AI Agent白手起家28: LangChain 五种提示词模板实战解析

内容纲要

• 提示词模板核心概念
  • PromptTemplate：面向纯文本 LLM 的字符串模板
  • ChatPromptTemplate：面向对话模型的结构化模板
  • MessagesPlaceholder：在消息列表中动态插入内容的占位符
  • 使用 SystemMessage、HumanMessage、AIMessage 灵活组合模板
  • 自定义模板：继承 StringPromptTemplate 实现特殊逻辑
• 关键流程：定义模板 → 声明变量 → 格式化（format / format_messages）→ 提交给 LLM
• 涉及组件：langchain_core.prompts、langchain_core.messages
• 代码演示：完整可运行的 Python 脚本，涵盖所有模板类型

引言

在构建 AI Agent 或大语言模型应用时，提示词（Prompt）是连接业务逻辑与模型能力的桥梁。LangChain 提供了一套丰富的提示词模板系统，使开发者可以像写配置一样管理复杂的提示词结构，而无需手动拼接字符串。本文将系统讲解五种最常用的提示词模板：字符串模板、对话模板、消息占位符、Message 组合模板以及自定义模板，并提供可直接运行的代码示例。

一、字符串模板：PromptTemplate

字符串模板是最基础的提示词模板，适用于传统的文本补全模型（LLM），它接收一个包含占位符的字符串，通过 format 方法将参数注入，最终生成一段完整的文本提示。

核心特点：输入输出均为纯文本，不支持结构化消息。

from langchain_core.prompts import PromptTemplate

# 定义模板，花括号内为变量
template = "你是一个{role}，帮我起一个具有{country}特色的{gender}名字。"
prompt = PromptTemplate.from_template(template)

# 传入参数格式化
formatted = prompt.format(role="算命大师", country="法国", gender="女孩")
print(formatted)

输出：你是一个算命大师，帮我起一个具有法国特色的女孩名字。

使用时需注意：模板中声明的变量数量必须与 format 传入的参数完全一致，否则会抛出异常。

二、对话模板：ChatPromptTemplate

对话模板是当前应用最广泛的形式，专为对话类模型（Chat Model）设计。它返回的是一个结构化的消息列表，每条消息都带有明确的角色（system、human、ai），便于下游处理。

from langchain_core.prompts import ChatPromptTemplate

# 使用 from_messages 构建消息列表
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个起名大师，你的名字叫{name}。"),
    ("human", "你好，感觉如何？"),
    ("ai", "你好，我状态非常好。"),
    ("human", "你叫什么名字？"),
    ("ai", "你好，我叫{name}。"),
    ("human", "{user_input}"),
])

# 注意：对话模板使用 format_messages 而非 format
messages = template.format_messages(
    name="陈大师",
    user_input="你的爸爸是谁呢？"
)
print(messages)

输出将是一个包含 SystemMessage、HumanMessage、AIMessage 的列表，每条消息都带有 content 字段，并保留了元数据，非常适合在应用中进行结构化解析和后续调用。

三、消息占位符：MessagesPlaceholder

当需要在消息列表的特定位置动态插入一组消息（例如历史聊天记录），但又不确定其具体数量或类型时，可以使用 MessagesPlaceholder。它相当于一个“插槽”，在最终调用模型前可以被替换为实际的消息列表。

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

# 构造带占位符的模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个厉害的人工智能助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}")
])

# 在调用阶段动态传入消息列表
result = prompt.invoke({
    "history": [HumanMessage(content="你好，请多关照！")],
    "question": "今天天气如何？"
})
print(result.messages)

此外，也可以直接用 ("placeholder", "{history}") 这种简写方式，效果等价。占位符的灵活性在于，它允许在 invoke 阶段（而不一定在 format 阶段）再确定插入的内容，这对构建复杂 Agent 的多轮对话记忆非常实用。

四、使用 Message 直接组合模板

除了通过 ChatPromptTemplate.from_messages 声明式构建，还可以直接用 SystemMessage、HumanMessage、AIMessage 等消息对象手动拼装，形成消息列表。这种方式更灵活，适合将公共的系统消息或用户消息进行复用组合。

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

# 手动构建消息
system_msg = SystemMessage(content="你是一个起名大师", additional_kwargs={"大师名字": "陈瞎子"})
human_msg = HumanMessage(content="请问大师叫什么？")
ai_msg = AIMessage(content="我叫陈瞎子。")

# 直接拼成列表，即是一个合法的消息模板
chat_list = [system_msg, human_msg, ai_msg]
prompt = ChatPromptTemplate.from_messages(chat_list)
print(prompt.format_messages())

这种方式下，你可以将某个 SystemMessage 作为公共提示词，在多个场景中复用，并自由组合后续对话流程，大幅提升代码的模块化程度。

五、自定义提示词模板

当内置的 PromptTemplate 和 ChatPromptTemplate 无法满足需求时，可以通过继承 StringPromptTemplate 来实现自己的模板逻辑。例如，创建一个“函数大师”模板：输入函数名，自动获取函数源代码，并生成一段要求解释代码的提示词。

