内容参考于：图灵AI大模型全栈

提示词有字符串提示词和聊天提示词和样本提示词三种

字符串提示词就是单一纯文本格式，就是问一次就结束了

聊天提示词会带着上下文，有角色和内容区分

样本提示词（少量样板提示词）它让模型模仿示例格式、风格、规则回答新问题，大模型的回答是不确定的是未知的是不可控的，通过样本提示词可以限制大模型回答的结果，这样可以让大模型的回答比较可控

字符串提示词，一般用来文本生成场景

效果图：

# -------------------------- 1. 导入需要用到的工具包 --------------------------
# 导入LangChain对接OpenAI格式大模型的接口（火山方舟兼容这个接口）
from langchain_openai import ChatOpenAI
# 导入LangChain的提示词模板工具（用来固定提示词格式，方便替换变量）
from langchain_core.prompts import PromptTemplate
# 导入系统环境变量工具（用来读取电脑/项目里的配置信息）
import os
# 导入.env配置文件读取工具（专门读取存密钥、配置的.env文件）
from dotenv import load_dotenv

# -------------------------- 2. 加载配置文件 --------------------------
# 读取项目根目录下的.env文件，把里面的密钥、配置加载到系统中
load_dotenv()

# -------------------------- 3. 创建大模型连接实例 --------------------------
"""
ChatOpenAI：LangChain封装好的、对接大模型的核心类
作用：创建一个和火山方舟大模型对话的"客户端"
"""
model = ChatOpenAI(
    # 【入参1：api_key】必填 → 大模型的身份密钥（相当于登录密码）
    # os.getenv("huoshan")：从.env文件中读取变量名为huoshan的密钥（严格保留huoshan）
    api_key=os.getenv("huoshan"),
    # 【入参2：base_url】必填 → 火山方舟大模型的接口地址（固定不变）
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    # 【入参3：model_name】必填 → 要调用的模型名称（火山方舟的glm-4模型）
    model_name="glm-4-7-251222",
    # 【入参4：streaming】可选 → 是否开启流式输出
    # True：打字机效果，边思考边输出文字；False：一次性输出完整结果
    streaming=False,
    # 【入参5：timeout】可选 → 请求超时时间（单位：秒）
    # 60秒内模型没响应，就自动停止请求，避免卡死
    timeout=60
)

# -------------------------- 4. 创建提示词模板 --------------------------
"""
PromptTemplate：提示词模板工具
作用：把固定的提示词写成模板，只需要替换变量部分，不用每次写完整句子
"""
prompt = PromptTemplate(
    # 【入参：template】必填 → 提示词模板内容
    # {text}：变量占位符，后面会替换成我们要描述的文字
    template="您是一位专业的程序员。\n对于信息 {text} 进行简短描述"
)

# -------------------------- 5. 填充模板，生成最终提示词 --------------------------
# prompt.format()：给模板的占位符赋值，生成完整的提示词
# 【入参text】→ 要替换进模板的实际内容（这里是"大模型langchain"）
input_text = prompt.format(text="大模型langchain")

# -------------------------- 6. 调用大模型，获取回答 --------------------------
# model.invoke()：核心方法 → 把提示词发给模型，等待模型返回结果
# 入参：格式化后的完整提示词
output = model.invoke(input_text)
# 注释掉的代码：直接写完整提示词调用模型（和上面效果一样，只是没有用模板）
# output = model.invoke("您是一位专业的程序员。对于信息 langchain 进行简短描述")

# -------------------------- 7. 打印模型返回的结果 --------------------------
# output.content：模型返回的纯文字回答（去掉多余的格式信息）
print(output.content)

聊天提示词，一般用来沟通，有来有回的需要进行对话的场景

聊天提示词分模板和角色

聊天提示词模板：

效果图：

它里面有一个占位符的概念，就是用{xxx}这样写好之后，在调用format_messages函数拼接提示词的时候可以这样写，比如现在有一个提示词模板是 我爱{am}，然后调用format_messages时这样写format_messages(am="机王")，发给大模型的就会使 我爱机王 这样的提示词，它就是通过{xxx}来实现角色的

# 导入 LangChain 聊天专用提示模板（区分系统角色、用户消息）
from langchain_core.prompts.chat import ChatPromptTemplate
# 导入对接火山方舟大模型的接口
from langchain_openai import ChatOpenAI
# 读取环境变量（密钥）
import os
# 读取 .env 配置文件
from dotenv import load_dotenv

load_dotenv()

