1. 本章目标

学完本章后，你应该能够：

• 理解 Prompt 在大模型应用中的作用
• 使用普通字符串编写 Prompt
• 使用PromptTemplate管理单段提示词
• 使用ChatPromptTemplate管理聊天消息
• 给 Prompt 注入变量
• 编写适合业务场景的提示词
• 完成商品文案、学习计划、客服回复三个案例

2. 什么是 Prompt

Prompt 就是给模型的指令。

例如：

请用一句话介绍 LangChain。

这是一条很简单的 Prompt。

在实际项目中，Prompt 往往会更复杂：

你是一名电商运营专家。 请根据商品名称、商品卖点、目标用户，生成一段适合详情页展示的商品文案。 要求： 1. 语气自然 2. 不超过 150 字 3. 突出用户利益

Prompt 的质量会直接影响模型输出质量。

3. 为什么需要 Prompt 模板

如果每次都手写完整 Prompt，会有几个问题：

• 代码里字符串太长
• 多个地方重复写类似提示词
• 变量拼接容易出错
• 后期不方便维护和修改

例如：

prompt = f"请为商品 {product_name} 写一段文案，卖点是 {selling_points}"

这种写法可以用，但当提示词变长后就不好维护。

LangChain 提供了 Prompt 模板，可以把固定内容和变量分开。

4. PromptTemplate 基本使用

PromptTemplate适合普通文本提示词。

示例：

from langchain_core.prompts import PromptTemplate prompt_template = PromptTemplate.from_template( "请为商品 {product_name} 写一句广告语，突出卖点：{selling_points}" ) prompt = prompt_template.invoke( { "product_name": "无线鼠标", "selling_points": "静音、续航长、轻便", } ) print(prompt.text)

模板中的变量：

{product_name} {selling_points}

会被实际数据替换。

5. ChatPromptTemplate 基本使用

如果要使用 system / human 消息结构，推荐使用ChatPromptTemplate。

示例：

from langchain_core.prompts import ChatPromptTemplate prompt_template = ChatPromptTemplate.from_messages( [ ("system", "你是一名电商运营专家，回答要简洁、有吸引力。"), ("human", "请为商品 {product_name} 写一段文案，卖点是：{selling_points}"), ] )

调用：

prompt = prompt_template.invoke( { "product_name": "无线鼠标", "selling_points": "静音、续航长、轻便", } )

ChatPromptTemplate会生成消息列表，适合聊天模型。

本课程后面会经常使用它。

随堂代码：

from langchain_core.prompts import PromptTemplate prompt_template=PromptTemplate.from_template("请为商品 {product_name} 写一句广告语，突出卖点：{selling_points}") prompt=prompt_template.invoke( { "product_name":"logi鼠标", "selling_points":"特别安静，灵敏，速度快，无延迟" } ) print(prompt.text)

from langchain_core.prompts import ChatPromptTemplate chat_template=ChatPromptTemplate.from_messages( [ ("system","你是一名电商运营专家，回答要简洁、有吸引力。"), ("human","请为商品 {product_name} 写一段文案，卖点是：{selling_points}") ] ) prompt=chat_template.invoke( { "product_name":"logi鼠标", "selling_points":"特别安静，灵敏，速度快，无延迟" } ) print(prompt) # 在真正使用时，需要将整个对象都传递给大模型，而不是一个字符串 print(prompt.messages[1].content)

核心本质差异

PromptTemplate

纯文本提示词模板，只生成一段完整字符串。

无角色概念，只能把系统指令、用户提问揉在一段文字里，靠文字描述区分角色，模型容易混淆。

ChatPromptTemplate 【建议使用】

对话消息模板，生成结构化消息列表[SystemMessage, HumanMessage, AIMessage]。

适用：现代对话大模型（GPT-3.5/4、Claude、通义千问、文心一言等），所有 Agent、ReAct、聊天智能体都用它。

ChatPromptTemplate：原生支持三种角色消息：

• SystemMessage：系统提示词（智能体规则、ReAct 流程、约束）
• HumanMessage：用户输入
• AIMessage：模型历史回复（用于多轮记忆）

