LangChain 大模型调用：PromptTemplate 用法全景对比

版本：Python 3.9+、LangChain 0.1.x
目标：一份代码即可复制运行，快速看懂不同 PromptTemplate 的差异与选型要点

---

1. 环境 30 秒就绪

# 建议先建虚拟环境
pip install -U langchain langchain-openai python-dotenv

.env 文件（同级目录）

OPENAI_API_KEY=sk-xxx
OPENAI_BASE_URL=https://api.openai.com/v1   # 如需转发，可改

---

2. 统一 LLM 实例（下文全部复用）

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

---

3. PromptTemplate 六边形对比

模板类型	典型场景	变量声明风格	是否支持 DSL	链式调用辅助	备注
基础 PromptTemplate	单轮、变量少	{}	❌	❌	最早版本，最轻量
ChatPromptTemplate	多轮、角色区分	("role", "content")	❌	✅	推荐用于对话
FewShotPromptTemplate	动态少样本	模板里再嵌模板	❌	✅	把示例也当成变量
PipelinePrompt	超长 prompt 模块化	分片拼接	❌	✅	适合团队协作
MessagesPlaceholder	运行时动态追加 Message	占位符	❌	✅	把历史记录直接“塞”进去
自定义 Template	领域 DSL	随便定	✅	✅	自己写 parse_template

---

4. 代码实战：一行差异看清用法

导包准备：

from langchain.prompts import (
    PromptTemplate,
    ChatPromptTemplate,
    FewShotPromptTemplate,
    PipelinePromptTemplate,
    MessagesPlaceholder
)
from langchain_core.messages import HumanMessage, AIMessage

4.1 基础 PromptTemplate

适用：单轮、变量少、无需角色区分

basic_prompt = PromptTemplate.from_template(
    "把下面的英文单词翻译成中文：{word}"
)
print("1. 基础模板结果：", llm.invoke(basic_prompt.format(word="apple")).content)

4.2 ChatPromptTemplate（带 system + user）

适用：system / user / assistant 区分

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业翻译助手，直接给出译文即可，不要解释。"),
    ("user", "翻译：{word}")
])
print("2. 对话模板结果：", llm.invoke(chat_prompt.format_messages(word="banana"))[0].content)

4.3 FewShotPromptTemplate（动态示例）

适用：示例想运行时换，无需硬编码

examples = [
    {"en": "cat", "zh": "猫"},
    {"en": "dog", "zh": "狗"}
]
example_template = PromptTemplate.from_template("EN: {en}  ->  ZH: {zh}")
fewshot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_template,
    suffix="EN: {input}  ->  ZH:",
    input_variables=["input"]
)
print("3. 少样本结果：", llm.invoke(fewshot_prompt.format(input="rabbit")).content)

4.4 PipelinePromptTemplate（分块拼接）

适用：多人维护、分块复用

intro = PromptTemplate.from_template("你叫{name}，{age}岁，")
hobby = PromptTemplate.from_template("平时喜欢{hobby}。")
full_prompt = PipelinePromptTemplate(
    final_prompt=PromptTemplate.from_template("{intro}{hobby}请自我介绍。"),
    pipeline_prompts=[("intro", intro), ("hobby", hobby)]
)
print("4. Pipeline结果：",
      llm.invoke(full_prompt.format(name="小K", age=18, hobby="写代码")).content)

4.5 MessagesPlaceholder（把历史记录直接插进去）

适用：把任意 List[Message] 整体“塞”进 promp

dynamic_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是客服助手，根据上下文回答用户问题。"),
    MessagesPlaceholder(variable_name="history"),
    ("user", "{question}")
])
history = [
    HumanMessage(content="我订单号 12345 没收到"),
    AIMessage(content="已帮你催促，24 小时内答复")
]
print("5. MessagesPlaceholder结果：",
      llm.invoke(dynamic_prompt.format_messages(history=history, question="现在几点了？"))[0].content)

---

5. 选型速查表（直接截图即可）

需求	首选模板
简单字符串变量	PromptTemplate
多轮对话、角色区分	ChatPromptTemplate
示例想动态换	FewShotPromptTemplate
Prompt >2k tokens、多人维护	PipelinePromptTemplate
运行时插入任意消息列表	MessagesPlaceholder

---

6. 常见坑

1. 用 ChatOpenAI 一定配 ChatPromptTemplate，否则 messages 格式不对会 400
2. FewShotPromptTemplate 的 examples 必须是字典列表，且 key 与 example_prompt 中的变量名完全一致
3. PipelinePromptTemplate 的 pipeline_prompts 顺序会影响最终字符串拼接顺序
4. 如果想把 prompt 打印调试，直接 print(prompt.format(...)) 即可，无需真正调用 llm