LangChain Prompt 与大语言模型提示词编写指南

编写优质 Prompt 的核心原则

在使用大语言模型时，输出质量往往取决于输入的 Prompt 设计。优秀的提示词能大幅激发模型潜力。设计时应遵循以下原则：

• 具体且详尽：提供明确的任务指令与充足的背景信息，确保模型精准理解需求。
• 清晰且易答：语言表达需直白准确，避免抽象模糊或带有歧义的措辞。
• 提供上下文：补充问题所处的业务场景或背景，引导模型给出更具价值的回答。
• 设定明确目标：指明任务方向与预期格式，帮助模型聚焦输出关键信息。
• 便于扩展定制：预留变量接口，方便在不同业务场景中复用和调整。

利用 Prompt Template 自动化生成提示词

当多个场景下的提示词结构高度相似，仅部分细节存在差异时，使用模板（Template）能显著提升效率。在 LangChain 中，主要依靠 PromptTemplate 类来实现这一功能。

最便捷的方式是使用 from_template 静态方法。只需在字符串中用花括号包裹占位符，调用 format 方法传入对应值即可完成拼接：

from langchain import PromptTemplate

template = """\
假如你是一个金融公司的理财经理，请你分析一下{stock}这只股票。
"""
prompt = PromptTemplate.from_template(template)
print(prompt.format(stock="腾讯控股"))

此外，也可以直接实例化对象，通过 input_variables 声明变量名列表，配合 template 字符串定义模板内容。这种方式适合需要严格控制变量元数据的场景：

# 无参数模板
no_input_prompt = PromptTemplate(input_variables=[], template="这是一个无参数模板。")
print(no_input_prompt.format())

# 单参数模板
one_input_prompt = PromptTemplate(
    input_variables=["stock"], 
    template="假如你是一个金融公司的理财经理，请你分析一下{stock}这只股票。"
)
print(one_input_prompt.format(stock="腾讯控股"))

# 多参数模板
multiple_input_prompt = PromptTemplate(
    input_variables=["personA", "thingsB"], 
    template="请告诉我一个关于{personA}的{thingsB}"
)
print(multiple_input_prompt.format(personA="小张", thingsB="故事"))

适配 Chat 模式的专属 Prompt 结构

Chat 类模型的消息通常包含不同的角色属性（如 system 系统指令、human 用户提问、ai 助手回复）。为了精准控制各类角色的输入，LangChain 提供了专门的组合模板工具。

首先引入角色模板组件并初始化：

from langchain.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    PromptTemplate,
)

# 定义系统角色模板
system_template = "现在你的角色是{role},请按该角色进行后续的对话."
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)

# 定义用户输入模板
human_template = "{text}"
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

随后将多个角色模板组合成完整的 ChatPromptTemplate，并通过 to_messages() 转换为 Chat 模型可直接接收的消息列表：

chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])
messages = chat_prompt.format_prompt(role="医生", text="帮我看看我的颜值还行吗？").to_messages()
print(messages)

总结

通过掌握结构化设计与模板化封装，开发者可以稳定、高效地为大语言模型注入高质量的输入信号。以上就是 LangChain Prompt 与大语言模型提示词编写指南的详细内容，更多关于 LangChain Prompt 模板配置的资料请关注本站其它相关文章！