步骤：

1. 继承 StringPromptTemplate
2. 重写 format 方法，在其中实现自定义逻辑（如获取源代码、拼接提示）
3. 调用时和普通模板一致

import inspect
from langchain_core.prompts import StringPromptTemplate

# 定义一个示例函数
def hello_world(a, b, c):
    """测试函数"""
    print("hello world")
    return a, b, c

# 自定义模板类
class CustomCodeExplainerTemplate(StringPromptTemplate):
    def format(self, **kwargs) -> str:
        func_name = kwargs["function_name"]
        # 获取函数源代码
        source_code = inspect.getsource(globals()[func_name])
        # 内嵌提示词
        prompt_template = (
            "你是一个非常有经验和天赋的程序员。现在给你如下函数名称，"
            "你会按照如下格式输出这段代码的名称、源代码和中文解释。\n"
            "函数名称: {function_name}\n"
            "源代码: {source_code}\n"
            "代码解释: "
        )
        return prompt_template.format(function_name=func_name, source_code=source_code)

# 使用自定义模板
custom_prompt = CustomCodeExplainerTemplate(input_variables=["function_name"])
final_prompt = custom_prompt.format(function_name="hello_world")
print(final_prompt)

输出已包含函数名称和源代码。后续你可以将该提示词直接交给 LLM，得到代码解释。这种模式允许你在模板内部封装任何复杂的预处理逻辑，从而将提示词构建过程完全自动化。

五种模板对比

模板工作流程

以下 Mermaid 时序图展示了从定义模板到 LLM 调用的一般流程。

完整可运行代码

以下代码整合了上述五种模板的示例，可直接复制执行。执行前请安装依赖：

pip install langchain langchain-core

import inspect
from langchain_core.prompts import (
    PromptTemplate,
    ChatPromptTemplate,
    MessagesPlaceholder,
    StringPromptTemplate
)
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

# ========== 1. 字符串模板 ==========
str_template = PromptTemplate.from_template(
    "你是一个{role}，帮我起一个具有{country}特色的{gender}名字。"
)
str_result = str_template.format(role="算命大师", country="法国", gender="女孩")
print("字符串模板结果：\n", str_result, "\n")

# ========== 2. 对话模板 ==========
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个起名大师，你的名字叫{name}。"),
    ("human", "你好，感觉如何？"),
    ("ai", "你好，我状态非常好。"),
    ("human", "你叫什么名字？"),
    ("ai", "你好，我叫{name}。"),
    ("human", "{user_input}"),
])
chat_result = chat_template.format_messages(
    name="陈大师",
    user_input="你的爸爸是谁呢？"
)
print("对话模板结果：\n", chat_result, "\n")

# ========== 3. 消息占位符 ==========
placeholder_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个厉害的人工智能助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}")
])
ph_result = placeholder_template.invoke({
    "history": [HumanMessage(content="你好，请多关照！")],
    "question": "今天天气如何？"
})
print("消息占位符结果：\n", ph_result.messages, "\n")

# ========== 4. Message 组合模板 ==========
sys_msg = SystemMessage(content="你是一个起名大师", additional_kwargs={"大师名字": "陈瞎子"})
human_msg = HumanMessage(content="请问大师叫什么？")
ai_msg = AIMessage(content="我叫陈瞎子。")
composed_list = [sys_msg, human_msg, ai_msg]
composed_template = ChatPromptTemplate.from_messages(composed_list)
comp_result = composed_template.format_messages()
print("Message 组合模板结果：\n", comp_result, "\n")

# ========== 5. 自定义模板 ==========
def hello_world(a, b, c):
    """测试函数"""
    print("hello world")
    return a, b, c

class CustomCodeExplainerTemplate(StringPromptTemplate):
    def format(self, **kwargs) -> str:
        func_name = kwargs["function_name"]
        source_code = inspect.getsource(globals()[func_name])
        prompt_template = (
            "你是一个非常有经验和天赋的程序员。现在给你如下函数名称，"
            "你会按照如下格式输出这段代码的名称、源代码和中文解释。\n"
            "函数名称: {function_name}\n"
            "源代码: {source_code}\n"
            "代码解释: "
        )
        return prompt_template.format(function_name=func_name, source_code=source_code)

custom_prompt = CustomCodeExplainerTemplate(input_variables=["function_name"])
custom_result = custom_prompt.format(function_name="hello_world")
print("自定义模板结果：\n", custom_result, "\n")

总结

本文详细介绍了 LangChain 中五种提示词模板的用法及适用场景，从最简单的字符串模板到高度灵活的自定义模板，覆盖了绝大多数 LLM 应用的提示词构建需求。

通过对比和完整代码示例，开发者可以快速选择适合自己项目的模板类型，并基于此构建稳健、可维护的 AI Agent 系统。