【LangChain】langchain_core.prompts 模块：结构化的提示模板（Template）列举

LangChain 中支持许多的模板（Template）类型，这些模板用于格式化输入，生成 LLM 可处理的提示文本。

本文基于 LangChain 0.3.x，详细介绍 LangChain 中支持的模板类（主要在 langchain_core.prompts 模块），包括功能、参数和使用场景，并提供一个独立示例，展示如何使用 PromptTemplate 和 ChatPromptTemplate 构建一个简单的问答应用，使用 langchain_openai.ChatOpenAI 作为 LLM。

---

LangChain 中的模板类型

LangChain 的模板类主要位于 langchain_core.prompts 模块，用于创建结构化的提示，动态填充变量以供 LLM 处理。这些模板支持不同的提示格式（如纯文本、聊天消息），适用于各种任务（如问答、对话、RAG）。以下是 LangChain 支持的主要模板类型，基于官方文档（Prompts) 和源码分析。

1. PromptTemplate

• 描述：生成纯文本提示的模板，适合非聊天模型或简单任务。
• 模块：langchain_core.prompts.PromptTemplate
• 功能：
  • 使用字符串模板，包含占位符（如 {variable}）。
  • 支持 f-string 或 jinja2 格式化。
  • 动态填充变量，生成最终提示。
• 主要参数：
  • template（必填）：字符串模板，如 "问题：{question}\n回答："。
  • input_variables（可选）：模板中使用的变量列表。
  • template_format（默认 "f-string"）：格式化方式（"f-string", "jinja2"）。
  • partial_variables（可选）：预定义的部分变量。
• 方法：
  • format(**kwargs) -> str：生成格式化后的字符串。
  • format_prompt(**kwargs) -> PromptValue：返回 PromptValue 对象（内部用）。
  • partial(**kwargs) -> PromptTemplate：填充部分变量，返回新模板。
• 使用场景：
  • 简单问答或文本生成。
  • 与非聊天 LLM（如 LlamaCpp）结合。
  • 格式化 RAG 系统的上下文。
• 示例：

  from langchain_core.prompts import PromptTemplate
  template = PromptTemplate(
      template="问题：{question}\n回答：",
      input_variables=["question"]
  )
  prompt = template.format(question="什么是人工智能？")
  # 输出: "问题：什么是人工智能？\n回答："
  

2. ChatPromptTemplate

• 描述：生成聊天消息列表的模板，适合聊天模型（如 ChatOpenAI）。
• 模块：langchain_core.prompts.ChatPromptTemplate
• 功能：
  • 创建结构化消息（如 SystemMessage, HumanMessage, AIMessage）。
  • 支持 MessagesPlaceholder 动态注入对话历史。
  • 适配聊天模型的输入格式。
• 主要参数：
  • messages（必填）：消息模板列表，包含 SystemMessagePromptTemplate、HumanMessagePromptTemplate 等。
  • input_variables（可选）：模板中使用的变量。
• 方法：
  • format_messages(**kwargs) -> List[BaseMessage]：生成消息列表。
  • format_prompt(**kwargs) -> ChatPromptValue：返回 ChatPromptValue 对象。
  • from_messages(cls, messages) -> ChatPromptTemplate：类方法，从消息列表创建模板。
• 使用场景：
  • 对话系统或 RAG（结合对话历史）。
  • 与聊天模型（如 ChatOpenAI, ChatAnthropic）结合。
  • 需要系统指令或多轮对话。
• 示例：

  from langchain_core.prompts import ChatPromptTemplate
  template = ChatPromptTemplate.from_messages([
      ("system", "你是一个专家，回答问题。"),
      ("human", "问题：{question}")
  ])
  messages = template.format_messages(question="什么是人工智能？")
  # 输出: [SystemMessage(content="你是一个专家..."), HumanMessage(content="问题：什么是人工智能？")]
  

3. SystemMessagePromptTemplate

• 描述：生成系统消息的模板，通常用于设置 LLM 的角色或行为。
• 模块：langchain_core.prompts.chat.SystemMessagePromptTemplate
• 功能：
  • 创建 SystemMessage，定义对话的上下文或指令。
  • 常用于 ChatPromptTemplate 内。
• 主要参数：
  • prompt：PromptTemplate 实例，定义系统消息内容。
  • input_variables：变量列表。
• 使用场景：
  • 定义 LLM 的角色（如 “你是一个历史学家”）。
  • 设置对话的全局指令。
• 示例：

  from langchain_core.prompts import SystemMessagePromptTemplate, PromptTemplate
  system_template = SystemMessagePromptTemplate.from_template(
      "你是{role}专家。",
      input_variables=["role"]
  )
  message = system_template.format(role="人工智能")
  # 输出: SystemMessage(content="你是人工智能专家。")
  

