目录

一、先搞懂：为什么手写Prompt不够用？

二、核心模板类型：3种用法覆盖所有开发场景

2.1 基础款：String PromptTemplate（文本生成首选）

2.2 常用款：ChatPromptTemplate（对话场景必备）

2.3 进阶款：MessagesPlaceholder（多轮对话神器）

三、实战落地：搭建一个可复用的多轮翻译助手

四、进阶技巧：让提示词模板更高效、更规范

4.1 模板优化：变量命名规范+系统提示精准化

4.2 模板复用：用LangChain Hub共享高质量模板

4.3 避坑指南：常见错误及解决方案

五、总结：提示词模板是LLM工程化的第一步

---

对于LLM应用开发者而言，“写Prompt”是日常工作中最基础也最耗时的环节。新手常陷入“反复调试提示词却达不到预期”的困境，老手则要面对“多场景复用提示词、维护成本高”的难题。而LangChain的提示词模板（Prompt Template），正是为解决这些痛点而生——它让提示词从“零散手写”升级为“结构化复用”，帮我们快速搭建规范、高效、可维护的LLM应用。

不同于单纯的“字符串拼接”，LangChain提示词模板更像一套“提示词工程化工具”，无论是简单的文本生成，还是复杂的多轮对话、智能体开发，都能找到对应的解决方案。本文将从“痛点切入→基础用法→进阶实战→优化技巧”，带你重新认识提示词模板，真正把它用在实际开发中。

---

一、先搞懂：为什么手写Prompt不够用？

在接触LangChain模板之前，很多人习惯用字符串格式化的方式写提示词，比如：

# 手写提示词的常见方式
text = "LangChain提示词模板很实用"
language = "英文"
prompt = f"请将这句话翻译成{language}：{text}"

这种方式在简单场景下可行，但一旦进入实际开发，就会暴露3个致命问题：

• 无标准化：不同场景、不同开发者写的提示词风格不一，导致LLM输出不稳定，比如同样是翻译，有的返回带解释，有的只返回结果。

• 无复用性：同一个提示词结构，需要在代码中多次重复编写，后续修改时，要逐个找到对应位置修改，极易出错。

• 无扩展性：无法轻松集成系统提示、历史对话、工具调用等复杂逻辑，难以支撑多轮对话、智能体等高级应用。

而LangChain提示词模板，本质是“预定义结构+动态变量”的组合，既能解决上述问题，还能让提示词开发更具工程化思维——一次定义，多处复用，全局可控。

二、核心模板类型：3种用法覆盖所有开发场景

LangChain提供的提示词模板，核心分为3类，无需死记硬背，根据场景选择即可，每类都搭配可直接运行的代码示例，新手也能快速上手。

2.1 基础款：String PromptTemplate（文本生成首选）

这是最基础、最通用的模板类型，适用于所有纯文本生成场景，比如翻译、摘要、文案生成、简单问答等。它的核心是“定义固定文本结构，预留变量占位符”，通过invoke()方法填充变量，生成最终提示词。

from langchain_core.prompts import PromptTemplate

# 1. 定义模板（占位符用{}包裹，清晰明了）
template = PromptTemplate(
    input_variables=["topic", "length"],  # 明确指定变量，避免遗漏
    template="请围绕{topic}写一篇{length}字的短文，语言通俗易懂，重点突出核心价值，不冗余。"
)

# 2. 填充变量，生成提示词
prompt = template.invoke({
    "topic": "LangChain提示词模板",
    "length": 200
})

# 3. 查看最终提示词（可直接发送给LLM）
print(prompt.text)

运行结果：请围绕LangChain提示词模板写一篇200字的短文，语言通俗易懂，重点突出核心价值，不冗余。

使用技巧：可以通过from_template()方法简化定义，无需手动指定input_variables，模板会自动识别占位符，适合快速开发。

2.2 常用款：ChatPromptTemplate（对话场景必备）

如果你的应用是对话式场景（比如智能助手、客服、多轮聊天），一定要用ChatPromptTemplate。它专门为聊天模型设计，支持系统提示（System Message）、用户消息（Human Message）、AI消息（AI Message）的结构化组合，完美契合ChatGPT、通义千问等聊天模型的交互逻辑。

from langchain_core.prompts import ChatPromptTemplate

# 1. 定义聊天模板（按“角色: 内容”的格式配置）
chat_template = ChatPromptTemplate([
    ("system", "你是专业的职场助手，说话简洁干练，只提供实用建议，不冗余。"),  # 系统提示，定义角色
    ("human", "我是刚入职的Python开发，想快速学会{skill}，请给我3个核心学习步骤。"),  # 用户消息，带变量
    ("ai", "好的，核心学习步骤如下："),  # AI消息，引导输出格式（可选）
])

# 2. 填充变量，生成聊天消息列表
messages = chat_template.invoke({
    "skill": "LangChain提示词模板"
})

# 3. 查看结构化消息（可直接传入聊天模型）
print(messages.to_messages())

核心优势：无需手动拼接对话格式，模板会自动生成符合聊天模型要求的消息结构，后续扩展多轮对话时，只需补充消息即可。

2.3 进阶款：MessagesPlaceholder（多轮对话神器）

在多轮对话场景中，我们需要动态保存历史对话记录，并将其传入提示词，这时候MessagesPlaceholder就派上用场了。它可以在模板中预留一个“消息占位符”，用于动态插入历史对话列表，让LLM记住上下文。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

