本文是《LangChain实战课》系列的第三篇，将深入探讨LangChain中Prompt模板的核心概念、使用方法和高级技巧，帮助你掌握提示工程的艺术。
前言
在前两篇文章中，我们完成了环境搭建并创建了第一个LangChain应用。今天，我们将深入探讨LangChain Model I/O模块的核心组成部分——Prompt模板。理解并熟练使用Prompt模板是构建高效、可靠大模型应用的关键。
什么是Prompt模板？
Prompt模板是预定义的提示结构，允许我们动态插入变量，创建针对特定任务的提示。它们就像是给大模型的"指令模板"，确保每次交互都遵循一致的格式和结构。
为什么需要Prompt模板？
1、一致性：确保相同类型的请求使用相同的格式
2、可维护性：集中管理提示逻辑，便于更新和优化
3、可复用性：可以在不同场景中复用相同的模板结构
4、变量化：动态插入上下文相关信息，提高灵活性
基础Prompt模板使用
- 创建简单模板
让我们从最基本的PromptTemplate开始：
python
from langchain.prompts import PromptTemplate
from langchain.llms import ChatGLM # 使用之前定义的自定义ChatGLM类
初始化模型
llm = ChatGLM()
创建简单模板
template = “请解释以下技术概念: {concept}”
prompt_template = PromptTemplate(
input_variables=[“concept”],
template=template
)
使用模板
filled_prompt = prompt_template.format(concept=“机器学习”)
response = llm(filled_prompt)
print(response)
2. 多变量模板
Prompt模板支持多个变量：
python
多变量模板
template = “作为一名{role}，请用{style}风格解释{concept}”
prompt_template = PromptTemplate(
input_variables=[“role”, “style”, “concept”],
template=template
)
使用模板
filled_prompt = prompt_template.format(
role=“AI专家”,
style=“通俗易懂”,
concept=“神经网络”
)
response = llm(filled_prompt)
print(response)
3. 带默认值的模板
有时我们希望某些变量有默认值：
python
带默认值的模板
template = “请用{style}风格解释{concept}”
prompt_template = PromptTemplate(
input_variables=[“concept”],
partial_variables={“style”: “简洁明了”},
template=template
)
使用模板
filled_prompt = prompt_template.format(concept=“深度学习”)
response = llm(filled_prompt)
print(response)
高级Prompt模板技巧
- 模板组合
我们可以将多个模板组合起来创建更复杂的提示：
python
from langchain.prompts import PipelinePromptTemplate
创建基础模板
introduction_template = PromptTemplate(
input_variables=[“concept”],
templ