Tutorial 3: Prompt Templates
什么是 Prompt Template？
Prompt Template 是一种可重用的提示词模板，允许你：
定义带有变量占位符的模板
动态填充变量生成最终提示词
保持提示词的一致性和可维护性
基础用法
PromptTemplate
from langchain_core.prompts import PromptTemplate
# 创建模板
template = PromptTemplate.from_template(
"请为{platform}平台写一篇关于{topic}的{content_type}，字数约{word_count}字"
)
# 填充变量
prompt = template.format(
platform="微信公众号",
topic="Python编程",
content_type="技术文章",
word_count=1500
)
print(prompt)
# 输出: 请为微信公众号平台写一篇关于Python编程的技术文章，字数约1500字
ChatPromptTemplate
from langchain_core.prompts import ChatPromptTemplate
# 创建聊天模板
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一个专业的{role}，擅长{skill}"),
("human", "{user_input}")
])
# 生成消息
messages = chat_template.format_messages(
role="自媒体内容创作者",
skill="撰写爆款文章",
user_input="帮我写一个关于AI的开头"
)
高级模板技巧
使用部分变量
from langchain_core.prompts import PromptTemplate
# 预填充部分变量
template = PromptTemplate.from_template(
"为{platform}写一篇{style}风格的{topic}文章"
)
# 创建部分填充的模板
wechat_template = template.partial(platform="微信公众号")
zhihu_template = template.partial(platform="知乎")
# 使用时只需填充剩余变量
prompt1 = wechat_template.format(style="轻松幽默", topic="编程入门")
prompt2 = zhihu_template.format(style="专业严谨", topic="编程入门")
组合模板
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 带有历史消息占位符的模板
template = ChatPromptTemplate.from_messages([
("system", "你是自媒体写作助手"),
MessagesPlaceholder(variable_name="history"), # 历史消息
("human", "{input}")
])
使用 Few-Shot 示例
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
# 定义示例
examples = [
{"topic": "Python", "title": "5分钟学会Python，小白也能看懂"},
{"topic": "AI", "title": "AI时代来临，普通人如何抓住机遇？"},
{"topic": "职场", "title": "35岁程序员的出路在哪里？这3点很重要"},
]
# 示例模板
example_template = PromptTemplate.from_template(
"主题: {topic}\n标题: {title}"
)
# Few-Shot 模板
few_shot_template = FewShotPromptTemplate(
examples=examples,
example_prompt=example_template,
prefix="你是爆款标题生成专家，以下是一些优秀标题示例：\n",
suffix="\n现在请为主题「{input_topic}」生成一个类似风格的标题：",
input_variables=["input_topic"]
)
prompt = few_shot_template.format(input_topic="区块链")
print(prompt)
实战：多平台内容模板系统
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from dataclasses import dataclass
@dataclass
class PlatformConfig:
name: str
style: str
max_length: int
features: str
class ContentTemplateSystem:
# 平台配置
PLATFORMS = {
"微信公众号": PlatformConfig(
name="微信公众号",
style="温暖、有深度、引发共鸣",
max_length=3000,
features="支持图文混排，适合深度内容"
),
"知乎": PlatformConfig(
name="知乎",
style="专业、有理有据、引用数据",
max_length=5000,
features="适合专业分析和深度讨论"
),
"小红书": PlatformConfig(
name="小红书",
style="活泼、口语化、多用emoji",
max_length=1000,
features="适合种草、分享、生活方式"
),
"头条": PlatformConfig(
name="今日头条",
style="通俗易懂、吸引眼球、信息量大",
max_length=2000,
features="适合新闻、资讯、热点"
),
}
def __init__(self):
self.llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)
self.base_template = ChatPromptTemplate.from_messages([
("system", """你是专业的自媒体内容创作者。
目标平台: {platform_name}
平台特点: {platform_features}
写作风格: {platform_style}
字数限制: {max_length}字以内
请严格按照平台特点和风格要求创作内容。"""),
("human", "请为主题「{topic}」创作一篇{content_type}")
])
def create_content(self, platform: str, topic: str, content_type: str = "文章") -> str:
config = self.PLATFORMS.get(platform)
if not config:
raise ValueError(f"不支持的平台: {platform}")
messages = self.base_template.format_messages(
platform_name=config.name,
platform_features=config.features,
platform_style=config.style,
max_length=config.max_length,
topic=topic,
content_type=content_type
)
response = self.llm.invoke(messages)
return response.content
# 使用示例
system = ContentTemplateSystem()
# 为不同平台生成内容
wechat_content = system.create_content("微信公众号", "AI编程入门")
zhihu_content = system.create_content("知乎", "AI编程入门")
xiaohongshu_content = system.create_content("小红书", "AI编程入门")
print("=== 微信公众号版本 ===")
print(wechat_content[:500])
print("\n=== 知乎版本 ===")
print(zhihu_content[:500])
输出解析器
将 LLM 输出解析为结构化数据：
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate
from pydantic import BaseModel, Field
# 定义输出结构
class ArticleOutline(BaseModel):
title: str = Field(description="文章标题")
sections: list[str] = Field(description="章节列表")
key_points: list[str] = Field(description="核心要点")
# 创建解析器
parser = JsonOutputParser(pydantic_object=ArticleOutline)
# 创建带解析指令的模板
template = PromptTemplate(
template="为主题「{topic}」生成文章大纲\n{format_instructions}",
input_variables=["topic"],
partial_variables={"format_instructions": parser.get_format_instructions()}
)
# 使用
from langchain_openai import ChatOpenAI
chain = template | ChatOpenAI(model="gpt-4o-mini") | parser
outline = chain.invoke({"topic": "Python自动化办公"})
print(f"标题: {outline['title']}")
print(f"章节: {outline['sections']}")
下一步
在下一个教程中，我们将学习如何使用 Chains 将多个组件串联成复杂的工作流。