LangChain 提示模板体系的详细介绍与使用指南

sowang

在 LangChain 生态中，你提到的“提示模板库”通常包含两个层面的概念：一是代码层面的提示词模板（Prompt Templates），用于在工程化开发中动态生成和管理提示词；二是LangChain Hub，这是一个类似于 GitHub 的社区共享平台，用于上传、浏览和拉取优质的提示词。

以下是关于 LangChain 提示模板体系的详细介绍与使用指南：

1. 核心概念：为什么需要提示模板？

在实际开发中，如果直接在代码里硬编码（拼接字符串）提示词，会面临难以复用、变量拼接易错、缺乏结构等问题。LangChain 的提示模板将“写死的 Prompt”变成了“可配置、可复用的结构化指令系统”，就像填空题一样，固定角色和格式，动态注入用户输入。

2. 代码层面的常用提示模板

LangChain 提供了多种模板类，像搭积木一样满足不同场景的需求：
PromptTemplate（基础文本模板）：最基础的模板，用于生成纯字符串 Prompt，适合简单的单轮问答和文本生成。
ChatPromptTemplate（聊天消息模板）：生产环境中最常用的模板。专为聊天模型设计，生成的不是字符串，而是包含 system（系统指令）、human（用户输入）、ai（模型回复）等角色的消息列表，非常适合构建多轮对话系统。
FewShotPromptTemplate（少样本模板）：当你需要模型严格按照某种格式或风格输出时，可以通过提供少量示例（Few-Shot）让模型“照葫芦画瓢”，这在分类任务或格式转换中非常有效。
MessagesPlaceholder（消息占位符）：专门用于多轮对话场景，可以动态地将完整的对话历史记录插入到提示词中，保持上下文连贯。

3. 如何使用（代码实战示例）

以下是使用 ChatPromptTemplate 构建并调用大模型的标准流程：

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义聊天消息模板，使用 {变量名} 作为占位符
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的{role}，回答要控制在{word_count}字以内。"),
    ("human", "{user_input}")
])

# 2. 传入具体变量，生成最终的 PromptValue
prompt_value = chat_template.invoke({
    "role": "产品经理",
    "word_count": 100,
    "user_input": "帮我写一段AI Agent的需求文档摘要。"
})

# 3. 初始化大模型并调用
llm = ChatOpenAI(model="gpt-4")
response = llm.invoke(prompt_value)
print(response.content)


注：在 LangChain 中，还可以通过管道符 | 将模板和模型直接组合成链（如 chain = chat_template | llm），实现更优雅的链式调用。

4. LangChain Hub（提示词共享平台）

如果你不想从零编写复杂的提示词，可以使用 LangChain Hub。这是一个由 LangChain 官方打造的社区平台，开发者可以在上面分享、拉取和管理经过验证的优质提示词模板。

如何使用：通过 LangSmith 客户端，只需一行代码即可拉取社区中优秀的提示词模板（例如著名的 prompt-maker），直接与大模型结合使用。

官网地址：LangChain Hub 目前集成在 LangSmith 平台中，官方访问地址为：

https://smith.langchain.com/hub/