当前位置： 首页 > news >正文

Langchain学习——PromptTemplate

news 2025/7/26 9:37:35

LangChain

详细测试样例和源码，可访问github

PromptTemplate - 基础字符串模板

💡 概念定义

PromptTemplate 是LangChain中最基础的提示模板类，用于创建具有变量占位符的字符串模板。它支持动态变量替换，是构建AI应用提示的核心组件。

官方文档: How to use prompts

🔧 核心方法

创建方法
from langchain_core.prompts import PromptTemplate# 方法1：使用from_template（推荐）
prompt = PromptTemplate.from_template("Tell me a {adjective} joke about {topic}")# 方法2：使用构造函数
prompt = PromptTemplate(input_variables=["adjective", "topic"],template="Tell me a {adjective} joke about {topic}"
)

输入:

  • template (str): 包含变量占位符的模板字符串，使用{variable_name}格式
  • input_variables (List[str], 可选): 显式指定输入变量列表，from_template会自动识别

输出: PromptTemplate实例

原理: 使用Python字符串格式化语法，自动识别模板中的变量占位符并创建输入变量列表

格式化方法
# 方法1：format方法
formatted_string = prompt.format(adjective="funny", topic="programming")# 方法2：invoke方法（兼容LCEL）
formatted_string = prompt.invoke({"adjective": "funny", "topic": "programming"}).text

输入: 键值对字典，键为变量名，值为替换内容
输出: 格式化后的字符串
原理: 使用Python字符串格式化将变量占位符替换为实际值

📝 使用示例

from langchain_core.prompts import PromptTemplate# 创建邮件模板
email_template = PromptTemplate.from_template("写一封{tone}的邮件给{recipient}，主题是{subject}。内容包括：{content}"
)# 格式化邮件
email = email_template.format(tone="正式",recipient="客户",subject="产品更新通知",content="我们的新功能已经上线"
)print(email)
# 输出: 写一封正式的邮件给客户，主题是产品更新通知。内容包括：我们的新功能已经上线

ChatPromptTemplate - 对话消息模板

💡 概念定义

ChatPromptTemplate 专门用于构建对话式AI的提示模板，支持多种消息类型（系统、用户、AI消息），是构建聊天机器人和对话应用的核心组件。

官方文档: How to use chat models

🔧 核心方法

创建方法
from langchain_core.prompts import ChatPromptTemplate# 方法1：使用元组格式
chat_prompt = ChatPromptTemplate.from_messages([("system", "You are a helpful assistant specialized in {domain}"),("user", "Please help me with: {request}"),("assistant", "I'll help you with {request}. Let me think about this..."),("user", "{follow_up}")
])# 方法2：使用消息模板对象
from langchain_core.prompts import SystemMessagePromptTemplate, HumanMessagePromptTemplatesystem_template = SystemMessagePromptTemplate.from_template("You are a {role} with expertise in {domain}"
)
human_template = HumanMessagePromptTemplate.from_template("Help me with: {task}")chat_prompt = ChatPromptTemplate.from_messages([system_template, human_template])

输入:

  • 消息列表，每个消息可以是：
    • 元组格式: (role, content_template)
    • 消息模板对象: SystemMessagePromptTemplate, HumanMessagePromptTemplate, AIMessagePromptTemplate

输出: ChatPromptTemplate实例

原理: 将对话转换为结构化的消息序列，每个消息具有特定的角色和内容

格式化方法
# 生成消息列表
messages = chat_prompt.format_messages(domain="web development",request="optimize my React app",follow_up="What about performance monitoring?"
)# 消息类型: [SystemMessage, HumanMessage, AIMessage, HumanMessage]

输入: 变量字典
输出: 消息对象列表（SystemMessage, HumanMessage, AIMessage等）
原理: 将每个消息模板格式化为对应的消息对象

📝 使用示例

from langchain_core.prompts import ChatPromptTemplate# 创建智能客服模板
customer_service = ChatPromptTemplate.from_messages([("system", "你是专业的{company}客服代表，始终保持{tone}和耐心。"),("user", "用户问题：{user_question}"),("assistant", "我理解您的问题。让我为您查找相关信息..."),("user", "补充信息：{additional_info}")
])# 格式化对话
messages = customer_service.format_messages(company="科技公司",tone="友好专业",user_question="产品无法正常工作",additional_info="错误代码是404"
)for msg in messages:print(f"{type(msg).__name__}: {msg.content}")

