别再手写一坨坨的 Prompt 字符串了！LangChain 的模板功能让你的提示词优雅又好维护~

---

开篇碎碎念

你是否也曾写出过这种代码

prompt = f"请帮我为商品{name}写文案，它的卖点是{points}，目标用户是{user}，要求不超过{length}字，语气要{tone}..."
# 字符串越来越长，越来越难维护...😭

明明能用，但维护起来简直要命。改一个地方，满代码找半天。

别慌！LangChain 的 Prompt 模板来拯救你的代码洁癖了！

---

啥是 Prompt？

通俗点说，Prompt 就是你跟大模型说的话。

比如：

• "请用一句话介绍 LangChain。" —— 这是最简单的 Prompt
• "你是一名资深程序员，请用通俗易懂的语言解释什么是递归。" —— 这就复杂点了

Prompt 写得好，模型输出就像开了挂；Prompt 写得烂，输出能让你怀疑人生。

---

PromptTemplate：最简单的模板

想象一下，你有个模板：

请为商品 {商品名} 写一句广告语，突出卖点：{卖点}

每次只需要填空就行：

from langchain_core.prompts import PromptTemplate
创建模板
template = PromptTemplate.from_template(
"请为商品 {product_name} 写一句广告语，突出卖点：{selling_points}"
)
填空调用
prompt = template.invoke({
"product_name": "无线鼠标",
"selling_points": "静音、续航长、轻便"
})
print(prompt.text)

输出：

请为商品 无线鼠标 写一句广告语，突出卖点：静音、续航长、轻便

是不是像填空题一样简单？😄

---

ChatPromptTemplate：聊天模型的好搭档

现代大模型（GPT、Claude、通义千问等）都支持角色消息，这时候用 ChatPromptTemplate 更香：

from langchain_core.prompts import ChatPromptTemplate
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一名电商运营专家，回答要简洁有吸引力。"),
("human", "请为商品 {product_name} 写一段文案，卖点是：{selling_points}")
])
prompt = chat_template.invoke({
"product_name": "logi鼠标",
"selling_points": "静音、灵敏、无延迟"
})

PromptTemplate vs ChatPromptTemplate

模板类型	输出格式	角色支持	推荐指数
PromptTemplate	纯文本字符串	❌ 无	⭐⭐⭐
ChatPromptTemplate	消息列表	✅ system/human/ai	⭐⭐⭐⭐⭐

一句话总结：聊天模型用 ChatPromptTemplate 就对了！

---

Prompt 编写的"万能公式"

记住这个四件套，你的 Prompt 就不会太差：

1️⃣ 明确角色

你是一名资深电商运营专家。

让模型知道"自己是谁"，风格就稳了。

2️⃣ 明确任务

请根据商品信息生成详情页文案。

别让模型猜你想要啥，直接说清楚。

3️⃣ 明确约束

要求：
1. 不超过 150 字
2. 不夸大宣传
3. 适合年轻用户

规则越多，跑偏越少。

4️⃣ 明确输入

商品名称：{product_name}
商品卖点：{selling_points}
目标用户：{target_user}

变量清清楚楚，模型一看就懂。

---

 实战演练：三个拿来即用的案例

案例 1：商品文案生成器

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
load_dotenv()
model = init_chat_model(
model="deepseek-chat",
model_provider="openai",
base_url=os.getenv("DEEPSEEK_BASE_URL"),
api_key=os.getenv("DEEPSEEK_API_KEY"),
temperature=0.5
)
prompt_str = """
请根据以下信息生成商品详情页文案：
商品名称：{product_name}
商品卖点：{selling_points}
目标用户：{target_user}
要求：
不超过 150 字
突出用户利益
不虚假夸张
"""
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是电商运营专家，擅长写自然有吸引力的商品文案"),
("human", prompt_str)
])
prompt = chat_prompt.invoke({
"product_name": "无线静音鼠标",
"selling_points": "静音按键、蓝牙连接、续航30天",
"target_user": "办公室和图书馆用户"
})
response = model.invoke(prompt)
print(response.content)

一句话点评：角色 + 输入 + 约束 = 稳定输出 ✅

---

案例 2：学习计划生成器

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一名编程老师，擅长制定可执行的学习计划。"),
    ("human", """
请为我制定学习计划：
学习主题：{topic}
学习时长：{days} 天
每天学习：{hours_per_day} 小时
当前基础：{level}
要求：
按天列出学习内容
每天给出练习任务
内容适合当前基础
""")
])
prompt = prompt_template.invoke({
"topic": "LangChain 入门",
"days": 5,
"hours_per_day": 2,
"level": "会 Python 基础"
})

小贴士：变量可以是数字哦~ 不一定是字符串！

---

案例 3：客服回复生成器

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是电商客服，回复礼貌明确，不推卸责任。"),
    ("human", """
请根据以下信息生成客服回复：
用户问题：{user_question}
订单状态：{order_status}
物流信息：{shipping_info}
要求：
先安抚用户
再说明情况
最后给建议
不超过 120 字
""")
])
prompt = prompt_template.invoke({
"user_question": "我的快递三天没更新了，是不是丢了？",
"order_status": "已发货",
"shipping_info": "包裹已到上海转运中心"
})

业务价值：用户问题 → 数据库 → 第三方接口 → Prompt → 秒回用户！

---

进阶玩法：MessagesPlaceholder

当你需要插入聊天历史时，用 MessagesPlaceholder：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有用的助手。"),
MessagesPlaceholder("history"),  # 这里插入历史消息
("human", "{question}"),
])
调用时传入历史
prompt_value = prompt.invoke({
"history": [
("human", "我叫小明"),
("ai", "你好小明！"),
],
"question": "我叫什么名字？",
})

参数说明

参数	作用
optional=True	允许不传 history，不报错
n_messages=4	只保留最近 4 条消息，防止 token 爆表

简写形式：

("placeholder", "{history}")  # 等价于 MessagesPlaceholder("history", optional=True)

 封装技巧：告别重复代码

每个案例都写一遍模型初始化？太累了！

创建 model_factory.py：

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
def get_deepseek_model(temperature: float = 0.7):
load_dotenv()
return init_chat_model(
model="deepseek-chat",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
temperature=temperature,
)

以后一行搞定：

from model_factory import get_deepseek_model
model = get_deepseek_model(temperature=0.5)

常见问题快问快答

Q：Prompt 越长越好吗？

A：不是！ 要求太多反而会让模型顾此失彼，保持清晰就够了。

Q：为什么模型没完全按要求输出？

A：大模型不是程序，不能百分百服从。 后续可以结合结构化输出做校验。

Q：PromptTemplate 和 ChatPromptTemplate 选哪个？

A：聊天模型优先用 ChatPromptTemplate！ 这是现代应用的标配。

 总结划重点

知识点	一句话总结
Prompt 本质	给模型的"任务说明书"
模板好处	变量分离，复用 easy
PromptTemplate	简单文本任务用
ChatPromptTemplate	聊天模型首选
MessagesPlaceholder	插入历史消息神器
编写公式	角色 + 任务 + 输入 + 约束

---

觉得有用的话，点个赞再走呗~ 你的鼓励是我持续输出的动力！ 🎉

有问题欢迎评论区唠两句，一起学习一起进步！