1. 本章目标 #

前几章里，提示词多是写死在代码字符串里。业务一复杂就会出现：

• 同一段人设复制粘贴多处，改一处漏三处
• 多轮历史、少样本示例、用户变量混在一起，难以复用
• 想做 A/B 或按场景切换 prompt，只能改代码重发版

本章目标：

用 Prompt / ChatPrompt 模板把提示词做成可维护的一层：变量填充、少样本、系统提示设计。

学完你应能：

• 使用 PromptTemplate 与 ChatPromptTemplate
• 用 MessagesPlaceholder 插入历史消息
• 做 few-shot（字符串版与聊天消息版）
• 用 partial 预填固定变量
• 写出更稳的系统提示，并接到模型 / Agent

参考（API 在 langchain_core.prompts）：

• Messages（模板最终仍产出消息）
• Agents · system_prompt
• LangSmith Prompt（团队协作时可把 prompt 放到平台）

2. 为什么需要 Prompt 层 #

硬编码：
  model.invoke("你是客服……用户说：" + user_text)

模板化：
  prompt = ChatPromptTemplate.from_messages([...])
  messages = prompt.format_messages(user_text=user_text, ...)
  model.invoke(messages)

模板层的价值：

收益	说明
结构清晰	system / human / ai 角色分开写
变量安全	缺变量会报错，少拼字符串 bug
可复用	同一模板服务多个入口（API、脚本、Agent）
可组合	历史占位、少样本、partial 预填

和 Agent 的关系：create_agent(system_prompt=...) 管 harness 级人设；业务里更复杂的「翻译模板 / 抽工单模板 / 带历史的问答」仍常用 ChatPromptTemplate。

3. PromptTemplate：字符串模板 #

适合最终是一段文本的场景（简单补全、非聊天协议、或拼进某个字段）。

3.1. 1.PromptTemplate.py #

from langchain_core.prompts import PromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

# {name} 是待填变量；缺变量 format 会报错
prompt = PromptTemplate.from_template(
    "你是简洁助手。用户叫{name}，请用一句话打招呼。"
)

text = prompt.format(name="张三")
print(text)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
print(model.invoke(text).content)

要点：

• from_template 自动推断 input_variables
• format(**kwargs) 得到 字符串
• 聊天场景更推荐下一节的 ChatPromptTemplate（直接产出消息列表）

4. ChatPromptTemplate：对话模板（主推） #

按「多条带角色的消息」组织提示，每条都可含 {变量}。

4.1. 2.ChatPromptTemplate.py #

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是乐于助人的助手，名字叫{name}。回答要短。"),
        ("human", "你好！"),
        ("ai", "你好，我是{name}，有什么可以帮你？"),
        ("human", "{user_input}"),
    ]
)

# 填充全部变量 → 消息列表
messages = prompt.format_messages(
    name="小助",
    user_input="你叫什么名字？",
)
for m in messages:
    print(type(m).__name__, ":", m.content)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
print(model.invoke(messages).content)

也可用 invoke 得到 ChatPromptValue，再 .to_messages()：

value = prompt.invoke({"name": "小助", "user_input": "你叫什么名字？"})
print(value.to_messages())

4.2. 管道写法预览（LCEL） #

第 7 章会系统讲 Runnable。这里先建立直觉：prompt | model 把「填模板 → 调模型」串起来。

4.2.1. 3.prompt_pipe_model.py #

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "把用户句子翻译成{target_lang}，只输出译文。"),
        ("human", "{text}"),
    ]
)
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)

chain = prompt | model
ai = chain.invoke({"target_lang": "英文", "text": "生活不止眼前的代码"})
print(ai.content)

5. MessagesPlaceholder：插入历史消息 #

普通 {var} 填充的是字符串；多轮历史需要插入一整段消息对象列表，用 MessagesPlaceholder。

5.1. 4.MessagesPlaceholder.py #

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.messages import HumanMessage, AIMessage
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是简洁助手，结合历史回答。"),
        MessagesPlaceholder("history"),
        ("human", "{question}"),
    ]
)

history = [
    HumanMessage("我叫李雷。"),
    AIMessage("好的，李雷。"),
]

messages = prompt.format_messages(
    history=history,
    question="我叫什么名字？",
)

for m in messages:
    print(type(m).__name__, ":", m.content)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
print(model.invoke(messages).content)

注意：history 必须是 Message 列表，不能是普通字符串列表。第 11 章 Memory 会把「自动维护 history」接上。

可选：MessagesPlaceholder("history", optional=True)，允许调用时不传历史。

6. 少样本（Few-shot） #

少样本 = 在提示里放若干「输入 → 期望输出」例子，让模型模仿格式与风格。常比单纯口头描述规则更稳。

6.1. 聊天消息里直接写死示例（最简单） #

适合示例少、固定不变：

6.1.1. 5.few_shot_inline.py #

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "将情感分类为：正面 / 负面 / 中性。只输出标签。"),
        # 示例 1
        ("human", "今天天气真好，心情不错。"),
        ("ai", "正面"),
        # 示例 2
        ("human", "快递又丢了，太糟心了。"),
        ("ai", "负面"),
        # 真正的用户输入
        ("human", "{text}"),
    ]
)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
chain = prompt | model
print(chain.invoke({"text": "这部电影一般般，不好不坏。"}).content)