4. HumanMessagePromptTemplate

• 描述：生成用户消息的模板，表示用户输入。
• 模块：langchain_core.prompts.chat.HumanMessagePromptTemplate
• 功能：
  • 创建 HumanMessage，表示用户的问题或输入。
  • 常用于 ChatPromptTemplate 内。
• 主要参数：
  • prompt：PromptTemplate 实例，定义用户消息内容。
  • input_variables：变量列表。
• 使用场景：
  • 格式化用户问题或指令。
  • 构建多轮对话。
• 示例：

  from langchain_core.prompts import HumanMessagePromptTemplate, PromptTemplate
  human_template = HumanMessagePromptTemplate.from_template(
      "问题：{question}",
      input_variables=["question"]
  )
  message = human_template.format(question="什么是人工智能？")
  # 输出: HumanMessage(content="问题：什么是人工智能？")
  

5. AIMessagePromptTemplate

• 描述：生成 AI 消息的模板，表示 LLM 的响应（较少直接使用）。
• 模块：langchain_core.prompts.chat.AIMessagePromptTemplate
• 功能：
  • 创建 AIMessage，模拟 LLM 的输出。
  • 通常用于测试或构造对话历史。
• 主要参数：
  • prompt：PromptTemplate 实例，定义 AI 消息内容。
  • input_variables：变量列表。
• 使用场景：
  • 模拟对话历史。
  • 测试链的行为。
• 示例：

  from langchain_core.prompts import AIMessagePromptTemplate, PromptTemplate
  ai_template = AIMessagePromptTemplate.from_template(
      "回答：{answer}",
      input_variables=["answer"]
  )
  message = ai_template.format(answer="人工智能是...")
  # 输出: AIMessage(content="回答：人工智能是...")
  

6. MessagesPlaceholder

• 描述：占位符，用于动态注入对话历史或消息列表。
• 模块：langchain_core.prompts.chat.MessagesPlaceholder
• 功能：
  • 在 ChatPromptTemplate 中预留位置，填充 BaseMessage 列表（如对话历史）。
  • 常与 RunnableWithMessageHistory 结合。
• 主要参数：
  • variable_name（必填）：占位符名称。
  • optional（默认 False）：是否允许空消息列表。
• 使用场景：
  • 管理对话历史（如 ChatMessageHistory）。
  • 构建支持多轮对话的链。
• 示例：

  from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
  template = ChatPromptTemplate.from_messages([
      MessagesPlaceholder(variable_name="chat_history"),
      ("human", "{question}")
  ])
  

7. FewShotPromptTemplate

• 描述：支持少样本学习（Few-Shot Learning）的模板，提供示例提示。
• 模块：langchain_core.prompts.FewShotPromptTemplate
• 功能：
  • 包含示例（examples）和前缀/后缀模板，生成带示例的提示。
  • 支持动态选择示例（通过 example_selector）。
• 主要参数：
  • examples：示例列表，每个示例是字典。
  • example_prompt：PromptTemplate，定义示例格式。
  • prefix/suffix：提示的前缀/后缀。
  • input_variables：变量列表。
  • example_selector（可选）：动态选择示例的工具。
• 使用场景：
  • 少样本学习，教 LLM 特定任务。
  • 格式化复杂任务（如分类、翻译）。
• 示例：

  from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
  examples = [
      {"question": "什么是太阳？", "answer": "太阳是恒星。"},
      {"question": "什么是月亮？", "answer": "月亮是卫星。"}
  ]
  example_prompt = PromptTemplate(
      template="问题：{question}\n回答：{answer}\n",
      input_variables=["question", "answer"]
  )
  template = FewShotPromptTemplate(
      examples=examples,
      example_prompt=example_prompt,
      prefix="你是一个天文学家，回答问题：",
      suffix="问题：{question}\n回答：",
      input_variables=["question"]
  )
  prompt = template.format(question="什么是星星？")
  # 输出: 你是一个天文学家，回答问题：
  # 问题：什么是太阳？
  # 回答：太阳是恒星。
  # 问题：什么是月亮？
  # 回答：月亮是卫星。
  # 问题：什么是星星？
  # 回答：
  

