1. 为什么需要 Prompt Template？

📌 说明：虽然现代 LLM 应用中直接字符串拼接较少见，但在简单脚本或临时实验中仍可能使用。关键在于根据场景权衡开发效率与长期可维护性。

2. 三类模板对比

📌 注意：是否“支持角色”指的是模板本身是否能区分消息发送者身份。PromptTemplate 生成纯文本，无法表达角色语义；而 ChatPromptTemplate 生成的消息列表可被聊天模型正确解析。

3. 三类模板代码示例

3.1 PromptTemplate

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate
from langchain_ollama import OllamaLLM

prompt_template = PromptTemplate.from_template(
    "我的邻居是一个{profession}，他每天都在{activity}。我觉得他很{adjective}。你分析一下我了解他的那些信息。"
)

model = Tongyi(
    model="qwen3-max-preview"
)

# model = OllamaLLM(
#     model="qwen3:4b",
# )

chain = prompt_template | model
for chunk in chain.stream({"profession": "医生", "activity": "看病", "adjective": "友好"}):
    print(chunk, end="", flush=True)

建议：

• 优先使用 from_template()，自动推导变量，减少出错。
• 模板尽量使用多行字符串（"""..."""），提升可读性。
• 可在末尾添加输出格式约束（如“请以 JSON 格式返回…”），但需注意：仅靠自然语言指令无法保证格式稳定性。
• 若需强结构化输出，应配合 PydanticOutputParser 或模型的 with_structured_output()（后者要求模型支持函数调用或 JSON 模式）。

3.2 FewShotPromptTemplate

from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_ollama import OllamaLLM

example_template = PromptTemplate.from_template("单词:{word},反义词:{antonym}")
example_data = [
    {"word": "高兴", "antonym": "难过"},
    {"word": "大", "antonym": "小"},
    {"word": "快", "antonym": "慢"},
]

few_shot_prompt = FewShotPromptTemplate(
    example_prompt=example_template,                # 示例数据模版
    examples=example_data,                          # 示例数据
    prefix="给出给定词的反义词,有如下示例",               # 提示词前缀
    suffix="基于实例告诉我,{input_word}的反义词是什么?",  # 提示词后缀
    input_variables=["input_word"]                  # 声明前缀或后缀中所需要注入的变量名
)

# 生成提示词
prompt = few_shot_prompt.invoke(input={"input_word": "高"}).to_string()
# print(prompt)

# 交给大模型并输出
model = Tongyi(
    model="qwen3-max-preview"
)

# model = OllamaLLM(
#     model="qwen3:4b"
# )

for chunk in model.stream(prompt):
    print(chunk, end="", flush=True)

实践建议：

• 示例质量远比数量重要，3–5 个高质量、代表性强的示例通常优于大量噪声示例。
• 语义相似度选择器在 RAG 或问答场景中效果显著，但需额外基础设施支持。
• 避免示例与当前问题领域不匹配，否则可能引入干扰。

3.3 ChatPromptTemplate

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_ollama import ChatOllama

# 示例：定义一个更完整的 ChatPromptTemplate
chat_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的 AI 编程助手，请用中文回答问题。"),
        MessagesPlaceholder(variable_name="history"),  # 用于存放多轮对话历史
        ("human", "{user_input}"),  # 用户最新输入
    ]
)

# 使用示例
messages = chat_template.invoke(
    input={
        "history": [
            ("human", "你好,请介绍一下 Python。"),
            ("ai", "Python 是一种高级编程语言,以简洁易读著称。"),
        ],
        "user_input": "它有哪些常用数据结构?"
    }
).to_string()

# model = ChatTongyi(
#     model="qwen3-max-preview"
# )

model = ChatOllama(
    model="qwen3:4b"
)

for chunck in model.stream(messages):
    print(chunck.content, end="", flush=True)

4. 快速对照表 – 如何选择模板？

💡 总结：

• 不要因为“新”就盲目用 ChatPromptTemplate —— 如果你的模型只接受纯文本输入（如某些开源模型的 base 版本），PromptTemplate 仍是合理选择。
• 安全性不能依赖模板本身，需在应用层做输入过滤、输出校验、权限控制等。
• 提示工程是迭代过程，模板设计应配合评估指标（如准确率、幻觉率）持续优化。