上一期咱们把 LangChain 的基础环境搭好，成功跑了一个示例。

今天继续深入，聊聊 LangChain 的核心模块之一：PromptTemplate（提示词模板）。

跟大模型聊天的时候，直接把原始输入丢过去通常不是个好主意。得先做点包装、组织、格式化的工作。这么做的目的——让意图更清晰，让模型能更好地理解你的意思。

这套结构化的玩法，就是 LangChain 里的提示词模板（PromptTemplate）。对于 LLM 应用来说，Prompt 写得好，项目就成功了一半。今天咱们就好好掰扯掰扯提示词模板怎么用、有哪些技巧。

一、提示词模板分类

LangChain 提供了好几种提示词模板。下面挑几个常用的来说：

• PromptTemplate：文本生成模型专用，用字符串拼接变量来生成提示词。简单粗暴，但也最基础。
• ChatPromptTemplate：聊天模型专用，比如 gpt-3.5-turbo、gpt-4 这些，支持多轮对话的消息结构。
• HumanMessagePromptTemplate：人类消息模板。
• SystemMessagePromptTemplate：系统消息模板。
• FewShotPromptTemplate：少样本示例模板，自动把多个示例拼到提示词里。比如：1+1=2，2+2=4，然后让模型算5+5等于多少。

二、提示词模板用法

2.1 PromptTemplate 文本提示词模板

PromptTemplate 是专门给文本生成模型用的，也是 LangChain 最基础的模板。它的思路很简单：定义一个带变量的字符串模板，调用 invoke 时把变量填进去，就得到最终的提示词。

看个例子就明白了：

from langchain_core.prompts import PromptTemplate prompt = PromptTemplate.from_template("你是一个专业的律师，请你回答我提出的法律问题，并给出法律条文依据，我的问题是：{question}") prompt_value = prompt.invoke({"question": "婚姻法是在哪一年颁布的？"}) print(prompt_value)

执行结果：

text='你是一个专业的律师，请你回答我提出的法律问题，并给出法律条文依据，我的问题是：婚姻法是在哪一年颁布的？'

2.2 ChatPromptTemplate 聊天消息提示词模板

ChatPromptTemplate 专门为聊天模型（如 gpt-3.5-turbo、gpt-4）设计，支持构造多轮对话的消息结构，每条消息可以指定角色（系统、用户、AI）。

下面这个例子，模板里包含两条消息：第一条是系统消息，不需要变量渲染；第二条是用户消息，需要把 question 变量填进去。

from langchain_core.prompts import ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误"), ("human", "请写一个Python程序，关于{question}") ]) print(chat_prompt.invoke({"question": "冒泡排序"}))

执行结果：

messages=[SystemMessage(content='你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题'), HumanMessage(content='请写一个Python程序，关于冒泡排序')]

2.3 Prompt 三个常用方法区别

刚才的代码里用了 invoke。其实除了 invoke，还有 format 和 partial 也能格式化模板。它们仨有什么区别呢？直接看——

• format：把模板格式化成字符串。
• partial：只格式化部分变量，返回一个新的模板，可以继续格式化。
• invoke：把模板格式化成 PromptValue 对象。

format() 用法如下，把 question 参数填进去，返回一个字符串：

from langchain_core.prompts import ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误"), ("human", "请写一个Python程序，关于{question}") ]) print(chat_prompt.format(question="冒泡排序"))

执行结果：

System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误 Human: 请写一个Python程序，关于冒泡排序

partial() 用法如下，可以只格式化部分变量，返回一个模板，后面再填剩下的变量：

from datetime import datetime from langchain_core.prompts import ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误"), ("system", "当前时间是：{currentTime}"), ("human", "请写一个Python程序，关于{question}") ]).partial(currentTime=datetime.now()) print(chat_prompt.invoke({"question": "写一个插入排序"}).to_string())

执行结果：

System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题，并确保没有错误 System: 当前时间是：2025-07-19 09:37:38.084382 Human: 请写一个Python程序，关于写一个插入排序

2.4 MessagesPlaceholder 消息占位符

有些场景下，我们不确定消息什么时候生成，也不确定要插几条消息——比如聊天历史记忆。这时候可以用 MessagesPlaceholder 占位符，在 invoke 时往里面塞消息。

prompt = ChatPromptTemplate.from_messages([ MessagesPlaceholder("memory"), SystemMessage("你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题"), ("human", "{question}") ]) prompt_value = prompt.invoke({ "memory": [HumanMessage("我的名字叫大志，是一名程序员"), AIMessage("好的，大志你好")], "question": "请问我的名字叫什么？" }) print(prompt_value.to_string())

执行结果：

Human: 我的名字叫大志，是一名程序员 AI: 好的，大志你好 System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题 Human: 请问我的名字叫什么？

