大模型速通学习笔记（33）

本集聚焦 LangChain 提示词模板的进阶应用，核心解决 “多角色对话适配、少样本精准引导、动态场景响应” 三大复杂需求，通过高阶模板类型与组件联动，让提示词从 “静态填空题” 升级为 “智能工作流引擎”，适配多轮对话、意图识别、个性化交互等复杂场景。

weixin_44673517

426人浏览 · 2025-11-20 10:24:04

weixin_44673517 · 2025-11-20 10:24:04 发布

LangChain 提示词模板进阶：动态场景与复杂交互实战指南

一、核心主题定位

二、进阶模板核心价值

多角色精细化管理：明确区分系统、用户、AI 角色，适配聊天模型的原生交互格式，提升对话逻辑连贯性。
少样本精准引导：通过动态示例注入，让模型快速理解任务模式，大幅提升分类、问答等任务的准确性。
动态场景自适应：支持根据输入参数、对话历史、任务类型切换模板结构，实现 “千人千面” 的个性化输出。
组件联动深度整合：与 Memory、Chain、向量存储无缝对接，打通 “模板生成→模型调用→结果解析” 的完整闭环。

三、核心进阶模板类型与实操

1. ChatPromptTemplate：多角色对话专属模板

核心场景：适配 Chat 模型（如 GPT-4o、Qwen-Chat）的多轮对话，支持系统指令、用户输入、历史对话的结构化组合。
关键特性：
- 角色标准化：仅支持system/human/ai/assistant四种角色，确保模型可识别。
- 历史动态插入：通过MessagesPlaceholder占位符自动注入对话历史，无需手动拼接。

代码示例（多轮对话场景）：

python

运行

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory

# 1. 定义多角色模板（含历史对话占位符）
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是专业的技术顾问，回答简洁明了，仅围绕技术问题展开"),
    MessagesPlaceholder(variable_name="history"),  # 对话历史占位符
    ("human", "{query}")  # 用户当前查询
])

# 2. 配置记忆模块与模型
memory = ConversationBufferMemory(return_messages=True)
llm = ChatOpenAI(model_name="gpt-4o", temperature=0.3)

# 3. 构建对话链
conversation_chain = chat_template | llm

调用流程：

python

运行

# 首次对话
memory.save_context({"input": "什么是LangChain的Runnable特性？"}, {"output": ""})
result = conversation_chain.invoke({
    "history": memory.load_memory_variables({})["history"],
    "query": "什么是LangChain的Runnable特性？"
})
print(result.content)

# 多轮对话（自动携带历史）
memory.save_context({"input": "什么是LangChain的Runnable特性？"}, {"output": result.content})
next_result = conversation_chain.invoke({
    "history": memory.load_memory_variables({})["history"],
    "query": "它能解决什么问题？"
})

2. FewShotPromptTemplate：少样本引导模板

核心场景：分类、意图识别、格式约束等需要模型快速理解任务模式的场景，通过示例注入提升准确性。
两种实用模式：
- 固定示例模式：手动指定一组示例，适用于任务模式固定的场景。
- 动态示例模式：通过ExampleSelector根据输入语义动态选择最相关示例，避免冗余。

代码示例（动态示例选择）：

python

运行

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.embeddings import BGEEmbeddings
from langchain_community.vectorstores import Chroma

# 1. 定义基础示例集
examples = [
    {"question": "如何优化RAG检索精度？", "answer": "启用混合检索（向量+BM25）+ 分块优化"},
    {"question": "如何降低LLM调用成本？", "answer": "使用缓存+轻量化模型+批处理"},
    {"question": "如何解决对话历史过长？", "answer": "使用ConversationSummaryMemory压缩历史"}
]

# 2. 定义示例格式化模板
example_prompt = PromptTemplate.from_template(
    "问题：{question}\n答案：{answer}"
)

# 3. 配置动态示例选择器（语义相似度匹配）
example_selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    BGEEmbeddings(model_name="BAAI/bge-small-zh-v1.5"),  # 中文Embedding模型
    Chroma,  # 向量存储
    k=1  # 每次选择1个最相似示例
)