# 1. 定义带历史占位符的模板
prompt = ChatPromptTemplate([
    ("system", "你是友好的聊天助手，能记住上下文，根据历史对话回复用户。"),
    MessagesPlaceholder("history"),  # 历史对话占位符，名称可自定义
    ("user", "{question}")  # 当前用户问题
])

# 2. 准备历史对话记录（模拟多轮交互）
history = [
    HumanMessage(content="什么是LangChain提示词模板？"),
    AIMessage(content="它是LangChain中用于定义可复用提示词结构的工具，能简化Prompt开发。")
]

# 3. 填充历史对话和当前问题
formatted_prompt = prompt.invoke({
    "history": history,
    "question": "它和手写Prompt相比，优势在哪？"
})

# 查看最终提示词（包含历史对话）
print(formatted_prompt.to_messages())

适用场景：带记忆的智能助手、多轮问答、对话式智能体，是实现“上下文感知”的关键工具。

---

三、实战落地：搭建一个可复用的多轮翻译助手

光懂理论不够，我们结合上面的模板，搭建一个完整的多轮翻译助手——支持动态切换目标语言、记住历史翻译记录，可直接复用在实际项目中。

from langchain_openai import ChatOpenAI 
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder 
from langchain_core.output_parsers import StrOutputParser from langchain_core.messages import HumanMessage, AIMessage 
# 1. 初始化模型（可替换为其他聊天模型） 
model = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.1) 
# 2. 定义多轮翻译模板 
prompt = ChatPromptTemplate([ ("system", "你是专业翻译助手，严格按照用户指定的{target_lang}翻译，不添加额外解释，保持原意。"), MessagesPlaceholder("history"), 
# 历史翻译记录 
("user", "请翻译：{content}") # 当前翻译内容 ]) 
# 3. 定义输出解析器（将LLM输出转为纯文本） 
parser = StrOutputParser() 
# 4. 拼接应用链（模板→模型→解析器） 
translation_chain = prompt | model | parser 
# 5. 模拟多轮交互 
history = [] while True: content = input("请输入要翻译的内容（输入quit退出）：") 
if content == "quit": break target_lang = input("请输入目标语言（如：英文、日语、法语）：") 
# 调用应用链，传入历史、当前内容和目标语言 
result = translation_chain.invoke({ "history": history, "content": content, "target_lang": target_lang }) 
# 打印结果，并更新历史对话 
print(f"翻译结果：{result}") history.append(HumanMessage(content=content)) history.append(AIMessage(content=result))

实战亮点：这个应用链完全可复用，后续只需修改系统提示，就能扩展为“带记忆的客服助手”“多轮问答工具”，体现了模板的工程化价值——修改一处，全局生效。

四、进阶技巧：让提示词模板更高效、更规范

掌握基础用法后，这3个进阶技巧能帮你进一步提升开发效率，避免踩坑，让模板更符合工程化规范。

4.1 模板优化：变量命名规范+系统提示精准化

- 变量命名：采用“语义化命名”，比如用target_lang代替lang，用user_content代替content，避免后续维护时混淆。

- 系统提示：尽量具体，明确LLM的角色、输出格式、禁忌，比如“只输出翻译结果，不添加解释”“语言简洁，不超过50字”，减少LLM输出不符合预期的情况。

4.2 模板复用：用LangChain Hub共享高质量模板

LangChain Hub是专门的提示词模板共享平台，类似GitHub，上面有大量开发者分享的高质量模板（比如提示词优化器、代码生成模板、客服模板），我们可以直接拉取使用，无需从零编写。

from langsmith import Client 
# 初始化LangSmith客户端（需先配置API密钥） 
client = Client() 
# 拉取Hub上的提示词模板（示例：提示词优化模板） 
optimize_prompt = client.pull_prompt("hardkothari/prompt-maker") 
# 直接调用模板，优化自己的粗糙提示词 
result = optimize_prompt.invoke({ "task": "翻译", "lazy_prompt": "把这句话翻译成英文" }) print(result.text)

4.3 避坑指南：常见错误及解决方案

• 错误1：占位符与变量不匹配（比如模板中有{topic}，invoke时未传入）→ 解决方案：用input_variables明确指定变量，或用from_template()自动识别。

• 错误2：ChatPromptTemplate中角色格式错误（比如漏写“system”“human”）→ 解决方案：严格按照“(角色, 内容)”的格式配置，角色只能是system、human、ai。

• 错误3：MessagesPlaceholder传入非消息列表→ 解决方案：确保传入的是HumanMessage、AIMessage组成的列表。

---

五、总结：提示词模板是LLM工程化的第一步

LangChain提示词模板，看似简单，实则是LLM应用从“Demo级”走向“生产级”的关键。它不仅解决了手写Prompt的低效、混乱问题，更让提示词的复用、维护、扩展变得简单。

核心要点回顾：

• String PromptTemplate：适用于纯文本生成，简单高效。

• ChatPromptTemplate：对话场景必备，支持结构化消息。

• MessagesPlaceholder：多轮对话神器，实现上下文记忆。

• LangChain Hub：共享高质量模板，提升开发效率。

掌握这些内容，你就能告别“反复调试Prompt”的内耗，把更多精力放在应用逻辑的设计上。如果需要进一步落地，后续还可以结合LangChain的链（Chain）、记忆（Memory）、工具（Tools），搭建更强大的LLM应用。