MessagesPlaceholder - 消息占位符

💡 概念定义

MessagesPlaceholder 允许在对话模板中动态插入消息列表，常用于管理对话历史、上下文消息等场景。它是构建有状态对话应用的关键组件。

官方文档: How to add chat history

🔧 核心方法

创建方法
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder# 在模板中插入消息占位符
prompt = ChatPromptTemplate([("system", "You are a helpful assistant"),MessagesPlaceholder("conversation_history"),("user", "现在请回答: {question}")
])

输入:

  • variable_name (str): 占位符变量名
  • optional (bool, 可选): 是否为可选占位符

输出: MessagesPlaceholder实例

原理: 在模板渲染时将指定变量的消息列表插入到当前位置

使用方法
from langchain_core.messages import HumanMessage, AIMessage# 准备历史消息
history = [HumanMessage(content="你好"),AIMessage(content="您好！有什么可以帮助您的吗？"),HumanMessage(content="我想学习Python")
]# 格式化包含历史的对话
messages = prompt.format_messages(conversation_history=history,question="什么是列表推导式？"
)

输入:

  • conversation_history: 消息对象列表
  • 其他模板变量

输出: 完整的消息序列

原理: 将历史消息插入到指定位置，保持对话的连贯性

📝 使用示例

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage# 创建上下文感知的对话模板
context_chat = ChatPromptTemplate([("system", "你是一个有用的助手，能基于对话历史提供连贯的回答"),MessagesPlaceholder("conversation_history"),("user", "{new_question}")
])# 模拟对话历史
history = [HumanMessage(content="我正在学习机器学习"),AIMessage(content="太好了！机器学习是一个很有前景的领域。"),HumanMessage(content="我对神经网络特别感兴趣")
]# 生成包含历史的新对话
messages = context_chat.format_messages(conversation_history=history,new_question="能给我推荐一些神经网络的学习资源吗？"
)print(f"对话包含{len(messages)}条消息")
# 输出: 对话包含5条消息 (1系统 + 3历史 + 1新用户)

Jinja2PromptTemplate - 高级模板引擎

💡 概念定义

Jinja2模板引擎为LangChain提供了强大的模板功能，支持条件逻辑、循环、过滤器、宏等高级特性，适合构建复杂的动态提示。

官方文档: How to use custom prompt templates

🔧 核心功能

创建方法
from langchain_core.prompts import PromptTemplate# 指定使用Jinja2模板格式
prompt = PromptTemplate.from_template(template="Hello {{ name }}! Welcome to {{ place }}.",template_format="jinja2"
)

输入:

  • template: Jinja2格式的模板字符串
  • template_format="jinja2": 指定使用Jinja2引擎

输出: 支持Jinja2语法的PromptTemplate实例

条件逻辑
conditional_template = PromptTemplate.from_template("""
{%- if user.is_vip -%}
尊敬的VIP用户 {{ user.name }}，您享有专属服务！
{%- else -%}
您好 {{ user.name }}，欢迎使用我们的服务！
{%- endif -%}""",template_format="jinja2"
)

原理: 使用{%- if condition -%}...{%- endif -%}语法实现条件分支

循环功能
loop_template = PromptTemplate.from_template("""
任务清单：
{%- for task in tasks %}
{{ loop.index }}. {{ task.name }} - 优先级：{{ task.priority }}
{%- endfor %}""",template_format="jinja2"
)

原理: 使用{%- for item in items -%}...{%- endfor -%}语法实现循环，loop.index提供循环计数

过滤器应用
filter_template = PromptTemplate.from_template("""
- 姓名：{{ name | title }}
- 邮箱：{{ email | lower }}
- 分数：{{ score | round(2) }}
- 标签：{{ tags | join(", ") }}""",template_format="jinja2"
)

常用过滤器:

  • title: 首字母大写
  • lower: 转换为小写
  • round(n): 四舍五入到n位小数
  • join(sep): 用分隔符连接列表
  • default(value): 提供默认值
宏定义
macro_template = PromptTemplate.from_template("""
{%- macro render_skill(skill_name, level, description="") -%}
🔧 {{ skill_name }}等级：{{ "⭐" * level }}{{ "☆" * (5 - level) }} ({{ level }}/5){%- if description %}说明：{{ description }}{%- endif %}
{%- endmacro -%}{{ render_skill("Python", 4, "熟练掌握面向对象编程") }}
{{ render_skill("JavaScript", 3) }}""",template_format="jinja2"
)