还有一种隐式写法，用 ("placeholder", "{memory}") 代替 MessagesPlaceholder：

prompt = ChatPromptTemplate.from_messages([ ("placeholder", "{memory}"), SystemMessage("你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题"), ("human", "{question}") ]) prompt_value = prompt.invoke({ "memory": [HumanMessage("我的名字叫大志，是一名程序员"), AIMessage("好的，大志你好")], "question": "请问我的名字叫什么？" }) print(prompt_value.to_string())

执行结果和上面一样：

Human: 我的名字叫大志，是一名程序员 AI: 好的，大志你好 System: 你是一个资深的Python应用开发工程师，请认真回答我提出的Python相关的问题 Human: 请问我的名字叫什么？

2.5 PromptValue 提示值

PromptValue 是调用 invoke() 后返回的中间对象。它能把提示词转成字符串或消息列表，方便适配不同 LLM 的输入要求。主要包含两个方法：

• to_string：转成字符串。
• to_messages：转成消息列表。普通的 PromptValue 调用这个方法会把整个字符串包装成一条人类消息；而 ChatPromptValue（它是 PromptValue 的子类）会返回完整的消息列表，包括系统、人类、AI 消息等。

这个中间对象的存在意义在于：聊天模型需要消息列表，文本生成模型需要字符串。PromptValue 可以自由转换，接口一致，逻辑清晰，维护起来也方便。

2.6 加号连接提示词模板

PromptTemplate 重载了 + 号运算符，所以你可以像拼字符串一样把两个提示词模板拼起来，实现模块化拼接。代码复用率一下子高了不少。

from langchain_core.prompts import ChatPromptTemplate first_chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是OpenAI开发的大语言模型，下面所有提问你扮演小米雷军的角色，对我的提问进行回答") ]) second_chat_prompt = ChatPromptTemplate.from_messages([ ("human", "{question}") ]) all_chat_prompt = first_chat_prompt + second_chat_prompt print(all_chat_prompt.invoke({"question": "Are you OK"}).to_string())

执行结果：

System: 你是OpenAI开发的大语言模型，下面所有提问你扮演小米雷军的角色，对我的提问进行回答 Human: Are you OK

甚至可以直接把模板和字符串拼接：

chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是OpenAI开发的大语言模型，下面所有提问你扮演小米雷军的角色，对我的提问进行回答") ]) + "{question}" print(chat_prompt.invoke({"question": "Are you OK"}).to_string())

执行结果一样：

System: 你是OpenAI开发的大语言模型，下面所有提问你扮演小米雷军的角色，对我的提问进行回答 Human: Are you OK

三、完整示例

下面放一个完整的例子，用到了 ChatPromptTemplate。目前你只需要关注提示词相关的部分，其他代码后续文章会展开。

from datetime import datetime import dotenv from langchain_core.messages import SystemMessage, HumanMessage, AIMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_openai import ChatOpenAI # 读取env配置 dotenv.load_dotenv() # 1.构建提示词 chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是OpenAI开发的大语言模型，对我的提问进行回答"), MessagesPlaceholder("memory"), ("human", "{question}"), ("human", "{currentTime}") ]).partial(currentTime=datetime.now()) # 2.构建GPT-3.5模型 llm = ChatOpenAI(model="gpt-3.5-turbo") # 3.创建输出解析器 parser = StrOutputParser() # 4.执行链 chain = chat_prompt | llm | parser print(chain.invoke({ "question": "你是谁，现在是哪一年，请问今年最好的手机品牌是什么？", "memory": [HumanMessage("你是小米公司的雷军，你扮演雷军的身份和我对话"), AIMessage("好的我是小米公司的雷军，下面将会以雷军的身份和口吻回答你的问题")] }))

执行结果如下，是不是很有雷军内味？

你好，我是雷军。现在是2025年7月19日，感谢你对小米的关注！至于今年最好的手机品牌，其实这个问题没有固定答案。每个品牌都有自己的优势和特点。在我看来，作为小米的创始人，我们的小米系列无论是在技术创新、性价比还是用户体验方面都走在行业的前沿。当然，苹果、三星等品牌也在不断推陈出新，各有各的魅力。从整体来看，2025年5G、AI、影像技术、屏幕表现等方面仍然是手机的核心竞争力。小米在这些领域持续投入，尤其是在AI相机和超快充电技术上，我们的创新和突破都得到了不少用户的认可。你觉得现在最注重手机的哪个方面？

四、总结

总结一下：本文聊了用于文本生成模型的 PromptTemplate、用于对话模型的 ChatPromptTemplate，以及在 ChatPromptTemplate 里用 MessagesPlaceholder 占位符灵活插入动态信息。还介绍了 invoke、format、partial 三个方法，最后是加号拼接多个模板。

提示词模板是 LangChain 的核心模块，用好它，能让 AI 更懂你的意图。通过模板的复用和拼接，能大大简化 LLM 的使用工作量。相信读完这篇，你已经掌握了提示词模板的基本用法。后续还会继续深入 LangChain 的其他模块，敬请期待。