【第二周】RAG与Agent实战13：通用提示词模板 (PromptTemplate)

在之前我们直接将字符串传给模型model.invoke(帮我写一首诗)这种写法叫做Zero-shot零样本提示。但在实际应用中我们需要动态地替换提示词中的内容比如用户的名字、查询的问题、文档的片段。如果每次都手动拼接字符串你好 name ...不仅代码难看还容易出错比如忘记空格、特殊字符转义等。LangChain 提供了PromptTemplate类它就像 Python 的f-string或format函数的增强版专门用于管理提示词的结构和变量。本文将带你掌握两种使用PromptTemplate的方式并重点推荐基于 Chain 链的现代写法。️ 核心概念什么是 PromptTemplatePromptTemplate是一个模板引擎。它的作用是定义结构预先写好提示词的固定部分如“你是一个翻译助手请将以下文本翻译成英文{text}”。定义变量用{变量名}标记出需要动态填充的部分。注入数据在运行时将具体的数据填入变量生成最终的提示词。 实战案例给邻居宝宝起名字我们要构建一个应用用户输入姓氏和性别AI 自动推荐一个符合该姓氏和性别的名字。方式一标准写法手动格式化这是最直观的理解方式适合初学者理解原理但在复杂场景中不够优雅。fromlangchain_core.promptsimportPromptTemplatefromlangchain_community.llms.tongyiimportTongyi# 1. 定义模板# 使用 {变量名} 作为占位符prompt_templatePromptTemplate.from_template(我的邻居姓{lastname}刚生了{gender}你帮我起个名字简单回答。)# 2. 手动注入变量 (类似 python 的 .format)# 这一步生成了一个普通的字符串prompt_textprompt_template.format(lastname王,gender儿子)# 打印看看生成的提示词长什么样# print(prompt_text)# 输出: 我的邻居姓王刚生了儿子你帮我起个名字简单回答。# 3. 创建模型对象modelTongyi(modelqwen-max)# 4. 调用模型# 注意这里传入的是已经格式化好的字符串 inputprompt_textresmodel.invoke(inputprompt_text)print( 推荐名字,res)缺点分析步骤繁琐需要先.format()生成字符串再传给model.invoke()。灵活性差如果后续要加预处理或后处理逻辑代码会变得很乱。类型不安全.format()只是生成字符串LangChain 无法检查变量是否匹配。方式二基于 Chain 链的写法推荐 ⭐⭐⭐⭐⭐这是 LangChain 现代版本LCEL, LangChain Expression Language推荐的写法。它将“模板”和“模型”直接连接成一个链Chain实现了一站式调用。fromlangchain_core.promptsimportPromptTemplatefromlangchain_community.llms.tongyiimportTongyi# 1. 定义模板 (同上)prompt_templatePromptTemplate.from_template(我的邻居姓{lastname}刚生了{gender}你帮我起个名字简单回答。)# 2. 创建模型对象modelTongyi(modelqwen-max)# 3. 构建链 (关键步骤)# 使用 | 符号将 template 和 model 连接起来# 意思是先运行 template 填充变量 - 再把结果传给 model 处理chainprompt_template|model# 4. 调用链# 直接传入一个字典Key 对应模板中的变量名reschain.invoke(input{lastname:王,gender:儿子})print( 推荐名字,res)优势分析简洁高效一行代码chain ... | ...完成组装一行代码invoke完成执行。语义清晰|符号形象地表示了数据流向数据 - 模板 - 模型 - 结果。易于扩展如果以后想在模板和模型之间加一个“过滤步骤”只需在中间再加一个| 组件即可无需修改调用逻辑。统一接口无论底层是 LLM、ChatModel 还是其他组件invoke的用法都是一致的。 深度解析|操作符的魅力在 LangChain 中|被称为Runnable Sequence可运行序列。当你写下chain prompt_template | model时LangChain 并没有立即执行任何东西它只是创建了一个执行计划。当你调用chain.invoke({...})时LangChain 接收字典{lastname: 王, gender: 儿子}。自动调用prompt_template将字典值填入{lastname}和{gender}生成字符串。自动将生成的字符串传递给model.invoke()。返回模型的最终结果。这种声明式的编程风格让构建复杂的 AI 工作流如 RAG、Agent变得像搭积木一样简单。 常见变量命名规范在PromptTemplate中变量名可以随意取但为了可读性建议遵循以下习惯{query}或{question}用户的提问。{context}检索到的背景知识RAG 场景常用。{history}聊天历史。{input}通用输入。{topic},{style},{language}控制生成风格的参数。例如一个 RAG 的标准模板template 基于以下已知信息简洁和专业地回答用户的问题。 如果无法从中得到答案请说“根据已知信息无法回答该问题”。 已知信息 {context} 问题 {question} promptPromptTemplate.from_template(template)chainprompt|model# 调用时chain.invoke({context: ..., question: ...}) 总结本节课我们掌握了 LangChain 中管理提示词的核心工具PromptTemplate用于定义带变量的提示词结构避免手动拼接字符串。两种调用方式标准写法.format()model.invoke()适合理解原理。链式写法template | modelchain.invoke()生产环境推荐。LCEL 语法理解了|操作符如何将多个组件串联成一条流水线。掌握PromptTemplate是构建高质量 AI 应用的基础。无论是简单的问答还是复杂的 RAG 系统都需要通过精心设计的模板来引导模型输出我们想要的结果。