,算式:{input} 值:{output}" ,
input_variables=["input" , "output" ]
)
使用
from langchain_openai import OpenAI
model = OpenAI(model_name='gpt-3.5-turbo-instruct' )
print (model.invoke(prompt.format (input ="2*5" , output="10" )))
PipelinePromptTemplate 提示模板
概述
LangChain 包含一个抽象 PipelinePromptTemplate,当想要重用部分提示时,它会很有用。
PipelinePrompt 由两个主要部分组成:
最终提示 :返回的最终提示。
管道提示 :元组列表,由字符串名称和提示模板组成。每个提示模板将被格式化,然后作为具有相同名称的变量传递到未来的提示模板。
最终提示 创建要给最终提示模板,它由多个提示模板构成最终模板。
from langchain_core.prompts.prompt import PromptTemplate
full_template = """{introduction}
{example}
{start}"""
full_prompt = PromptTemplate.from_template(full_template)
多个提示 创建多个提示模板,由这些模板构成最终完整的提示模板,这些单个提示模板可以实现复用的效果。
introduction_template = """你在冒充 {person}."""
introduction_prompt = PromptTemplate.from_template(introduction_template)
example_template = """下面是一个交互示例:
Q: {example_q}
A: {example_a}"""
example_prompt = PromptTemplate.from_template(example_template)
start_template = """现在,认真做这件事
Q: {input}
A:"""
start_prompt = PromptTemplate.from_template(start_template)
管道提示 from langchain_core.prompts.pipeline import PipelinePromptTemplate
input_prompts = [
("introduction" , introduction_prompt),
("example" , example_prompt),
("start" , start_prompt),
]
pipeline_prompt = PipelinePromptTemplate(
final_prompt=full_prompt, pipeline_prompts=input_prompts
)
使用
print (pipeline_prompt.input_variables)
print (
pipeline_prompt.format (
person="Elon Musk" ,
example_q="你最喜爱的车辆?" ,
example_a="特斯拉" ,
input ="你最喜欢的社交媒体网站是什么?" ,
)
)
['example_q' , 'person' , 'input' , 'example_a' ]
你在冒充 Elon Musk .
下面是一个交互示例:
Q : 你最喜爱的车辆?
A : 特斯拉
现在,认真做这件事
Q : 你最喜欢的社交媒体网站是什么?
A :
部分提示模板
概述
'部分'提示模板是有意义的,例传递所需值的子集,以创建仅需要剩余值子集的新提示模板。
使用字符串值进行部分格式化 。
使用返回字符串值的函数进行部分格式化 。
基本使用 先使用字符串值部分化提示模板,然后传递部分化的提示模板。
from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template("{foo}{bar}" )
partial_prompt = prompt.partial(foo="foo" )
print (partial_prompt.format (bar="baz" ))
prompt = PromptTemplate(
template="{foo}{bar}" , input_variables=["bar" ], partial_variables={"foo" : "foo" }
)
print (prompt.format (bar="baz" ))
使用返回字符串值的函数进行部分处理,适用于总是想以一种常见的方式获取一个变量时。
from datetime import datetime
def _get_datetime ():
now = datetime.now()
return now.strftime("%m/%d/%Y, %H:%M:%S" )
prompt = PromptTemplate(
template="Tell me a {adjective} joke about the day {date}" ,
input_variables=["adjective" , "date" ],
)
partial_prompt = prompt.partial(date=_get_datetime)
print (partial_prompt.format (adjective="funny" ))
最佳实践与注意事项 在实际开发中,使用 LangChain 提示模板时需注意以下几点:
安全性 :防止提示注入攻击(Prompt Injection)。不要完全信任用户输入,特别是在涉及敏感操作时。对输入内容进行清洗或限制。
Token 成本 :注意提示的长度,尤其是 FewShot 场景下,过多的示例会增加 Token 消耗。使用示例选择器可以有效控制上下文大小。
一致性 :确保模板中的变量命名规范,避免拼写错误导致运行时异常。使用 IDE 插件辅助检查变量引用。
测试与评估 :在生产环境部署前,应对不同输入下的提示效果进行测试。建立基准测试集,评估模型输出的稳定性。
版本管理 :随着 LangChain 库的更新,某些 API 可能发生变化。建议锁定依赖版本,并在升级前查阅变更日志。
总结 本文详细介绍了 LangChain 中各类提示模板的使用方法,包括基础的 PromptTemplate、面向聊天的 ChatPromptTemplate、基于示例的 FewShotPromptTemplate、以及高级的 Pipeline 和部分模板。通过合理使用这些工具,开发者可以更高效地构建与大语言模型的交互流程,提升应用的智能化水平。在实际应用中,应结合具体业务场景选择合适的模板类型,并遵循安全与优化的最佳实践。
相关免费在线工具 加密/解密文本 使用加密算法(如AES、TripleDES、Rabbit或RC4)加密和解密文本明文。 在线工具,加密/解密文本在线工具,online
RSA密钥对生成器 生成新的随机RSA私钥和公钥pem证书。 在线工具,RSA密钥对生成器在线工具,online
Mermaid 预览与可视化编辑 基于 Mermaid.js 实时预览流程图、时序图等图表,支持源码编辑与即时渲染。 在线工具,Mermaid 预览与可视化编辑在线工具,online
curl 转代码 解析常见 curl 参数并生成 fetch、axios、PHP curl 或 Python requests 示例代码。 在线工具,curl 转代码在线工具,online
Base64 字符串编码/解码 将字符串编码和解码为其 Base64 格式表示形式即可。 在线工具,Base64 字符串编码/解码在线工具,online
Base64 文件转换器 将字符串、文件或图像转换为其 Base64 表示形式。 在线工具,Base64 文件转换器在线工具,online