LangChain 中提示词模板（Prompt Template）的语法围绕“定义模板结构”和“动态填充参数”展开，核心是通过占位符实现灵活性。根据模板类型（对话式/字符串式），具体语法略有差异，以下是详细说明：

一、基础语法：占位符定义

所有模板均使用 {占位符名称} 作为动态参数的标记，例如 {role}、{question}、{user_input} 等。
占位符名称需遵循变量命名规则（字母、数字、下划线，首字符不为数字），后续通过 format() 或链式调用传入具体值。

二、两种核心模板类型及语法

1. 对话式模板（ChatPromptTemplate，多角色场景）

用于构建包含“系统提示”“用户输入”“AI 回复”等多角色的对话式提示词，语法通过 from_messages() 方法定义，参数为角色-内容的列表。

语法结构：

from langchain_core.prompts import ChatPromptTemplate

# 格式：[("角色类型", "包含{占位符}的提示词内容"), ...]
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，请用{style}风格回答。"),  # 系统角色提示
    ("human", "我的问题是：{question}"),              # 用户输入提示
    # 可选：加入历史对话（AI回复）
    ("ai", "上次你说：{previous_answer}")             # AI回复历史
])

角色类型：

• system：定义模型的身份、行为规则（如“你是医生”“回答需简洁”）。
• human：用户的提问或输入内容。
• ai：模型之前的回复（用于多轮对话场景）。

2. 字符串式模板（ChatPromptTemplate 或 PromptTemplate，单一场景）

用于构建纯字符串提示词（无角色区分），语法通过 from_template() 方法定义，直接传入包含占位符的字符串。

语法结构：

from langchain_core.prompts import ChatPromptTemplate  # 兼容大模型对话接口
# 或 from langchain_core.prompts import PromptTemplate  # 通用字符串模板

# 格式：直接传入带{占位符}的字符串
str_prompt = ChatPromptTemplate.from_template(
    "请用{language}语言实现{function}功能，要求：{requirements}"
)

三、参数填充语法

定义模板后，需通过 format() 方法或链式调用填充占位符，两种方式等效：

1. 直接调用 format() 填充

# 对话式模板填充
filled_chat = chat_prompt.format(
    role="数学老师",
    style="通俗",
    question="什么是勾股定理？",
    previous_answer="我可以帮你解释几何概念"
)

# 字符串式模板填充
filled_str = str_prompt.format(
    language="Python",
    function="数组去重",
    requirements="时间复杂度O(n)"
)

2. 链式调用中填充（与大模型结合）

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="qwen-plus")
chain = chat_prompt | llm  # 模板与大模型串联成链

# 调用时传入参数字典，自动填充模板
response = chain.invoke({
    "role": "程序员",
    "style": "简洁",
    "question": "什么是闭包？"
})

四、高级语法：模板组合与动态生成

1. 模板嵌套（复用子模板）

# 定义子模板
sub_prompt = ChatPromptTemplate.from_template("分析{topic}的核心原理")
# 主模板嵌套子模板
main_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是技术分析师"),
    ("human", sub_prompt.format(topic="{field}"))  # 子模板填充后作为用户输入
])
# 最终填充
filled_main = main_prompt.format(field="机器学习")  # 等价于：分析机器学习的核心原理

2. 动态生成占位符（结合变量）

user_input = "推荐一本书"
dynamic_placeholder = "book_type"  # 动态定义占位符名称
# 模板中使用动态占位符
prompt = ChatPromptTemplate.from_template(f"根据{dynamic_placeholder}推荐：{user_input}")
# 填充时传入对应参数
filled = prompt.format(book_type="科幻")  # 输出：根据科幻推荐：推荐一本书

总结

LangChain 提示词模板的核心语法是：

1. 用 {占位符} 标记动态参数；
2. 通过 from_messages() 定义多角色对话模板，或 from_template() 定义字符串模板；
3. 用 format() 或链式调用 invoke() 传入参数字典填充占位符。

这种语法设计既保证了提示词的灵活性，又通过标准化结构简化了复杂场景（如多轮对话、角色设定）的管理。