type
Post
status
Published
date
Sep 7, 2025
slug
summary
总结几种提示词用法
tags
category
icon
password

提示词模板介绍

为什么需要提示词模板

在与大语言模型交互时，通常不会直接将用户的原始输入直接传递给大模型，而是会先进行一系列包装、组织和格式化操作。这样做的目的是：更清晰地表达用户意图，更好地利用模型能力。
这套结构化的提示词构建方式，就是 LangChain 中的 提示词模板（PromptTemplate）。对于 LLM 应用来说，好的提示词就是成功的一半。更多提示词技巧可参考文档：https://www.cuiliangblog.cn/detail/section/228046450。
LangChain 提示词官方文档参考：https://reference.langchain.com/python/langchain_core/prompts/

提示词模板分类

LangChain 提供了多种不同的提示词模板，下面介绍几种常用的提示词模板：
  • PromptTemplate：文本生成模型提示词模板，用字符串拼接变量生成提示词
  • ChatPromptTemplate：聊天模型提示词模板，适用于如 gpt-3.5-turbo、gpt-4 等聊天模型
  • HumanMessagePromptTemplate：人类消息提示词模板
  • SystemMessagePromptTemplate：系统消息提示词模板
  • FewShotPromptTemplate：少样本学习提示词模板， 构建一个 Prompt，其中包含多个 示例，可以 自动将这些示例格式化并插入到主 Prompt 中 。
  • PipelinePrompt：管道提示词模板，用于把几个提示词组合在一起使用。

提示词模板类继承关系

分析LangChain源码可以可知，在 LangChain 的类结构中，顶层基类是 BasePromptTemplate，用于定义Prompt 模板系统必须实现的核心方法，而StringPromptTemplate 和 BaseChatPromptTemplate两个子类分别继承。
img
接入聊天模型时需继承BaseChatPromptTemplate；而文本生成模型则继承StringPromptTemplate 。

文本提示词模板

PromptTemplate 针对文本生成模型的提示词模板，也是LangChain提供的最基础的模板，通过格式化字符串生成提示词，在执行invoke时将变量格式化到提示词模板中
主要参数：
template：定义提示词模板的字符串，其中包含文本和变量占位符（如{name}） ；
input_variables： 列表，指定了模板中使用的变量名称，在调用模板时被替换；
partial_variables：字典，用于定义模板中一些固定的变量名。这些值不需要再每次调用时被替换。
函数介绍：
format()：给input_variables变量赋值，并返回提示词。利用format() 进行格式化时就一定要赋值，否则会报错。当在template中未设置input_variables，则会自动忽略。

创建提示词

使用构造方法

执行结果：

调用from_template(常用)

执行结果

部分提示词模板

部分提示词，顾名思义就是允许你预先固定部分变量，而保留其他变量在后续动态填充。例如：先预设系统参数，然后等用户输入后再补齐提示词模板。
执行结果如下：

组合提示词模板

通过将多个子提示（Prompt）按一定逻辑顺序或层级组合起来，形成一个复杂任务的整体 Prompt。例如实现多消息对话、多阶段任务、多输入源组合等场景。
执行结果如下

提示词方法

上述的代码示例中，我们使用了format方法，除了format方法能够格式化提示词模板，invoke()和partial()方法也可以做到，以下是它们的作用：
invoke：格式化提示词模板为PromptValue
format：格式化提示词模板为字符串
partial：格式化提示词模板为一个新的提示词模板，可以继续进行格式化

format

format() 方法用法如下，将 question 参数格式化到提示词模板中，返回一个字符串：
执行结果：

partial

partial()方法用法如下，可以格式化部分变量，并且继续返回一个模板，通常在部分提示词模板场景下使用
执行结果：

invoke

invoke() 是 LangChain Expression Language（LCEL 的统一执行入口，用于执行任意可运行对象（Runnable ）。返回的是一个 PromptValue 对象，可以用 .to_string() 或 .to_messages() 查看内容。
执行结果如下

对话提示词模板

ChatPromptTemplate 是专为聊天模型（如 gpt-3.5-turbo、gpt-4 等）设计的提示词模板，它支持构造多轮对话的消息结构，每条消息可指定角色（如系统、用户、AI）。
特点：
  • 支持 System / Human / AI 等不同角色的消息模板
  • 对话历史维护
参数类型：列表参数格式是tuple类型（ role :str content :str 组合最常用）
元组的格式为：(role: str | type, content: str | list[dict] | list[object])
其中 role 是：字符串（如 “system” 、“human” 、“ai” ）

创建提示词

使用构造方法

执行结果如下

调用form_message(常用)

代码示例如下，提示词模板中包含两条消息，第一条是系统消息，无需做提示词渲染，第二条是人类消息，在执行invoke时，需要把变量question渲染进去。
执行结果：

提示词方法

除了之前在 PromptTemplate介绍的 format、partial、invoke外，还有 format_messages 和 format_prompt方法。

format_messages

作用：将模板变量替换后，直接生成 消息列表（List[BaseMessage]），一般包含：SystemMessage``HumanMessage``AIMessage
常用场景：用于手动查看或调试 Prompt 的最终“消息结构”，或者自己拼接进 Chain。
代码如下
执行结果如下

format_prompt

作用：生成一个 PromptValue 对象，这是一种抽象层次更高的封装。
  • 对于 PromptTemplate（单纯文本），返回 StringPromptValue
  • 对于 ChatPromptTemplate（对话模板），返回 ChatPromptValue
PromptValue 有两个常用方法：
  • .to_string() → 转成文本
  • .to_messages() → 转成消息列表（同上）
返回值：PromptValue 对象
代码如下
执行结果如下

