LangChain提示词模板实操指南：从Zero-Shot到多轮对话全解锁LangChain提示词模板实操指南：从Zer

LangChain提示词模板实操指南：从Zero-Shot到多轮对话全解锁

在大模型应用开发中，提示词（Prompt）是连接开发者需求与模型输出的核心桥梁——一段规范、精准的提示词，能让通用大模型输出贴合业务、格式统一的结果；反之，零散、杂乱的提示词，不仅会导致输出偏离预期，还会增加开发调试成本。

手动拼接提示词看似简单，却在大型工程中暴露诸多问题：重复编写冗余代码、变量注入易出错、格式难以标准化、无法适配复杂场景（如少样本学习、多轮对话）。而LangChain提供的提示词模板体系，恰好解决了这些痛点，通过PromptTemplate、FewShotPromptTemplate、ChatPromptTemplate三大核心类，实现提示词的可复用、标准化、动态化，让提示词工程更高效、更规范。

本文将从基础到进阶，手把手拆解这三大模板的核心用法、参数细节与原创实操代码，帮你彻底掌握LangChain提示词模板的使用技巧，轻松应对各类开发场景。

一、基础入门：PromptTemplate（Zero-Shot场景首选）

1. 核心定位与价值

PromptTemplate是LangChain中最基础、最常用的提示词模板类，专为Zero-Shot（零样本）场景设计——无需提供任何示例，仅通过“固定模板+动态变量”的组合，就能快速生成规范的提示词。

很多开发者会疑惑：“用PromptTemplate还不如手动拼接字符串？” 其实在小型demo中，两者差异不大，但在大型工程中，模板化的优势尤为明显：一是便于标准化管理，修改模板后所有调用处同步生效；二是支持LangChain的链式调用（Runnable接口），可与模型、解析器等组件无缝衔接，大幅提升开发效率。

2. 核心用法与原创代码实操

PromptTemplate的核心是“模板定义+变量注入”，最常用的创建方式是from_template()，支持两种调用写法：标准写法（先生成提示词再调用模型）和链式写法（模板与模型直接串联）。

示例场景：生成产品宣传文案（零样本，动态注入产品名称和核心卖点）

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

# 1. 定义提示词模板（固定文本+动态变量，变量用{变量名}表示）
prompt_template = PromptTemplate.from_template(
    "请为{product_name}撰写3句宣传文案，突出{core_sell}卖点，语言简洁有力，适合社交媒体传播，每句不超过15字。"
)

# 2. 标准写法：先注入变量生成提示词，再调用模型
# 变量注入（format方法传入键值对）
prompt_text = prompt_template.format(product_name="智能手环", core_sell="超长续航+心率监测")
# 初始化模型
llm = Tongyi(model="qwen-max")
# 调用模型获取结果（一次性输出）
res = llm.invoke(input=prompt_text)
print("标准写法输出：\n", res)

链式写法更简洁，无需单独生成提示词，直接将模板与模型串联，通过invoke传入变量即可：

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

# 1. 定义提示词模板（与上面一致）
prompt_template = PromptTemplate.from_template(
    "请为{product_name}撰写3句宣传文案，突出{core_sell}卖点，语言简洁有力，适合社交媒体传播，每句不超过15字。"
)

# 2. 链式写法：模板与模型串联（| 是LangChain链式调用的核心符号）
llm = Tongyi(model="qwen-max")
chain = prompt_template | llm
# 传入变量，调用链获取结果
res = chain.invoke(input={"product_name": "无线耳机", "core_sell": "降噪+低延迟"})
print("\n链式写法输出：\n", res)

3. 关键注意点

变量名需与format/invoke传入的键名完全一致，否则会报错；
模板中的固定文本的可根据业务需求灵活调整，无需修改代码结构；
PromptTemplate仅适用于零样本场景，若需要给模型提供示例引导，需使用FewShotPromptTemplate。