# ====================== 一、占位符 {xxx} 核心说明（小白必看） ======================
# {变量名} 叫【占位符】，作用：后面用 format_messages 给它赋值，实现灵活替换
# 变量名只能：英文、数字、下划线，不能中文、空格、特殊符号
# 所有 {xxx} 都要和 format_messages(变量名=值) 一一对应
# 如果问题是{text}需要写成{{text}}这样用两个大括号转义一下
# 写法1：系统词固定，用户消息用1个变量 {text}
template = "你是一个数学家，你可以计算任何算式"
human_template = "{text}"  # 单个占位符：{text}
# 【补充注释】{text}：通用用户输入占位符，接收用户的问题、需求、计算内容等核心信息

# 写法2：系统词+用户词 同时用多个占位符（示例，可替换上面）
# template = "你是翻译专家，擅长把 {in_lang} 翻译成 {out_lang}"
# 【补充注释】{in_lang}：输入语言占位符，指定要翻译的源语言；{out_lang}：输出语言占位符，指定翻译后的目标语言
# human_template = "翻译这句话：{content}"
# 【补充注释】{content}：待翻译的文本内容占位符，接收需要翻译的具体文字

# 写法3：变量放在句子任意位置（开头/中间/结尾/换行）
# human_template = "帮我分析：{text}，要求：{require}"
# 【补充注释】{text}：分析对象占位符，指定要分析的内容；{require}：需求要求占位符，指定分析的规则、格式、风格等

# 写法4：系统词里也能放占位符
# chat_prompt = ChatPromptTemplate.from_messages([
#     ("system", "你是{role}，擅长{skill}"),
#     【补充注释】{role}：模型角色占位符，自定义大模型的身份（如数学家、翻译官、程序员）
#     【补充注释】{skill}：模型能力占位符，自定义大模型擅长的技能（如计算、翻译、编程）
#     ("human", "{text}"),
#     【补充注释】{text}：用户问题占位符，接收用户的具体提问内容
# ])

# 组装聊天提示：system=角色设定，human=用户问题模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", template),
    ("human", human_template),
])

# 创建大模型连接实例
model = ChatOpenAI(
    api_key=os.getenv("huoshan"),  # 火山方舟密钥，固定huoshan
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    model_name="glm-4-7-251222",
    streaming=False,  # 是否流式输出：False一次性返回
    timeout=60  # 超时时间，单位秒
)

# ====================== 二、占位符传参规则 ======================
# format_messages(变量名="实际内容")
# 变量名必须和 {xxx} 里面名字完全一样！
# 1个变量：text="xxx"
# 多个变量：in_lang="中文", out_lang="英文", content="你好"
# 【补充注释】传参对应规则：
# {role} → format_messages(role="数学家")
# {skill} → format_messages(skill="快速计算")
# {require} → format_messages(require="只输出计算结果")
# {in_lang} → format_messages(in_lang="中文")
# {out_lang} → format_messages(out_lang="英文")
# {content} → format_messages(content="你好")
messages = chat_prompt.format_messages(
    text="我今年18岁，我的舅舅今年38岁，我的爷爷今年72岁，我和舅舅一共多少岁了？"
)

# 打印组装好的消息（调试用）
print(messages)

# 调用模型，传入组装好的消息
output = model.invoke(messages)

# 打印模型回答
print(output.content)

聊天提示词角色，它与聊天提示词模板一样，只是写法不一样

效果图：

它是通过from_template先确定角色，就是告诉大模型你是什么什么专家什么什么人，聊天提示词模板是直接用的from_messages来拼接的，没有使用from_template

# 导入LangChain聊天模板核心类（拆分式写法，更清晰）
# ChatPromptTemplate：总模板，负责把系统消息+用户消息组装在一起
# SystemMessagePromptTemplate：系统消息模板，给大模型设定身份、规则
# HumanMessagePromptTemplate：用户消息模板，存放用户的提问内容
from langchain_core.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
)
# 导入对接火山方舟大模型的接口
from langchain_openai import ChatOpenAI
# 读取系统环境变量，用于获取API密钥
import os
# 加载.env配置文件中的密钥信息
from dotenv import load_dotenv

# 加载.env文件中的配置（API密钥）
load_dotenv()

# ====================== 1. 构建系统消息模板 ======================
# 系统提示词：定义大模型的身份（翻译专家）和能力
# 【占位符说明】
# input_language：自定义变量名 → 源语言（要翻译的原始语言）
# output_language：自定义变量名 → 目标语言（翻译后的语言）
# 变量名可以自定义（比如in_lang/out_lang），用完整单词更易懂，这是行业通用写法
system_template = "你是一个翻译专家,擅长将 {input_language} 语言翻译成 {output_language}语言."
# 将字符串模板转换为【系统消息模板对象】，固定格式要求
system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)

# ====================== 2. 构建用户消息模板 ======================
# 用户提示词：用户需要翻译的具体内容
# 【占位符说明】
# text：自定义变量名 → 存放需要翻译的文本内容
human_template = "{text}"
# 将字符串模板转换为【用户消息模板对象】
human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)