实例化参数类型

前面讲了ChatPromptTemplate的两种创建方式。我们看到不管使用构造方法，参数类型都是列表类型。参数除了是列表类型，列表的元素可以是字符串、字典、字符串构成的元组、消息类型、提示词模板类型、消息提示词模板类型等

str 类型

列表参数格式是str类型（不推荐），因为默认都是HumanMessage。
代码如下
执行结果如下

dict 类型

列表参数格式是dict类型，代码如下:
执行结果如下

message 类型

System/Human/AIMessage 是 langchain 中用于构建不同角色的一个类。它通常用于创建聊天消息的一部分，特别是当你构建一个多轮对话的 prompt 模板时，区分系统、AI、和人类消息。
代码如下
执行结果如下

BaseChatPromptTemplate 类型

使用 BaseChatPromptTemplate，可以理解为ChatPromptTemplate里嵌套了ChatPromptTemplate。
执行结果如下

BaseMessagePromptTemplate 类型

LangChain提供不同类型的MessagePromptTemplate。最常用的是SystemMessagePromptTemplate 、HumanMessagePromptTemplate 和AIMessagePromptTemplate ，分别创建系统消息、人工消息和AI消息，它们是ChatMessagePromptTemplate的特定角色子类。
基本概念：
HumanMessagePromptTemplate，专用于生成用户消息（HumanMessage） 的模板类，是ChatMessagePromptTemplate的特定角色子类。
  • 本质：预定义了 role=“human” 的 MessagePromptTemplate，且无需无需手动指定角色
  • 模板化：支持使用变量占位符，可以在运行时填充具体值
  • 格式化：能够将模板与输入变量结合生成最终的聊天消息
  • 输出类型：生成 HumanMessage 对象（ content + role=“human” ）
  • 设计目的 ：简化用户输入消息的模板化构造，避免重复定义角色
SystemMessagePromptTemplate、AIMessagePromptTemplate：类似于上面，不再赘述
ChatMessagePromptTemplate，用于构建聊天消息的模板。它允许你创建可重用的消息模板，这些模板可以动态地插入变量值来生成最终的聊天消息
  • 角色指定：可以为每条消息指定角色（如 “system”、“human”、“ai”） 等，角色灵活。
  • 模板化：支持使用变量占位符，可以在运行时填充具体值
  • 格式化：能够将模板与输入变量结合生成最终的聊天消息
示例代码如下
执行结果如下

少量样本提示词模板

FewShotPromptTemplate

FewShotPromptTemplate 用于：
  • 构建一个 Prompt，其中包含多个 示例（examples）；
  • 自动将这些示例格式化并插入到主 Prompt 中；
  • 实现 Few-Shot Prompting 方式，以增强大模型在特定任务（如分类、问答、翻译等）上的表现。
它通常由以下几部分构成：
  1. examples：少量的人工示例（dict 列表）；
  1. example_prompt：如何格式化每个示例（使用 PromptTemplate）；
  1. prefix：示例之前的文字说明（可选）；
  1. suffix：用户真正的问题模板；
  1. input_variables：最终 suffix 中需要传入的变量。
假设开发一个提取语句城市名称的AI：
执行结果

FewShotChatMessagePromptTemplate

除了FewShotPromptTemplate之外，FewShotChatMessagePromptTemplate是专门为 聊天对话场景设计的少样本（few-shot）提示模板，它继承自 FewShotPromptTemplate ，但针对聊天消息的格式进行了优化。
特点：
  • 自动将示例格式化为聊天消息（ HumanMessage / AIMessage 等）
  • 输出结构化聊天消息（ List[BaseMessage] ）
  • 保留对话轮次结构
代码如下
运行结果如下

Example selectors

前面FewShotPromptTemplate的特点是，无论输入什么问题，都会包含全部示例。在实际开发中，我们可以根据当前输入，使用示例选择器，从大量候选示例中选取最相关的示例子集。
使用的好处：避免盲目传递所有示例，减少 token 消耗的同时，还可以提升输出效果。
示例选择策略：语义相似选择、长度选择、最大边际相关示例选择等
  • 语义相似选择：通过余弦相似度等度量方式评估语义相关性，选择与输入问题最相似的 k 个示例。
  • 长度选择：根据输入文本的长度，从候选示例中筛选出长度最匹配的示例。增强模型对文本结构的理解。比语义相似度计算更轻量，适合对响应速度要求高的场景。
  • 最大边际相关示例选择：优先选择与输入问题语义相似的示例；同时，通过惩罚机制避免返回同质化的内容。
代码如下
执行结果如下

消息占位符提示词模板

如果我们不确定消息何时生成，也不确定要插入几条消息，比如在提示词中添加聊天历史记忆这种场景，可以在ChatPromptTemplate添加MessagesPlaceholder占位符，在调用invoke时，在占位符处插入消息。

使用MessagesPlaceholder

执行结果：

隐式使用MessagesPlaceholder

"placeholder" 是 ("placeholder", "{memory}") 的简写语法，等价于 MessagesPlaceholder("memory")。
执行结果：

提示词模板仓库

LangChain Hub 是一个公共的 prompt（提示词）仓库，访问地址是https://smith.langchain.com/hub。类似 HuggingFace Hub，但是专门存放 LangChain 的 Prompt、Chains、Tools 等。我们可以在 hub 中搜索通用的提示词模板并使用。代码如下：
执行结果如下：
FewShotPromptTemplateprompt常见攻击方式与防御方式
Loading...
guderain
guderain
一个普通的干饭人🍚
Catalog
0%