二、进阶提升：FewShotPromptTemplate（少样本场景必备）

1. 核心定位与适用场景

当零样本提示无法满足需求（如模型无法理解任务模式、输出格式混乱）时，就需要用到FewShotPromptTemplate——它通过在提示词中注入示例数据，引导模型按照示例的格式和逻辑输出结果，适用于分类、翻译、文本生成等需要明确任务模式的场景。

FewShotPromptTemplate的核心是“示例驱动”，构建时需要5个核心参数，缺一不可，掌握这些参数就能灵活适配各类少样本场景。

2. 核心参数解析

examples：示例数据，格式为列表，列表内嵌套字典，每个字典对应一组示例的键值对；
example_prompt：示例数据的提示词模板，用于格式化每一组示例；
prefix：提示词前缀，用于说明任务要求，位于示例数据之前；
suffix：提示词后缀，用于传入用户的实际查询，位于示例数据之后；
input_variables：需要注入的变量列表，与suffix中的变量名对应。

3. 原创代码实操（示例场景：给APP功能起简洁别名）

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_community.chat_models.tongyi import ChatTongyi

# 1. 定义示例数据的提示词模板（格式化单组示例）
example_template = PromptTemplate(
    input_variables=['function', 'alias'],
    template="功能：{function}，别名：{alias}"
)

# 2. 准备示例数据（list内套字典，每组示例对应一个功能和别名）
example_data = [
    {"function": "文件备份", "alias": "文件守护"},
    {"function": "病毒扫描", "alias": "安全卫士"},
    {"function": "内存清理", "alias": "内存优化"}
]

# 3. 构建FewShotPromptTemplate对象（传入5个核心参数）
few_shot_prompt = FewShotPromptTemplate(
    examples=example_data,
    example_prompt=example_template,
    prefix="请为APP功能起简洁易懂的别名，要求2-4字，贴合功能含义，参考如下示例：",
    suffix="基于示例，为功能：{target_function} 起一个合适的别名。",
    input_variables=['target_function']
)

# 4. 注入变量，生成最终提示词
prompt_text = few_shot_prompt.invoke(input={"target_function": "流量监控"}).to_string()
print("生成的提示词：\n", prompt_text)

# 5. 调用Chat模型，流式输出结果
model = ChatTongyi(model="qwen3-max")
print("\n模型输出：")
for chunk in model.stream(input=prompt_text):
    print(chunk.content, end="", flush=True)

4. 关键注意点

示例数据的格式需与example_prompt的变量完全匹配，否则示例无法正常格式化；
prefix和suffix的文本需简洁明了，明确任务要求，避免模型误解；
示例数量无需过多，3-5组即可，过多会增加提示词长度，影响模型响应速度。

三、高阶应用：ChatPromptTemplate（多轮对话场景）

1. 核心定位与优势

PromptTemplate仅能处理单条提示消息，FewShotPromptTemplate侧重示例引导，而ChatPromptTemplate专为多轮对话场景设计——它支持注入任意数量的历史会话信息，让模型能够记住上下文，实现连贯的多轮交互。

与前两种模板相比，ChatPromptTemplate的核心优势的是：通过from_messages方法接入列表形式的多轮消息，配合MessagesPlaceholder占位符，实现历史会话的动态注入，完美适配智能客服、聊天机器人等场景。

2. 核心用法与原创代码实操

ChatPromptTemplate的核心是“多轮消息模板+动态历史注入”，关键在于使用MessagesPlaceholder作为历史会话的占位符，且必须通过invoke方法注入历史数据（format方法无法实现）。

示例场景：智能客服多轮对话（记住用户历史问题，连贯回答）

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_models import ChatTongyi
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage, AIMessage

# 1. 构建Chat提示词模板（多轮消息列表，包含system、占位符、human消息）
chat_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一款APP的智能客服，回答简洁明了，仅解决用户关于APP会员的问题，无关问题直接拒绝。"),
        # MessagesPlaceholder：历史会话占位符，key为history，后续注入历史数据
        MessagesPlaceholder("history"),
        ("human", "{question}")
    ]
)

