第四章：大模型（LLM）
第六部分：LangChain 原理
第五节：LangChain Prompt 用法
Prompt 在 LangChain 中处于核心地位。它决定了模型接收的上下文和指令，从而直接影响输出质量。LangChain 针对 Prompt 做了高度抽象和封装，主要包含以下几个方面：
1. Prompt 的基本概念
Prompt：输入给 LLM 的文本（可能包含占位符、上下文、指令等）。
PromptTemplate：LangChain 对 Prompt 的抽象，用来支持动态插值与可复用模板。
MessagePromptTemplate：用于多轮对话，支持 System / Human / AI 多角色消息。
ChatPromptTemplate：封装一组消息模板，便于和聊天模型结合。
2. PromptTemplate 使用
from langchain.prompts import PromptTemplate
template = "请用一句话总结以下内容：{text}"
prompt = PromptTemplate(
input_variables=["text"],
template=template,
)
# 渲染
final_prompt = prompt.format(text="LangChain 是一个用于构建大模型应用的框架。")
print(final_prompt)
# 输出: 请用一句话总结以下内容：LangChain 是一个用于构建大模型应用的框架。
特点：
模板中使用
{变量名}作为占位符。input_variables定义可替换的变量。
3. ChatPromptTemplate（对话型提示）
from langchain.prompts import ChatPromptTemplate
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
("human", "请将以下内容翻译成英文：{text}")
])
final_prompt = chat_prompt.format_messages(text="你好，世界！")
print(final_prompt)
输出是多条消息，适配聊天模型（如 OpenAI ChatCompletion）。
4. Few-shot Prompt（小样本提示）
from langchain.prompts import FewShotPromptTemplate
examples = [
{"question": "2+2等于几？", "answer": "4"},
{"question": "3+5等于几？", "answer": "8"},
]
example_prompt = PromptTemplate(
input_variables=["question", "answer"],
template="Q: {question}\nA: {answer}"
)
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
suffix="Q: {input}\nA:",
input_variables=["input"],
)
print(few_shot_prompt.format(input="10+15等于几？"))
通过示例引导模型学习回答模式。
5. Prompt 的链式组合
Prompt 可以和 Chain、Memory 结合：
Chain + Prompt：先动态生成 Prompt，再传给 LLM。
Memory + Prompt：记忆组件自动填充 Prompt 的历史对话部分。
6. 实战技巧
少即是多：Prompt 过长可能导致 LLM 迷失重点。
角色扮演：在 Prompt 中设置 AI 的身份，可改善回答风格。
输出约束：通过 JSON Schema、格式提示，提高结果可解析性。
动态拼接：结合外部数据源动态注入 Prompt。
7. 小结
LangChain 的 Prompt 系统提供了 灵活可重用的模板机制。
从
PromptTemplate到ChatPromptTemplate，再到FewShotPromptTemplate，逐步增强了 Prompt 的表达能力。配合 Chain / Memory，可以实现高度自动化的 Prompt 生成。