提示词Prompts（2）-EW帮帮网

摘要： 本文介绍了langchain.prompts中基础的提示词模板的高级用法，包括利用PipelinePrompt组合Prompt使用，多模态场景、动态占位符的使用等进行了介绍。

文章目录

1. 背景

在实际应用中提示词通常并非单一使用，而是多种模板结合起来使用，尤其在大型的Agent中，好的提示词模板设计，对后续的开发会起到事半功倍的效果。

2. PipelinePrompt

PipelinePrompt是LangChain框架中用于组合多个Prompt模板的核心组件，它通过模块化设计实现Prompt的复用和灵活组装。其核心思想类似于软件开发中的管道模式（Pipeline Pattern），将多个处理步骤串联成流水线，前序步骤的输出作为后续步骤的输入。

2.1 组合两个Prompt模板

示例：

from langchain.prompts.pipeline import PipelinePromptTemplate
from langchain.prompts.prompt import PromptTemplate

# 定义子模板1：系统指令
intro_template = PromptTemplate.from_template(
    "你是一个专业翻译，负责将{input_language}翻译为{output_language}:"
)
# 定义子模板2：翻译示例
example_template = PromptTemplate.from_template(
    "示例：'{example_input}' -> '{example_output}'"
)

# 组合为完整PipelinePrompt
full_prompt = PipelinePromptTemplate(
    final_prompt=PromptTemplate.from_template(
        "{intro}\n{example}\n请翻译：{text}"
    ),
    pipeline_prompts=[
        ("intro", intro_template),
        ("example", example_template)
    ]
)

# 使用示例
print(full_prompt.format(
    input_language="英文",
    output_language="中文",
    example_input="Hello",
    example_output="你好",
    text="Good morning"
))

输出：

你是一个专业翻译，负责将英文翻译为中文:
示例：'Hello' -> '你好'
请翻译：Good morning

2.2 多模态模板

以下是一个结合视觉和文本的多模态PipelinePromptTemplate示例，用于生成图片描述并回答相关问题。


from langchain.prompts.pipeline import PipelinePromptTemplate
from langchain.prompts import PromptTemplate
import base64
import httpx

# 子模板1：图片描述生成
vision_template = PromptTemplate.from_template(
    "分析这张图片：{image_base64}\n"
    "请列出图中3个最显著的特征（如物体、颜色、动作）"
)

# 子模板2：问题回答
qa_template = PromptTemplate.from_template(
    "基于以下图片特征：{vision_analysis}\n"
    "回答用户问题：{user_question}\n"
    "要求：包含对图片特征的引用"
)

# 构建多模态流水线
multimodal_prompt = PipelinePromptTemplate(
    final_prompt=PromptTemplate.from_template(
        "多模态问答系统：\n"
        "{vision_part}\n"
        "{qa_part}"
    ),
    pipeline_prompts=[
        ("vision_part", vision_template),
        ("qa_part", qa_template)
    ]
)

# 使用示例（需替换真实图片URL）
image_url = "https://example.com/park.jpg"
image_data = base64.b64encode(httpx.get(image_url).content).decode("utf-8")

formatted_prompt = multimodal_prompt.format(
    image_base64=f"<<Image>>{image_data}",
    user_question="图中人们在做什么活动？"
)
print(formatted_prompt)

该示例演示了如何分阶段处理多模态输入：先提取视觉特征，再结合特征回答问题。实际运行时需要接入多模态模型来处理图像数据。

3. 聊天提示词模板

聊天模型中的四种消息：AIMessage、HumanMessage、SystemMessage、ChatMessage分别对应着4种聊天消息模板：AIMessagePromptTemplate、HumanMessagePromptTemplate、SystemMessagePromptTemplate、ChatMessagePromptTemplate；
可以通过这些模板，构建引导整个会话流程。典型的工作流程：