# 4. 创建FewShot模板
few_shot_template = FewShotPromptTemplate(
    example_selector=example_selector,
    example_prompt=example_prompt,
    prefix="请参考以下示例格式，简洁回答问题：",
    suffix="问题：{query}\n答案：",
    input_variables=["query"]
)

# 调用示例
print(few_shot_template.format(query="如何优化RAG的响应速度？"))

3. 条件分支模板：动态场景自适应

核心场景：根据输入参数（如用户类型、任务类型）切换模板结构，实现个性化适配。
实现方式：通过自定义模板类或ConditionalPromptTemplate，根据条件动态选择模板逻辑。

代码示例（按用户类型适配）：

python

运行

from langchain_core.prompts import PromptTemplate

class ConditionalTaskPrompt:
    def __init__(self):
        # 定义不同场景的模板
        self.expert_template = PromptTemplate.from_template(
            "作为技术专家，请深入解析：{question}\n要求：包含原理、实操步骤、注意事项"
        )
        self.basic_template = PromptTemplate.from_template(
            "用通俗语言解释：{question}\n要求：不超过3句话，避免专业术语"
        )

    def format(self, user_type: str, **kwargs):
        # 根据用户类型动态切换模板
        if user_type == "expert":
            return self.expert_template.format(**kwargs)
        elif user_type == "basic":
            return self.basic_template.format(** kwargs)
        else:
            raise ValueError("仅支持expert（专家）和basic（普通用户）类型")

# 调用示例
conditional_prompt = ConditionalTaskPrompt()
# 专家用户提问
expert_prompt = conditional_prompt.format(
    user_type="expert",
    question="RAG系统中Embedding模型的选型逻辑"
)
# 普通用户提问
basic_prompt = conditional_prompt.format(
    user_type="basic",
    question="RAG系统中Embedding模型的选型逻辑"
)

四、进阶模板联动核心场景

1. 模板 + Memory：多轮对话上下文管理

核心逻辑：通过MessagesPlaceholder与ConversationBufferMemory/ConversationSummaryMemory联动，自动注入历史对话。
优势：避免手动拼接历史字符串，支持历史压缩（长对话场景），提升模板复用性。

2. 模板 + 向量存储：动态示例检索

核心逻辑：FewShotPromptTemplate结合VectorStoreRetrieverMemory，将示例存储在向量库中，根据输入语义检索相关示例。
适用场景：示例集庞大时，避免模板冗余，提升示例与输入的相关性。

3. 模板 + Chain + 解析器：完整工作流

核心逻辑：模板生成结构化提示词 → 模型生成结果 → 输出解析器格式化结果，形成闭环。

代码示例：

python

运行

from langchain_core.output_parsers import CommaSeparatedListOutputParser
from langchain.chains import LLMChain

# 1. 定义带格式约束的模板
template = "列出3个{topic}的核心优势，用逗号分隔："
prompt_template = PromptTemplate.from_template(template)

# 2. 配置输出解析器（解析为列表）
output_parser = CommaSeparatedListOutputParser()

# 3. 构建完整链
chain = LLMChain(
    llm=llm,
    prompt=prompt_template,
    output_parser=output_parser
)

# 调用结果直接为列表格式，无需手动解析
result = chain.invoke({"topic": "LangChain提示词模板"})
print(result)  # 输出：["多角色适配", "动态示例注入", "组件联动"]

五、进阶使用避坑指南

1. 常见错误与解决方案

角色名错误：ChatPromptTemplate 的角色仅支持system/human/ai/assistant，自定义角色名（如 “boss”）会导致模型无法识别，需统一使用标准角色。
参数重复赋值：使用PromptTemplate.from_template()时，模板变量会自动解析为input_variables，无需手动指定，否则会引发TypeError。
变量不匹配：模板中的变量名需与invoke传入的参数键完全一致，遗漏变量会触发ValidationError，建议开启模板校验（默认开启）。
历史对话过载：多轮对话中历史信息过长会导致 Token 溢出，需改用ConversationSummaryMemory压缩历史，或限制历史存储长度。