6.2. FewShotPromptTemplate（字符串少样本） #

示例多、要统一格式时，用「示例列表 + 单例模板 + 前后缀」拼成一段文本：

6.2.1. 6.FewShotPromptTemplate.py #

from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

examples = [
    {"word": "开心", "antonym": "难过"},
    {"word": "高", "antonym": "矮"},
]

example_prompt = PromptTemplate.from_template(
    "词语：{word}\n反义词：{antonym}"
)

few_shot = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="给出词语的反义词。参照示例格式作答。\n",
    suffix="\n词语：{input}\n反义词：",
    input_variables=["input"],
)

text = few_shot.format(input="冷")
print(text)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
print(model.invoke(text).content)

6.3. FewShotChatMessagePromptTemplate（聊天少样本） #

把示例也做成 human/ai 消息对，更贴 Chat Model：

6.3.1. 7.FewShotChatMessagePromptTemplate.py #

from langchain_core.prompts import (
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
)
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

examples = [
    {"input": "2+2", "output": "4"},
    {"input": "2+3", "output": "5"},
]

example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "{input}"),
        ("ai", "{output}"),
    ]
)

few_shot_prompt = FewShotChatMessagePromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
)

final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是算术助手。只输出最终数字。"),
        few_shot_prompt,
        ("human", "{input}"),
    ]
)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
chain = final_prompt | model
print(chain.invoke({"input": "10+8"}).content)

示例很多、需要按长度或相似度动态挑选时，可接 example_selector（如 LengthBasedExampleSelector）。本课先掌握静态 few-shot；动态选择属于进阶优化。

7. partial：预填部分变量 #

把模板里很少变的变量先锁死，调用时只传业务变量。

7.1. 8.partial.py #

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

base = ChatPromptTemplate.from_messages(
    [
        ("system", "你是{role}，面向用户{user_name}，回答要短。"),
        ("human", "{question}"),
    ]
)

# 预填角色与用户名，只剩 question
prompt = base.partial(role="售后顾问", user_name="王女士")

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
chain = prompt | model
print(chain.invoke({"question": "订单两天了还没发货，怎么办？"}).content)

PromptTemplate.partial(...) 同理。适合：租户名、产品名、固定人设等多处复用同一骨架。

8. 系统提示设计（实战清单） #

系统提示写得好，比堆 few-shot 更划算。可用下面结构：

1. 角色：你是谁
2. 目标：要完成什么
3. 能力与边界：能做什么 / 不能做什么
4. 工具策略：何时必须调工具（若有）
5. 输出格式：长短、语言、是否 JSON
6. 失败行为：信息不足时怎么问澄清

8.1. 9.system_prompt_design.py #

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

SYSTEM = """
你是电商售后助手。

目标：用最短步骤帮用户解决问题。

边界：
- 不承诺未核实的退款时效
- 不知道物流状态时，请用户提供订单号

输出：
- 先给结论（1 句）
- 再给 1～3 条可执行步骤
- 使用中文
""".strip()

prompt = ChatPromptTemplate.from_messages(
    [
        ("system", SYSTEM),
        ("human", "{question}"),
    ]
)

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
print((prompt | model).invoke(
    {"question": "我的快递一直显示运输中，已经五天了。"}
).content)

接到 Agent 时，把同一段文字放进 system_prompt 即可：

from langchain.agents import create_agent

agent = create_agent(
    model="deepseek:deepseek-v4-flash",
    tools=[],  # 实战中挂查询订单等工具
    system_prompt=SYSTEM,
)

9. 可维护性建议 #

做法	说明
模板与业务代码分离	模板集中定义，入口只 invoke 变量
先 format 再调模型	出问题先 print(messages)，别先怪模型
少样本要「像真输出」	示例格式必须和你期望的最终格式一致
变量命名稳定	{question} / {context} 全项目统一
敏感信息不进 prompt	密钥、身份证等不要拼进模板
用 LangSmith 对比版本	改 prompt 前后看 trace / 评测集

10. 练习 #

1. 翻译模板：用 ChatPromptTemplate 做「源语言 / 目标语言 / 文本」三变量翻译链。
2. 带历史客服：MessagesPlaceholder("history") + 两轮假历史，问第三轮是否记得用户名。
3. 情感分类 few-shot：至少 3 条示例，测 5 句新文本，看标签是否稳定。
4. partial 多租户：同一模板 partial(product_name=...) 出两套「不同产品」的助手，对比回答。

11. 本章小结 #

1. Prompt 层把提示词从散落字符串变成可复用组件。
2. 聊天场景主用 ChatPromptTemplate；需要整段文本时用 PromptTemplate。
3. MessagesPlaceholder 插入消息历史；few-shot 用示例教格式。
4. partial 预填固定变量；系统提示写清角色、边界、输出格式。
5. prompt | model 是后续 LCEL 的起点。

下一章：结构化输出——用 Pydantic / Structured Output 抽出订单、工单等稳定结构。