原理: 宏是可重用的模板片段，类似于函数，可以接受参数并生成内容

📝 使用示例

from langchain_core.prompts import PromptTemplate# 创建复杂的报告模板
report_template = PromptTemplate.from_template("""
📊 {{ title }} 分析报告用户：{{ user.name | title }} ({{ user.role }})
评估日期：{{ date | default("今天") }}{% if sections -%}
详细评分：
{%- for section in sections %}{{ loop.index }}. {{ section.name }}得分：{{ section.score | default(0) }}/100{%- if section.score >= 80 %}状态：✅ 优秀{%- elif section.score >= 60 %}状态：⚠️ 良好{%- else %}状态：❌ 需改进{%- endif %}
{%- endfor %}总评：
- 平均分：{{ average_score }}
{%- if average_score >= 80 %}
- 总体评价：🌟 表现出色！
{%- elif average_score >= 60 %}
- 总体评价：👍 表现良好
{%- else %}
- 总体评价：💪 还需努力
{%- endif %}
{%- else %}
暂无评估数据。
{%- endif %}""",template_format="jinja2"
)# 使用数据格式化报告
data = {"title": "编程能力","user": {"name": "alice wang", "role": "高级开发工程师"},"date": "2025年1月15日","sections": [{"name": "代码质量", "score": 85},{"name": "算法思维", "score": 78},{"name": "团队协作", "score": 92}],"average_score": 85.0
}report = report_template.format(**data)
print(report)

ExampleSelectors - 智能示例选择

💡 概念定义

示例选择器(ExampleSelectors)是Few-Shot学习的核心组件，能够根据输入动态选择最相关的示例，提高提示的效果和效率。

官方文档: How to select examples

🛠️ 选择器类型

1. 自定义示例选择器
from langchain_core.example_selectors.base import BaseExampleSelector
from typing import Dict, Listclass CustomExampleSelector(BaseExampleSelector):"""基于输入长度选择最相似长度的示例"""def __init__(self, examples: List[Dict[str, str]]):self.examples = examplesdef add_example(self, example: Dict[str, str]) -> None:"""添加新示例"""self.examples.append(example)def select_examples(self, input_variables: Dict[str, str]) -> List[Dict[str, str]]:"""根据输入变量选择示例"""new_word = input_variables["input"]new_word_length = len(new_word)# 找到长度最接近的示例best_match = Nonesmallest_diff = float("inf")for example in self.examples:current_diff = abs(len(example["input"]) - new_word_length)if current_diff < smallest_diff:smallest_diff = current_diffbest_match = examplereturn [best_match] if best_match else []

原理: 继承BaseExampleSelector，实现select_examples方法定义选择逻辑

2. 长度基础选择器
from langchain_core.example_selectors import LengthBasedExampleSelector
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate# 创建示例
examples = [{"input": "happy", "output": "sad"},{"input": "tall", "output": "short"},{"input": "energetic", "output": "lethargic"},{"input": "sunny", "output": "gloomy"},
]# 示例格式模板
example_prompt = PromptTemplate(input_variables=["input", "output"],template="Input: {input}\nOutput: {output}",
)# 创建长度基础选择器
selector = LengthBasedExampleSelector(examples=examples,example_prompt=example_prompt,max_length=25  # token限制
)# 在Few-Shot模板中使用
dynamic_prompt = FewShotPromptTemplate(example_selector=selector,example_prompt=example_prompt,prefix="Give the antonym of every input",suffix="Input: {adjective}\nOutput:",
)

输入:

  • examples: 示例列表
  • example_prompt: 示例格式模板
  • max_length: 最大token长度限制

原理: 根据输入长度和当前示例的总长度动态调整示例数量，避免超出模型上下文限制

3. 语义相似度选择器
from langchain_core.example_selectors import SemanticSimilarityExampleSelector
from langchain_openai import OpenAIEmbeddings
from langchain_community.vectorstores import FAISS# 创建语义相似度选择器
selector = SemanticSimilarityExampleSelector.from_examples(examples=examples,embeddings=OpenAIEmbeddings(model="text-embedding-3-small"),vectorstore_cls=FAISS,k=2  # 选择最相似的2个示例
)# 使用选择器
selected = selector.select_examples({"input": "joyful"})

输入:

  • examples: 示例列表
  • embeddings: 嵌入模型实例
  • vectorstore_cls: 向量存储类
  • k: 返回的示例数量

