手撕Prompt？Out了！LangChain模板引擎，让你像‘拼乐高’一样开发AI应用-Seo优化-塔城地区网站建设公司

我挖掘了一个巨牛的人工智能学习网站，通俗易懂，风趣幽默，忍不住分享一下给大家。点击跳转到网站。

前言

在大模型应用开发中，提示词（Prompt）是连接开发者与LLM的核心桥梁。很多新手开发时，习惯手动硬编码拼接提示词，不仅代码冗余、复用性极差，还会出现格式不统一、维护成本高、迭代困难等问题。

LangChain 提供了PromptTemplate（提示词模板）核心抽象组件，完美解决以上痛点。它支持动态参数填充、结构化消息配置、多场景复用，是所有LangChain应用、AI对话机器人、工具Agent开发的基础核心能力。

本文将从零拆解提示词模板核心概念、两类主流模板用法、消息占位符高阶技巧，最后实战演示LangChain Hub公共模板拉取与使用，所有代码均可直接复制落地运行。

一、提示词模板（PromptTemplate）核心概念

1.1 什么是提示词模板？

提示词模板是 LangChain 核心可复用组件，本质是一套带占位符的提示词蓝图。我们只需提前定义固定文本结构与动态变量，运行时传入具体参数，即可自动生成完整、规范、统一的LLM请求提示词。

简单类比：等同于编程中的字符串格式化，告别手动拼接文本，实现提示词的标准化生产。

1.2 传统硬编码 VS 模板写法

❌ 传统写法（冗余、不可复用）

如果需要查询不同城市的历史，需要重复编写大量相似文本：

HumanMessage("请介绍上海的历史")
HumanMessage("请介绍西安的历史")
HumanMessage("请介绍北京的历史")

✅ 模板写法（一次定义、无限复用）

定义通用模板：请介绍{city}的历史，仅需动态替换city变量，即可生成任意城市的查询提示词。

1.3 提示词模板四大核心价值

可复用性：一套模板适配无数相似业务场景，无需重复编写提示词；
关注点分离：提示词工程师专注优化模板逻辑，业务代码专注传入动态参数；
输出一致性：统一LLM请求格式，让模型输出更稳定、可预测；
易维护性：迭代提示词风格、规则、结构时，仅需修改模板，无需全局改代码。

二、两大核心模板实战用法

LangChain 针对不同场景，提供两套核心模板：字符串模板（PromptTemplate）适配基础文本模型，聊天模板（ChatPromptTemplate）适配主流对话模型（GPT-3.5/4、通义千问等），两者均实现Runnable接口，支持链式调用。

2.1 字符串模板：PromptTemplate

适用于纯文本生成场景，无角色区分，是最基础、最轻量化的提示词模板，核心参数：

template：提示词模板文本，包含{变量名}占位符；
input_variables：模板中所有动态变量名列表。

支持两种初始化方式，效果完全一致：

from langchain_core.prompts import PromptTemplate # 方式1：快捷初始化（推荐） prompt_template = PromptTemplate.from_template("Translate the following into {language}") # 方式2：原生初始化 prompt_template = PromptTemplate( input_variables=["language"], template="Translate the following into {language}" ) # 动态填充变量 result = prompt_template.invoke({"language": "Chinese"}) print(result) # 输出：text='Translate the following into Chinese'

2.2 聊天模板：ChatPromptTemplate（重点）

当前AI开发首选模板，专门适配聊天大模型，支持分层定义系统指令、用户提问、AI回复多角色消息，完美贴合Chat模型的消息交互逻辑。

模板中可直接配置多角色消息组，同时支持多动态变量填充，结合LCEL链式调用可实现极简开发。

如下代码所示:

from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate model = init_chat_model("deepseek-chat",model_provider="deepseek") #注意提示词模板就是一个runnable实例 chat_prompt_template = ChatPromptTemplate( [ ("system", """你是专业翻译器，严格遵守以下规则： 1. 将用户提供文本，从{language_from}精准翻译成{language_to}； 2. 只输出翻译后的结果，**绝对不能输出原文**； 3. 不要解释、不要额外对话、不要反问，仅返回译文； 4. 禁止复述用户输入的句子。"""), ("user","{text}"), ] ) messages = chat_prompt_template.invoke( { "language_from":"英文", "language_to":"中文", "text":"hi,who are you?", } ) model.invoke(messages).pretty_print()

输出结果就是：

你好，你是谁？

解析代码：

创建对话提示词模板（核心：Prompt Template）

关键点拆解

结构：传入二元元组列表区分对话角色
- ("system", 内容)：系统指令，定义模型身份、行为约束；内部有两个占位符{language_from}、{language_to}；
- ("user", 内容)：用户输入区域，占位符{text}存放待翻译原文；
占位符：{language_from}{language_to}{text}是三个动态变量，运行时必须传入对应值填充；
重要特性：注释写了「提示词模板就是一个 runnable 实例」ChatPromptTemplate实现了 Runnable 接口，自带.invoke()方法，可以接收变量字典、自动替换占位符，输出完整消息列表。