8. FewShotChatPromptTemplate

• 描述：支持少样本学习的聊天模板，生成消息列表。
• 模块：langchain_core.prompts.FewShotChatPromptTemplate
• 功能：
  • 类似 FewShotPromptTemplate，但生成 SystemMessage/HumanMessage 等。
  • 适合聊天模型的少样本任务。
• 主要参数：
  • examples：示例列表。
  • example_prompt：ChatPromptTemplate，定义示例格式。
  • input_variables：变量列表。
• 使用场景：
  • 聊天模型的少样本学习。
  • 复杂对话任务。
• 示例：

  from langchain_core.prompts import FewShotChatPromptTemplate, ChatPromptTemplate
  examples = [
      {"input": "什么是太阳？", "output": "太阳是恒星。"}
  ]
  example_prompt = ChatPromptTemplate.from_messages([
      ("human", "{input}"),
      ("ai", "{output}")
  ])
  template = FewShotChatPromptTemplate(
      examples=examples,
      example_prompt=example_prompt,
      input_variables=["question"]
  )
  

9. PipelinePromptTemplate

• 描述：组合多个模板，生成复杂的提示。
• 模块：langchain_core.prompts.PipelinePromptTemplate
• 功能：
  • 将子模板（如 PromptTemplate）组合成最终提示。
  • 支持嵌套和依赖关系。
• 主要参数：
  • final_prompt：最终的 PromptTemplate。
  • pipeline_prompts：子模板列表，每个元素是 (name, PromptTemplate)。
• 使用场景：
  • 复杂任务，需多个提示阶段。
  • 动态组合上下文和指令。
• 示例：

  from langchain_core.prompts import PipelinePromptTemplate, PromptTemplate
  final_template = PromptTemplate.from_template("{intro}\n{question}")
  intro_template = PromptTemplate.from_template("你是一个专家。")
  pipeline = PipelinePromptTemplate(
      final_prompt=final_template,
      pipeline_prompts=[("intro", intro_template), ("question", PromptTemplate.from_template("问题：{q}"))]
  )
  prompt = pipeline.format(q="什么是人工智能？")
  # 输出: 你是一个专家。
  # 问题：什么是人工智能？
  

模板类型总结

模板类	模块	输出类型	主要场景
PromptTemplate	langchain_core.prompts	纯文本	简单问答、RAG、非聊天模型
ChatPromptTemplate	langchain_core.prompts	消息列表	对话、聊天模型、RAG
SystemMessagePromptTemplate	langchain_core.prompts.chat	SystemMessage	设置角色、指令
HumanMessagePromptTemplate	langchain_core.prompts.chat	HumanMessage	用户输入
AIMessagePromptTemplate	langchain_core.prompts.chat	AIMessage	模拟 AI 响应
MessagesPlaceholder	langchain_core.prompts.chat	消息占位符	对话历史
FewShotPromptTemplate	langchain_core.prompts	纯文本	少样本学习
FewShotChatPromptTemplate	langchain_core.prompts	消息列表	聊天模型少样本学习
PipelinePromptTemplate	langchain_core.prompts	纯文本	复杂提示组合

推荐模板：

• 简单任务：PromptTemplate（纯文本，易用）。
• 对话系统：ChatPromptTemplate（支持聊天模型和历史）。
• 复杂任务：FewShotPromptTemplate 或 PipelinePromptTemplate。

---

使用模板的问答示例

以下是一个独立示例，展示如何使用 PromptTemplate 和 ChatPromptTemplate，结合 langchain_openai.ChatOpenAI 构建一个简单的问答应用，回答关于机器学习的问题。

代码：

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

# 初始化 ChatOpenAI LLM
llm = ChatOpenAI(temperature=0, model="gpt-4")

# 定义 PromptTemplate（纯文本）
text_prompt = PromptTemplate(
    template="""你是一个机器学习专家，回答以下问题：
问题：{question}
回答：""",
    input_variables=["question"]
)

# 定义 ChatPromptTemplate（消息列表）
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个机器学习专家，简洁回答问题。"),
    ("human", "{question}")
])

