LangChain Prompt 模板保姆级教程：让大模型秒懂你的心

别再手写一坨坨的 Prompt 字符串了！LangChain 的模板功能让你的提示词优雅又好维护~

开篇碎碎念

你是否也曾写出过这种代码

prompt = f"请帮我为商品{name}写文案，它的卖点是{points}，目标用户是{user}，要求不超过{length}字，语气要{tone}..." # 字符串越来越长，越来越难维护...😭

明明能用，但维护起来简直要命。改一个地方，满代码找半天。

别慌！LangChain 的 Prompt 模板来拯救你的代码洁癖了！

啥是 Prompt？

通俗点说，Prompt 就是你跟大模型说的话。

比如：

• "请用一句话介绍 LangChain。" —— 这是最简单的 Prompt
• "你是一名资深程序员，请用通俗易懂的语言解释什么是递归。" —— 这就复杂点了

Prompt 写得好，模型输出就像开了挂；Prompt 写得烂，输出能让你怀疑人生。

PromptTemplate：最简单的模板

想象一下，你有个模板：

请为商品 {商品名} 写一句广告语，突出卖点：{卖点}

每次只需要填空就行：

from langchain_core.prompts import PromptTemplate 创建模板 template = PromptTemplate.from_template( "请为商品 {product_name} 写一句广告语，突出卖点：{selling_points}" ) 填空调用 prompt = template.invoke({ "product_name": "无线鼠标", "selling_points": "静音、续航长、轻便" }) print(prompt.text)

输出：

请为商品 无线鼠标 写一句广告语，突出卖点：静音、续航长、轻便

是不是像填空题一样简单？😄

ChatPromptTemplate：聊天模型的好搭档

现代大模型（GPT、Claude、通义千问等）都支持角色消息，这时候用ChatPromptTemplate更香：

from langchain_core.prompts import ChatPromptTemplate chat_template = ChatPromptTemplate.from_messages([ ("system", "你是一名电商运营专家，回答要简洁有吸引力。"), ("human", "请为商品 {product_name} 写一段文案，卖点是：{selling_points}") ]) prompt = chat_template.invoke({ "product_name": "logi鼠标", "selling_points": "静音、灵敏、无延迟" })

PromptTemplate vs ChatPromptTemplate

一句话总结：聊天模型用 ChatPromptTemplate 就对了！

Prompt 编写的"万能公式"

记住这个四件套，你的 Prompt 就不会太差：

1️⃣ 明确角色

你是一名资深电商运营专家。

让模型知道"自己是谁"，风格就稳了。

2️⃣ 明确任务

请根据商品信息生成详情页文案。

别让模型猜你想要啥，直接说清楚。

3️⃣ 明确约束

要求： 1. 不超过 150 字 2. 不夸大宣传 3. 适合年轻用户

规则越多，跑偏越少。

4️⃣ 明确输入

商品名称：{product_name} 商品卖点：{selling_points} 目标用户：{target_user}

变量清清楚楚，模型一看就懂。

实战演练：三个拿来即用的案例

案例 1：商品文案生成器

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate load_dotenv() model = init_chat_model( model="deepseek-chat", model_provider="openai", base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=0.5 ) prompt_str = """ 请根据以下信息生成商品详情页文案： 商品名称：{product_name} 商品卖点：{selling_points} 目标用户：{target_user} 要求： 不超过 150 字 突出用户利益 不虚假夸张 """ chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是电商运营专家，擅长写自然有吸引力的商品文案"), ("human", prompt_str) ]) prompt = chat_prompt.invoke({ "product_name": "无线静音鼠标", "selling_points": "静音按键、蓝牙连接、续航30天", "target_user": "办公室和图书馆用户" }) response = model.invoke(prompt) print(response.content)

一句话点评：角色 + 输入 + 约束 = 稳定输出 ✅

案例 2：学习计划生成器

prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是一名编程老师，擅长制定可执行的学习计划。"), ("human", """ 请为我制定学习计划： 学习主题：{topic} 学习时长：{days} 天 每天学习：{hours_per_day} 小时 当前基础：{level} 要求： 按天列出学习内容 每天给出练习任务 内容适合当前基础 """) ]) prompt = prompt_template.invoke({ "topic": "LangChain 入门", "days": 5, "hours_per_day": 2, "level": "会 Python 基础" })

小贴士：变量可以是数字哦~ 不一定是字符串！

案例 3：客服回复生成器

prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是电商客服，回复礼貌明确，不推卸责任。"), ("human", """ 请根据以下信息生成客服回复： 用户问题：{user_question} 订单状态：{order_status} 物流信息：{shipping_info} 要求： 先安抚用户 再说明情况 最后给建议 不超过 120 字 """) ]) prompt = prompt_template.invoke({ "user_question": "我的快递三天没更新了，是不是丢了？", "order_status": "已发货", "shipping_info": "包裹已到上海转运中心" })

业务价值：用户问题 → 数据库 → 第三方接口 → Prompt → 秒回用户！

进阶玩法：MessagesPlaceholder

当你需要插入聊天历史时，用MessagesPlaceholder：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个有用的助手。"), MessagesPlaceholder("history"), # 这里插入历史消息 ("human", "{question}"), ]) 调用时传入历史 prompt_value = prompt.invoke({ "history": [ ("human", "我叫小明"), ("ai", "你好小明！"), ], "question": "我叫什么名字？", })

参数说明

简写形式：

("placeholder", "{history}") # 等价于 MessagesPlaceholder("history", optional=True)

封装技巧：告别重复代码

每个案例都写一遍模型初始化？太累了！

创建model_factory.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model def get_deepseek_model(temperature: float = 0.7): load_dotenv() return init_chat_model( model="deepseek-chat", model_provider="openai", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), temperature=temperature, )

以后一行搞定：

from model_factory import get_deepseek_model model = get_deepseek_model(temperature=0.5)

常见问题快问快答

Q：Prompt 越长越好吗？

A：不是！要求太多反而会让模型顾此失彼，保持清晰就够了。

Q：为什么模型没完全按要求输出？

A：大模型不是程序，不能百分百服从。后续可以结合结构化输出做校验。

Q：PromptTemplate 和 ChatPromptTemplate 选哪个？

A：聊天模型优先用 ChatPromptTemplate！这是现代应用的标配。

总结划重点

觉得有用的话，点个赞再走呗~ 你的鼓励是我持续输出的动力！🎉

有问题欢迎评论区唠两句，一起学习一起进步！