由于ChatPromptTemplate同样也实现了标准的Runnable接口，因此我们还可以通过链来完成
调用。如下所示:

from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate model = init_chat_model("deepseek-chat",model_provider="deepseek") #注意提示词模板就是一个runnable实例 chat_prompt_template = ChatPromptTemplate( [ ("system", """你是专业翻译器，严格遵守以下规则： 1. 将用户提供文本，从{language_from}精准翻译成{language_to}； 2. 只输出翻译后的结果，**绝对不能输出原文**； 3. 不要解释、不要额外对话、不要反问，仅返回译文； 4. 禁止复述用户输入的句子。"""), ("user","{text}"), ] ) chain = chat_prompt_template | model chain.invoke( { "language_from": "中文", "language_to": "英文", "text": "天青色等烟雨，而我在等你~", } ).pretty_print()

输出结果：

================================== Ai Message ==================================
The sky is waiting for misty rain, and I am waiting for you~

该模板的核心优势：角色分层清晰、结构规范、支持流式输出，是对话机器人、翻译、问答类应用的标准写法。

三，使用LangChainHub的提示词模板

3.1、LangChain Hub 是什么

定位：专门用来上传、浏览、拉取、共享、管理提示词模板的在线平台，对标代码领域的 GitHub。
诞生背景提示工程在大模型开发中权重越来越高，需要一个平台统一分享、复用优质 Prompt，方便开发者协作、复用、微调提示词，加快 LLM 应用开发。
平台历史变化早期 Hub 支持上传 Prompt / Chain / Agent；现在平台仅保留Prompt 模板分享功能。
访问地址https://smith.langchain.com/hub/登录 LangSmith 账号即可浏览、搜索、收藏全网公开提示词。

3.2、核心价值

复用成熟高质量提示词，不用从零手写；
提示工程师之间协作、共享、迭代优化模板；
可基于公共模板二次修改微调，适配自身业务；
统一标准化 Prompt 分发，减少重复提示词开发工作。

3.3、使用教程

我们在使用LangChain Hub之前，我们需要需要先申请并配置LangSmith环境变量:

下面是操作实操

首先点击settings

进入界面后，点击右上角+ API Key

然后过期日期填写永不过期，不然过一阵时间还要重新申请。

描述description就默认填写

选项填写完毕后，直接创建，就会自动弹出你的API Key，注意要先复制！

接下来配置两个环境变量

LANGSMITH_TRACING="true"
LANGSMITH_API_KEY="你的 LangSmith API Key"

配置完成后，重启我们的编译器，就完成环境配置，可以从LangChain hub上找自己喜欢的提示词。

3.4、示例模板：hardkothari/prompt-maker

平台收藏量最高的公共提示词模板，功能是提示词自动生成器。

作用：

接收两个入参task（你的业务任务）、lazy_prompt（你简陋原始提示词），这两个入参也就是两个占位符~调用链时传入对应值完成填充。

输入你的任务需求，它会自动帮你生成一段专业、规范、约束完善的系统提示词，优化模型输出效果。

这里可以直接复制粘贴python sdk

调用原码：

# Create a LangSmith API in Settings > API Keys # Make sure API key env var is set: # import os; os.environ["LANGSMITH_API_KEY"] = "<your-api-key>" from langchain.chat_models import init_chat_model from langsmith import Client client = Client() #prompt就是一个提示词模板，Runnable示例 prompt = client.pull_prompt("hardkothari/prompt-maker", dangerously_pull_public_prompt=True) # 定义模型 model = init_chat_model("deepseek-v4-flash", model_provider="deepseek") # 定义链 chain = prompt | model while True: task = input("\n你的任务是什么？（输⼊ quit 退出聊天）\n") if task == 'quit': break lazy_prompt = input("\n你当前的提⽰是什么？（输⼊ quit 退出聊天）\n") if lazy_prompt == 'quit': break chain.invoke({'lazy_prompt': lazy_prompt, 'task': task}).pretty_print()

输出结果：

你的任务是什么？（输⼊ quit 退出聊天） 做一个python游戏 你当前的提⽰是什么？（输⼊ quit 退出聊天） 你是python专家 ================================== Ai Message ================================== 作为Python游戏开发专家，请根据以下要求，为我设计并生成一个完整的Python游戏。 ### 游戏类型与核心机制 - 请选择一款经典、易于实现的小游戏（例如：猜数字、贪吃蛇、井字棋、打砖块等），并说明选择理由。 - 游戏需包含至少以下功能： - 用户输入（键盘或鼠标） - 得分/回合记录 - 游戏结束条件及重新开始选项 - 若使用图形界面，推荐使用pygame或turtle库；若为文字界面，则使用input()与print()。 ### 代码要求 - 提供完整可运行的Python代码，并包含必要的注释（中英文皆可）。 - 代码结构清晰，函数划分合理（例如：初始化、游戏循环、事件处理、渲染/输出）。 - 尽量遵循PEP 8编码规范。 ### 输出格式 1. 首先简要描述游戏玩法与规则。 2. 然后列出所需的库或依赖（例如：`pygame`、`random`等）。 3. 接着给出完整代码，并用```python ```代码块包裹。 4. 最后提供运行说明（如：运行环境、启动命令）。 ### 示例风格（以供参考） “欢迎来到『猜数字』游戏！我随机生成一个1-100之间的整数，请你猜猜是多少。每次猜测后，我会告诉你猜高了还是低了。看看你最少需要几次猜中！” --- 请开始你的设计。 你的任务是什么？（输⼊ quit 退出聊天） quit