# 2. 初始化Chat模型和结果解析器（StrOutputParser用于提取纯文本结果）
model = ChatTongyi(model="qwen3-max")
output_parser = StrOutputParser()

# 3. 构建链（模板+模型+解析器，实现多轮对话连贯输出）
chain = chat_template | model | output_parser

# 场景1：无历史会话，用户首次提问
print("无历史会话输出：")
for chunk in chain.stream(input={"history": [], "question": "会员怎么开通？"}):
    print(chunk, end="", flush=True)

# 场景2：有历史会话，用户追问（动态注入历史对话）
print("\n\n有历史会话输出：")
# 历史会话数据（两种写法：HumanMessage/AIMessage类 或 元组简写）
history = [
    HumanMessage(content="会员怎么开通？"),
    AIMessage(content="开通会员可在APP我的页面，点击「会员中心」选择套餐支付即可。"),
    HumanMessage(content="开通后可以取消自动续费吗？")
]
# 元组简写（更简洁，推荐日常开发）
# history = [
#     ("human", "会员怎么开通？"),
#     ("ai", "开通会员可在APP我的页面，点击「会员中心」选择套餐支付即可。"),
#     ("human", "开通后可以取消自动续费吗？")
# ]

# 注入历史会话和新问题，流式输出
for chunk in chain.stream(input={"history": history, "question": "取消自动续费需要找客服吗？"}):
    print(chunk, end="", flush=True)

3. 关键注意点

ChatPromptTemplate必须使用from_messages方法创建，传入列表形式的多轮消息；
历史会话的注入必须使用invoke方法，format方法无法识别MessagesPlaceholder占位符；
历史会话数据可使用HumanMessage/AIMessage类封装，也可使用（角色，内容）元组简写，两种方式等价。

四、三大模板通用方法：format与invoke详解

PromptTemplate、FewShotPromptTemplate、ChatPromptTemplate三大类，都拥有format和invoke两种核心方法，用于变量注入和提示词生成，但两者的适用场景和功能有明显区别，掌握其差异能避免开发中的常见错误。

1. format方法

核心作用：注入变量，生成纯文本提示词，仅适用于PromptTemplate和FewShotPromptTemplate（ChatPromptTemplate不推荐使用）。

特点：用法简单，直接传入键值对即可生成提示词文本，但无法处理动态历史会话（如ChatPromptTemplate的MessagesPlaceholder），也不支持链式调用的无缝衔接。

2. invoke方法

核心作用：注入变量，生成提示词对象（可直接传入模型调用），适用于三大模板，是LangChain 1.0版本后推荐的通用方法。

特点：支持动态注入复杂数据（如ChatPromptTemplate的历史会话），可直接与模型、链等组件衔接，符合LangChain的Runnable接口规范，是大型工程开发的首选。

五、总结：三大模板选型指南与实战建议

LangChain的提示词模板体系，本质是将提示词工程标准化、组件化，让开发者无需关注底层细节，专注业务场景即可。三大模板的选型的核心是“匹配场景”，总结如下：

PromptTemplate：零样本、单轮提示场景（如简单文案生成、单轮问答），用法最简单，适合快速开发demo；
FewShotPromptTemplate：少样本、需要示例引导的场景（如格式统一的文本生成、分类任务），能提升模型输出的准确性；
ChatPromptTemplate：多轮对话场景（如智能客服、聊天机器人），支持动态注入历史会话，实现上下文连贯。

实战建议：在实际开发中，优先使用invoke方法进行变量注入，配合链式调用（| 符号）将模板与模型、解析器等组件串联，既能提升开发效率，又能保证代码的可维护性。后续我们还会学习提示词模板与向量检索、智能体的结合，解锁更复杂的大模型应用场景。