System设定角色和规则
Human收集用户输入
AI按预定格式响应
通过ChatPromptTemplate组合成完整对话链：

1. SystemMessagePromptTemplate‌ 设定AI角色和对话规则：

from langchain.prompts import SystemMessagePromptTemplate

system_template = "你是一位专业心理咨询师，用温暖平和的方式回答用户问题"
system_prompt = SystemMessagePromptTemplate.from_template(system_template)
# 输出：SystemMessage(content='你是一位...', additional_kwargs={})

‌2. HumanMessagePromptTemplate结构化用户输入：

from langchain.prompts import HumanMessagePromptTemplate

human_template = "我的问题是关于{topic}，具体情况：{details}"
human_prompt = HumanMessagePromptTemplate.from_template(human_template)
# 使用：human_prompt.format(topic="失眠", details="连续一周睡不着")

‌3. AIMessagePromptTemplate控制AI响应格式：

from langchain.prompts import AIMessagePromptTemplate

ai_template = """建议方案：
1. {solution1}
2. {solution2}"""
ai_prompt = AIMessagePromptTemplate.from_template(ai_template)
# 输出带编号列表的响应

4. ChatPromptTemplate 构建完整对话流程：

from langchain.prompts import ChatPromptTemplate

chat_template = ChatPromptTemplate.from_messages([
    system_prompt,
    human_prompt,
    ai_prompt
])

chain = chat_template | ChatOpenAI()
chain.invoke({
    "topic": "焦虑", 
    "details": "考前心慌",
    "solution1": "深呼吸练习",
    "solution2": "制定复习计划"
})

5.多模态支持：
实际应用中，通常需要支持在单个PromptTemplate中组合文本、图像URL等数据类型，例如构建包含图像和文本的多模态消息。


edu_prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是数学辅导AI，需：\n1. 识别手写答案\n2. 指出错误步骤"),
    
    # 保留最近3轮对话
    MessagesPlaceholder(variable_name="dialogue", optional=True),
    
    # 混合输入
    HumanMessage(content=[
        {"type": "text", "text": "问题：{question}"},
        {"type": "image_url", "image_url": "{handwriting}"},
        {"type": "audio_url", "audio_url": "{voice_note}"}
    ])
])

# 调用示例（无历史对话时）
prompt = edu_prompt.format_messages(
    question="求x²+2x+1=0的解",
    handwriting="https://example.com/student_work.jpg",
    voice_note="https://example.com/voice_q.mp3"
)

4. 占位符MessagesPlaceholder

MessagesPlaceholder是LangChain中用于动态插入消息列表的占位符组件，属于BaseMessagePromptTemplate的子类。它允许在构建聊天提示模板时预留位置，后续通过变量注入实际消息内容。

动态消息插入：支持在运行时填充任意数量的消息（如对话历史）。
多角色兼容：可处理SystemMessage、HumanMessage、AIMessage等混合类型消息。
条件控制：通过optional参数控制占位符是否必填。

4.1 基本用法

from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, SystemMessage

# 定义包含占位符的模板
chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个助手"),
    MessagesPlaceholder(variable_name="history"),
    HumanMessage(content="{input}")
])

# 填充实际消息
formatted = chat_prompt.format_messages(
    history=[
        HumanMessage(content="你好"),
        AIMessage(content="有什么可以帮您？")
    ],
    input="今天天气如何"
)

4.2 多轮对话

结合ConversationBufferMemory实现上下文保持：

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(return_messages=True)
memory.save_context(
    {"input": "推荐一本小说"}, 
    {"output": "《三体》值得一读"}
)

# 使用记忆中的历史对话
prompt_with_history = chat_prompt.format_messages(
    history=memory.load_memory_variables({})["history"],
    input="作者是谁？"
)

4.3 可选占位符配置

optional_placeholder = MessagesPlaceholder(
    variable_name="history", 
    optional=True
)  # 未提供变量时返回空列表:ml-citation{ref="2" data="citationList"}

4.4 动态示例选择

在Few-shot场景中，通过MessagesPlaceholder动态插入示例对话：

few_shot_prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="根据示例回答问题"),
    MessagesPlaceholder("examples"),
    HumanMessage(content="{question}")
])

提示词Prompts（2）