核心概念

在 LangChain 中，Prompt Templates 和 Values 是用于高效、标准化地与语言模型（LLM）进行交互的核心组件。它们解决了直接拼接字符串带来的重复、混乱和难以维护的问题。

---

1. Prompt Templates（提示模板）

是什么？

提示模板是预定义好的、可复用的“提示词蓝图”。它不是一个简单的字符串，而是一个包含变量（占位符） 的结构化文本。你可以把它想象成一个填空题模板或者一个带有 {变量} 的字符串格式。

为什么需要它？

• 可复用性：写一次模板，可以在多个地方无限次使用。
• 一致性：确保发送给 LLM 的提示结构保持一致，这对于生产环境的可靠性和测试至关重要。
• 可维护性：如果需要修改提示词的逻辑或风格，只需修改模板一处即可，而不需要在整个代码库中查找和替换。
• 组织性：将提示词逻辑与应用程序代码分离，使代码更清晰。

如何工作？

一个模板通常由两部分组成：

1. 模板文本：包含指令、上下文、问题和格式要求的固定文本部分。
2. 输入变量：在文本中声明的、需要用实际值填充的占位符。

示例：
假设你有一个总结文章的功能，你可以创建一个模板：

from langchain.prompts import PromptTemplate

# 1. 创建一个模板
template = """
请总结以下文章的内容：

文章标题: {title}
文章正文: {content}

请用一句话进行总结：
"""

# 2. 实例化 PromptTemplate 对象，并指明它需要哪些变量
prompt = PromptTemplate(
    input_variables=["title", "content"],
    template=template,
)

在这个例子中，{title} 和 {content} 就是输入变量。

---

2. Prompt Values（提示值）

是什么？

提示值是提示模板在填充了实际变量后生成的最终结果。它是一个可以被发送给语言模型的具体字符串。

为什么需要它？

它是模板（蓝图）和模型（执行者）之间的桥梁。模板定义了“怎么做”，而提示值是“具体要做什么”。

如何工作？

你使用 .format() 方法，为模板中声明的所有输入变量提供具体的值，从而生成一个提示值。

示例（接上文）：

# 3. 使用实际数据填充模板，生成一个 Prompt Value
final_prompt = prompt.format(
    title="人工智能的未来",
    content="人工智能正在深刻改变世界...（这里是文章的实际内容）"
)

# 打印最终的提示值，看看它长什么样
print(final_prompt)

输出结果：

请总结以下文章的内容：

文章标题: 人工智能的未来
文章正文: 人工智能正在深刻改变世界...（这里是文章的实际内容）

请用一句话进行总结：

这个 final_prompt 变量所持有的字符串，就是一个 Prompt Value。现在你可以将它直接发送给 LLM。

---

在 Chain 中的工作流程

Prompt Templates 和 Values 最常与 Chains 结合使用，形成一个自动化的工作流：

1. 定义模板：预先创建好 PromptTemplate。
2. 创建链：将模板和 LLM 链接起来。LangChain 提供了 LLMChain 这个便捷的类来完成此事。
3. 运行链：只需提供输入变量，链会自动完成“格式化模板 -> 调用模型 -> 获取输出”的全过程。

示例：

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain
from langchain_openai import OpenAI # 或者来自其他供应商的LLM

# 1. 定义模板和PromptTemplate对象
template = "请给一家生产{product}的公司起一个好听的名字。"
prompt = PromptTemplate.from_template(template) # LangChain可以自动推断输入变量

# 2. 初始化模型
llm = OpenAI(model_name="gpt-3.5-turbo-instruct") # 示例使用OpenAI

# 3. 创建链，将模板和模型绑定在一起
chain = LLMChain(llm=llm, prompt=prompt)

# 4. 运行链！只需提供输入变量，链会处理剩下所有步骤。
# .run() 方法返回的是模型的输出（字符串），而不是Prompt Value。
result = chain.run(product("环保可降解的咖啡杯"))
print(result)
# 输出可能为： "绿源咖啡器具" 或 "大地之杯" 等

总结

概念	角色	比喻	关键方法
Prompt Template	蓝图/配方	一个蛋糕食谱，上面写着“加入 {水果} 和 {糖量}”	PromptTemplate(...)
Prompt Value	具体指令	按照食谱做成的具体指令：“加入 草莓 和 100克糖”	.format(...)
Chain	自动化流水线	一个机器人，你告诉它“水果=草莓，糖量=100g”，它就能自动执行食谱的每一步，最后把蛋糕（输出）给你。	.run(...)

通过使用 Prompt Templates，你实现了提示词的标准化和管理；通过生成 Prompt Values，你将抽象模板转化为具体指令；最后通过 Chains，你将整个与模型交互的过程自动化。

（注：文档部分内容可能由 AI 生成）