如何使用 LangChain 提示模板：指南与示例

大型语言模型（LLM）如 ChatGPT 和 Google Gemini 功能强大，可撰写散文、处理客服查询、编写代码等。但 LLM 的输出质量高度依赖用户输入，若提示词不佳，则难以获得高价值结果。

为解决这一问题，许多开发者采用 LangChain 提示模板。这是一种帮助用户为 LLM 生成高质量查询的指南。以下将概述 LangChain 框架，并展示如何通过提示工程提升大模型应用效果。

什么是提示模板？

提示模板是创建语言模型提示的可重用结构，能以一致且可复现的方式构建提示，从而提高输出质量。

模板通常包含占位符或输入变量，可根据具体任务动态填充相关信息，实现针对不同场景的参数调整。

LangChain 提示模板

LangChain 是一个开源框架，旨在简化由 ChatGPT、Claude、Google Gemini 等大模型驱动的应用开发，支持自然语言理解、问答及摘要等复杂 AI 工作流。

LangChain 提示模板专为该框架设计，允许定义带占位符的提示结构，并通过动态内容生成完整提示。例如，在电商客服场景中：

ecommerce_prompt_template = PromptTemplate(

input_variables=["customer_query"],

template="""

你是一个专攻AI聊天机器人的电子商务客户服务助手。

你的目标是协助客户解决有关产品、订单、运输和退货的咨询。

请以乐于助人且友好的方式回复以下客户咨询：

客户咨询：{customer_query}

"""

)

上述示例表明，LangChain 提示模板语法通俗易懂，无需精确编程代码。因其基于 Python 构建——一种简洁、可读性强且灵活的高级语言——既适合初学者，也能满足高级开发者需求，显著降低了使用门槛。

以下是用于电商网站向上销售的提示模板示例：

upselling_prompt_template = PromptTemplate(

input_variables=["product_name", "customer_interest"],

template="""

你是电商商店的人工智能销售助手。你的目标是通过根据客户的兴趣推荐互补或高端产品，提供个性化的产品建议。请确保推荐内容友好、具有说服力，并侧重于价值。

客户兴趣：{customer_interest}

他们正在考虑的产品：{product_name}

建议一到两款互补产品，并解释它们为何与客户正在考虑的产品搭配良好。

"""

)

此外，还有针对物流配送的客服提示模板：

shipping_prompt_template = PromptTemplate(

input_variables=["customer_location", "shipping_method"],

template="""

你是一名 AI 助手，帮助客户追踪和估算其电子商务订单的运输时间。

客户位置：{customer_location}

所选运输方式：{shipping_method}

基于此信息，提供预计送达时间、任何潜在延误以及关于商店致力于准时交付的简要保证。

"""

)

尽管 LangChain Python 代码易于编写，但其能力并不局限于简单逻辑。它支持多占位符、条件逻辑等复杂功能，助力构建高度定制化的提示系统。

为什么使用提示词模板？

• 输出的一致性
• 效率
• 提升模型性能
• 灵活性与可定制性

使用 format 方法创建 LLM 提示词，可在精确性、灵活性及输出实用性方面带来多重优势。以下是四个核心理由：

输出的一致性

在客户支持、内容创作或问答等场景中，清晰与精确至关重要。提示模板确保指令呈现方式统一，从而获得更可靠、一致的响应。

效率

模板避免重复编写指令，使开发者聚焦于变量调整以适应特定上下文，核心结构保持不变。LLM 仅因预设变量的变化而调整回答。

提升模型性能

设计良好的模板能引导模型准确理解任务，减少歧义，提高响应质量，并规避错误信息。加入示例或清晰结构可进一步增强输出相关性。

灵活性与自定义

通过占位符容纳动态变量，模板便于针对不同用例快速定制。例如，同一模板仅需替换变量值即可适配多种产品或场景，非常适合可扩展应用。

LangChain 提示模板的缺点

• 对上下文的感知有限
• 当用户输入不符合模板时会出现困难
• 复杂的链可能产生充满错误的响应

尽管 LangChain 提示模板对电商运营颇具价值，但其缺乏人类客服的敏捷理解力。主要局限包括：

对上下文的感知有限

模板无法记忆历史对话，每次查询均从零开始，缺乏真实语境支撑，难以实现连贯的多轮交互。

当用户输入不符合模板时会出现困难

若用户提问偏离预设模板（如用订单跟踪模板询问产品信息），AI 可能无法给出合理回应。相比之下，先进聊天机器人具备更强的自适应能力。

复杂的链式结构可能产生充满错误的响应

随着应用复杂度上升，多模板管理难度增加。虽可通过模块化设计缓解问题，但输入越多，出错概率越高。

如何在 LangChain 中创建提示模板

创建 LangChain 提示模板需关注三大要素：模板字符串（核心内容）、变量（代码中的占位符，随用户输入变化）及参数（用户实际输入的具体值）。例如，在美元转欧元的模板中，参数即为待转换金额。

具体步骤如下：

定义模板字符串

模板字符串应包含动态变量占位符。推荐使用 Python f-string（格式化字符串字面量），以便运行时便捷替换值。示例如下：

姓名 = “马克” 职业 = “客户服务”

Formatted_string = f"My name is {name}, and I am a {job} specialist.”

输出：My name is Mark, and I am a customer service specialist.

创建你的提示模板

导入 PromptTemplate 模块，定义提示内容、输入变量及模板本身，以规范化最终传入 LLM 的字符串。

融入少样本示例

在提示前缀中加入少样本示例，可显著提升性能。这些示例向 AI 展示期望的输出格式或风格。例如，训练模型按以下方式回复物流查询：

查询：“我的订单在哪里？”

回复：“您的订单 {order number} 已于 {departure date} 从我们的仓库发出，预计将于 {arrival date} 送达。”

添加外部信息功能（可选）

为增强适应性，可在模板中加入来自 API 或数据库的动态变量占位符，使提示更具实时性和针对性。

通过生成提示进行测试

此阶段即“打印”输出。通过替换变量运行模板，验证其是否符合预期。确认无误后，方可集成至 LLM 调用流程。