原理: 使用嵌入模型计算输入与示例的语义相似度，选择最相关的示例

4. 最大边际相关性选择器
from langchain_core.example_selectors import MaxMarginalRelevanceExampleSelector# 创建MMR选择器
mmr_selector = MaxMarginalRelevanceExampleSelector.from_examples(examples=examples,embeddings=OpenAIEmbeddings(model="text-embedding-3-small"),vectorstore_cls=FAISS,k=2  # 平衡相关性和多样性
)

原理: 在保证相关性的同时考虑多样性，避免选择过于相似的示例

5. N-gram重叠选择器
from langchain_community.example_selectors import NGramOverlapExampleSelector# 创建N-gram重叠选择器
example_selector = NGramOverlapExampleSelector(examples=examples,example_prompt=example_prompt,threshold=-1.0,  # 阈值，低于此值的示例将被排除
)# 设置阈值排除低重叠示例
example_selector.threshold = 0.0

原理: 基于输入与示例之间的N-gram重叠度进行选择和排序

📝 综合使用示例

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_core.example_selectors import LengthBasedExampleSelector# 定义翻译任务示例
translation_examples = [{"chinese": "你好", "english": "hello"},{"chinese": "再见", "english": "goodbye"},{"chinese": "谢谢", "english": "thank you"},{"chinese": "对不起", "english": "sorry"},{"chinese": "早上好", "english": "good morning"},
]# 示例格式模板
example_prompt = PromptTemplate(input_variables=["chinese", "english"],template="中文: {chinese} -> 英文: {english}",
)# 创建动态选择器
selector = LengthBasedExampleSelector(examples=translation_examples,example_prompt=example_prompt,max_length=50
)# 创建Few-Shot模板
few_shot_prompt = FewShotPromptTemplate(example_selector=selector,example_prompt=example_prompt,prefix="将以下中文翻译为英文：",suffix="中文: {chinese} -> 英文:",input_variables=["chinese"],
)# 使用模板
result = few_shot_prompt.format(chinese="晚安")
print(result)

🔗 相关链接

  • LangChain官方文档: https://python.langchain.com/docs/
  • 提示模板指南: https://python.langchain.com/docs/how_to/prompts/
  • 对话模板: https://python.langchain.com/docs/how_to/chatbots/
  • 示例选择器: https://python.langchain.com/docs/how_to/example_selectors/
  • Few-Shot提示: https://python.langchain.com/docs/how_to/few_shot_examples/
  • Jinja2文档: https://jinja.palletsprojects.com/
http://www.xdnf.cn/news/1183555.html

相关文章：

  • 关于“PromptPilot”
  • 【大模型实战】提示工程（Prompt Engineering）
  • Tomcat线程池深度优化指南：高并发场景下的maxConnections计算与监控体系
  • 门店管理智能体，为连锁运营开出健康“处方” 智睿视界
  • DeepSeek FlashMLA 技术拆解，AI 推理迎来颠覆性突破
  • [linux]Haproxy七层代理
  • [实战] 用1 PPS 驯服本地恒温晶振（OCXO/TCXO）
  • Kubernetes深度解析：企业级容器编排平台的核心实践
  • Android 10.0 sts CtsSecurityBulletinHostTestCases的相关异常分析
  • 力扣 hot100 Day55
  • JAVA知识点（六）：性能调优与线上问题排查
  • 多场景通用车辆计数算法助力暑期交通管理
  • [LeetCode]每日温度
  • Photon v0.3.0 基于Aria2免费开源轻量级多线程不限速下载器
  • Linux 桌面市场份额突破 5%：开源生态的里程碑与未来启示
  • 云原生介绍
  • Qt 状态机框架：复杂交互逻辑的处理
  • 滚动提示组件
  • JavaScript 数组的 every() 和 some() 方法使用
  • Microsoft-DNN NTLM暴露漏洞复现（CVE-2025-52488）
  • JAVA知识点（三）：Spring与ORM框架
  • Linux下使用VSCode配置GCC环境与调试指南
  • 深入探索嵌入式仿真教学：以酒精测试仪实验为例的高效学习实践
  • 验证 GitHub Pages 的自定义域（Windows）
  • 《Uniapp-Vue 3-TS 实战开发》自定义年月日时分秒picker组件
  • SaaS型小程序自动化发布解决方案
  • VoWiFi技术深度解析：架构、流程与演进
  • 深入解析HBase如何保证强一致性：WAL日志与MVCC机制
  • 如何在 Ubuntu 24.04 或 22.04 上安装和使用 GDebi
  • 《剑指offer》-数据结构篇-链表