# 创建问答链（使用 ChatPromptTemplate）
qa_chain = (
    {"question": RunnablePassthrough()}
    | chat_prompt
    | llm
    | StrOutputParser()
)

# 调用链
print("问答链输出：")
response = qa_chain.invoke("什么是机器学习？")
print(response)
response = qa_chain.invoke("它的主要类型有哪些？")
print(response)

输出示例：

问答链输出：
机器学习是人工智能的分支，通过数据训练模型以进行预测或决策。
机器学习的主要类型包括监督学习、无监督学习和强化学习。

代码说明

1. 模板使用：
   • PromptTemplate：定义纯文本提示（未直接使用，仅展示）。
   • ChatPromptTemplate：生成消息列表，包含系统指令和用户问题，适合 ChatOpenAI。
2. LLM：
   • ChatOpenAI（gpt-4）生成高质量答案。
3. 问答链：
   • LCEL 链组合 chat_prompt、llm 和 StrOutputParser。
   • RunnablePassthrough 传递输入问题。
4. 主题：
   • 示例聚焦机器学习问答，简单且独立。
5. 独立性：
   • 不涉及向量存储、RAG 或之前的 Milvus、LlamaCpp 内容。

运行要求：

• OpenAI API 密钥有效。
• 安装依赖：

  pip install --upgrade langchain langchain-core langchain-openai
  

---

注意事项

1. API 密钥：
   • 使用 .env 文件：

     from dotenv import load_dotenv
     load_dotenv()
     

   • 确保密钥支持 gpt-4。
2. 依赖：
   • 安装：

     pip install --upgrade langchain langchain-core langchain-openai
     

3. 模板选择：
   • 聊天模型：优先使用 ChatPromptTemplate，支持消息格式。
   • 非聊天模型：使用 PromptTemplate，如结合 LlamaCpp。
   • 对话历史：添加 MessagesPlaceholder。
4. 性能优化：
   • 模板：
     • 确保 input_variables 与占位符一致。
     • 使用简洁模板，减少 LLM 处理负担。
   • LLM：
     • 调整 temperature（如 0.5）控制随机性。
     • 设置 max_tokens（如 512）限制输出长度。
5. 错误调试：
   • 变量缺失：
     • 检查 format 或 format_messages 的输入：

       prompt.format(question="测试")  # 确保所有变量提供
       

   • 输出格式：
     • 使用 StrOutputParser 确保纯文本输出。
     • 若需 JSON，改用 JsonOutputParser：

       from langchain_core.output_parsers import JsonOutputParser
       

---

常见问题

Q1：如何选择合适的模板？
A：

• 简单问答：PromptTemplate（纯文本，易用）。
• 对话系统：ChatPromptTemplate（支持消息和历史）。
• 少样本学习：FewShotPromptTemplate 或 FewShotChatPromptTemplate。
• 复杂提示：PipelinePromptTemplate。

Q2：如何添加对话历史？
A：使用 ChatPromptTemplate 结合 MessagesPlaceholder 和 RunnableWithMessageHistory：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
prompt = ChatPromptTemplate.from_messages([
    MessagesPlaceholder(variable_name="chat_history"),
    ("human", "{question}")
])
chain = prompt | llm | StrOutputParser()
chain_with_history = RunnableWithMessageHistory(
    chain,
    lambda session_id: ChatMessageHistory(),
    input_messages_key="question",
    history_messages_key="chat_history"
)

Q3：可以结合 RAG 吗？
A：可以，使用 PromptTemplate 或 ChatPromptTemplate 包含上下文：

prompt = ChatPromptTemplate.from_messages([
    ("system", "根据上下文回答：{context}"),
    ("human", "{question}")
])

Q4：支持其他模板格式吗？
A：支持 jinja2（需安装 jinja2）：

prompt = PromptTemplate(
    template="Question: {{ question }}\nAnswer:",
    input_variables=["question"],
    template_format="jinja2"
)

---

总结

LangChain 的模板类（在 langchain_core.prompts）包括：

• PromptTemplate：纯文本提示，适合简单任务。
• ChatPromptTemplate：消息列表，适合聊天模型。
• SystemMessagePromptTemplate/HumanMessagePromptTemplate/AIMessagePromptTemplate：消息类型，构建对话。
• MessagesPlaceholder：动态历史注入。
• FewShotPromptTemplate/FewShotChatPromptTemplate：少样本学习。
• PipelinePromptTemplate：复杂提示组合。