# ====================== 3. 组装完整的聊天模板 ======================
# 把系统模板 + 用户模板 合并成一个完整的对话模板
prompt_template = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])

# ====================== 4. 填充变量，生成最终的对话消息 ======================
# format_prompt：给所有占位符赋值，替换变量
# 传参必须和模板中的占位符 名称完全一致！
# to_messages()：将填充后的模板转换成大模型能识别的消息格式
prompt = prompt_template.format_prompt(
    input_language="英文",  # 对应 {input_language} 源语言
    output_language="中文", # 对应 {output_language} 目标语言
    text="I love Large Language Model." # 对应 {text} 待翻译内容
).to_messages()

# 打印最终发送给大模型的完整消息
print("prompt:", prompt)

# ====================== 5. 创建大模型连接实例 ======================
model = ChatOpenAI(
    api_key=os.getenv("huoshan"),  # 从.env读取火山方舟API密钥，固定变量名
    base_url="https://ark.cn-beijing.volces.com/api/v3",  # 火山方舟接口地址（固定）
    model_name="glm-4-7-251222",  # 调用的大模型名称
    streaming=False,  # 关闭流式输出，一次性返回结果
    timeout=60  # 请求超时时间（秒）
)

# ====================== 6. 调用大模型，获取翻译结果 ======================
# 传入组装好的对话消息，获取模型返回结果
result = model.invoke(prompt)

# 打印模型返回的翻译内容
print("result:", result.content)

样本提示词（少量样板提示词）

效果图：传递的是2乘以5结果是10，然后大模型回答是乘法运算，这样就比较可控了

少量提示词给的模板不要太多，如果太多了大模型会抓不住重点，一般5个左右

# 创建提示模板，配置一个提示模板，将一个示例格式化为字符串
import os

from dotenv import load_dotenv
# 导入基础提示模板、少样本提示模板（核心：给大模型举例子用的）
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
import langchain_openai

# 加载.env文件中的API密钥
load_dotenv()

# ====================== 1. 定义参考示例（少样本学习核心） ======================
# 给大模型看的【参考例子】，让模型模仿这个格式回答问题
examples = [
    # 第一个示例：加法运算
    {"input": "2+2", "output": "4", "description": "加法运算"},
    # 第二个示例：减法运算
    {"input": "5-2", "output": "3", "description": "减法运算"},
]
# 定义【单个示例】的格式化字符串
# 占位符说明：
# {input} = 数学算式（必填）
# {output} = 算式结果（必填）
# {description} = 运算类型描述（必填）
prompt_template = "你是一个数学专家,算式： {input} 值： {output} 使用： {description} "

# 把字符串模板，转换成LangChain可识别的模板对象
prompt_sample = PromptTemplate.from_template(prompt_template)

# ====================== 2. 创建少样本提示模板 ======================
prompt = FewShotPromptTemplate(
    examples=examples,          # 传入我们定义的参考示例
    example_prompt=prompt_sample,# 每个示例按照这个模板格式化
    # suffix：后缀提示词，示例展示完后，最后告诉模型要做什么
    # 占位符：{input} 新的算式，{output} 新的结果
    suffix="""你是一个数学专家,请计算： {input} 值： {output} """,
    # 声明模板中用到的【所有占位符】，必须和模板里的名字完全一致
    input_variables=["input", "output"],
)

# 测试打印格式化后的提示词（可取消注释查看）
# print(prompt.format(input="2*5", output="10"))  # 你是一个数学专家,算式: 2*5  值:
# print(prompt_sample)
print('-' * 50)

# ====================== 3. 初始化大模型 ======================
llm = langchain_openai.ChatOpenAI(
    api_key=os.getenv("huoshan"),  # 严格保留：huoshan 不变
    base_url="https://ark.cn-beijing.volces.com/api/v3",
    model_name="deepseek-v3-2-251201",
    streaming=False,
    timeout=60
)

# ====================== 4. 调用模型 ======================
# 给少样本模板传入新的参数，生成完整提示词，发送给模型
result = llm.invoke(prompt.format(input="2*5", output="10"))
# 模型会模仿示例，输出：乘法运算
print(result.content)

img

# 人工智能 # 机器学习
Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

Claude Code 通信机制逆向分析

使用 Proxyman 抓包工具对 Claude Code 的 API 通信进行完整逆向分析，浅谈 AI Agent 的工作机制。

avatar AI编程社区
cover

Codex又又又更新了！这次似乎不需要Xcode了？Codex更新、Codex遥控器、Codex手机版、iOS Builder、Xcode替代方案、AI编程工具、Codex客户端下载、Mac远程控制、

avatar AI编程社区
cover

告别拖拽做工作流：两个Skill让Dify应用全流程自动化

avatar AI编程社区