6. Prompt 编写建议

第一阶段先掌握几个最实用的原则。

6.1 明确角色

例如：

你是一名电商运营专家。

角色可以帮助模型确定回答风格。

6.2 明确任务

例如：

请根据商品名称和卖点生成一段详情页文案。

任务越明确，模型越容易输出想要的结果。

6.3 明确约束

例如：

要求： 1. 不超过 150 字 2. 不要使用夸张宣传 3. 适合年轻上班族

约束可以减少输出跑偏。

6.4 给出输入字段

例如：

商品名称：{product_name} 商品卖点：{selling_points} 目标用户：{target_user}

让模型清楚知道每个变量的含义。

7. 案例一：商品文案生成器

本案例根据商品信息生成一段电商文案。

创建01_product_copywriter.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate load_dotenv() model=init_chat_model( model="deepseek-v4-flash", model_provider="openai", base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=0.5 ) prompt_str=""" 请根据下面信息生成一段商品详情页文案。 商品名称：{product_name} 商品卖点：{selling_points} 目标用户：{target_user} 要求： 1. 不超过 150 字 2. 突出用户能获得的好处 3. 不要使用虚假夸张表达 """ chat_promt_template=ChatPromptTemplate.from_messages([ ("system","你是一名电商运营专家，擅长写自然、有吸引力但不过度夸张的商品文案"), ("human",prompt_str) ]) prompt=chat_promt_template.invoke({ "product_name":"无线静音鼠标", "selling_points":"静音按键、蓝牙连接、续航 30 天、轻便便携", "target_user":"经常在办公室和图书馆使用电脑的人", }) response=model.invoke(prompt) print(response.content)

运行：

python 01_product_copywriter.py

这个案例体现了 Prompt 的基本结构：

• 角色
• 输入
• 要求
• 输出任务

8. 减少重复代码：封装模型初始化

前面几个案例都重复写了模型初始化代码。

将其放入到一个 utils 工具包下

可以创建model_factory.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model def get_deepSeek_model(temperature:float=0.7): load_dotenv() model = init_chat_model( model="deepseek-v4-flash", model_provider="openai", base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=temperature ) return model

然后案例中可以改成：

from model_factory import get_deepseek_model model = get_deepseek_model(temperature=0.5)

这不是复杂封装，只是减少重复代码。

9. 案例二：学习计划生成器

本案例根据学习目标生成学习计划。

创建02_study_plan.py：

from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model=get_deepSeek_model(0.5) prompt_str=""" 请为我制定一个学习计划。 学习主题：{topic} 学习时长：{days} 天 每天可学习时间：{hours_per_day} 小时 当前基础：{level} 要求： 1. 按天列出学习内容 2. 每天给出练习任务 3. 内容要适合当前基础 """ chat_promt_template=ChatPromptTemplate.from_messages([ ("system","你是一名编程课程规划老师，擅长为初学者制定可执行的学习计划。"), ("human",prompt_str) ]) prompt=chat_promt_template.invoke({ "topic":"langchain", "days":"3", "hours_per_day":"1", "level":"会python基础" }) response=model.invoke(prompt) print(response.content)

运行：

python 02_study_plan.py

这个案例可以看到：

• Prompt 可以接收多个变量
• 变量可以是字符串，也可以是数字
• 模型输出可以被规则引导

10. 案例三：客服回复生成器

本案例根据用户问题和订单状态，生成客服回复。

创建03_customer_reply.py：

from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model(0.7) prompt_str = """ 请根据用户问题和订单状态，生成一段客服回复。 用户问题：{user_question} 订单状态：{order_status} 物流信息：{shipping_info} 要求： 1. 先安抚用户 2. 再说明当前情况 3. 最后给出下一步建议 4. 不超过 120 字 """ chat_promt_template = ChatPromptTemplate.from_messages([ ("system", "你是一名电商客服，回复要礼貌、明确，不推卸责任。"), ("human", prompt_str) ]) prompt = chat_promt_template.invoke({ "user_question": "我的快递三天没更新了，是不是丢了？", "order_status": "已发货", "shipping_info": "物流显示包裹已到达上海转运中心，暂未更新下一站信息" }) response = model.invoke(prompt) print(response.content)

运行：

python 03_customer_reply.py

这个案例接近真实业务：

• 用户问题来自前端
• 订单状态来自数据库
• 物流信息来自第三方接口
• Prompt 负责组织这些信息并生成回复

11.MessagesPlaceholder

作用：

MessagesPlaceholder用来在ChatPromptTemplate中插入一组消息列表。

它通常用于：

• 插入聊天历史
• 插入 Agent 中间步骤
• 插入已经构造好的多条 message

普通变量{question}只能填充一段文本，而MessagesPlaceholder("history")可以一次插入多条(历史)消息。

基本导入

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

基本语法

MessagesPlaceholder(variable_name)

常用写法：

MessagesPlaceholder("history")

完整参数：

MessagesPlaceholder( variable_name="history", optional=True, n_messages=6, )

参数说明

在 ChatPromptTemplate 中使用

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant. "), MessagesPlaceholder("history"), ("human", "{question}"), ])

这里面有一个照应关系：当MessagesPlaceholder("history")时，默认optional=False

也就是说 prompt.invoke 时，必须传入history 这个标签，当然这个标签的名字两个地方保持一致即可

那如果optional=True, 那么prompt.invoke 时，可以不传递 history

另外这个history，必须是一个列表才行

调用时传入：

prompt_value = prompt.invoke({ "history": [ ("human", "My name is Alice."), ("ai", "Nice to meet you, Alice."), ], "question": "What is my name?", })

最终消息顺序相当于：

[ SystemMessage(content="You are a helpful assistant."), HumanMessage(content="My name is Alice."), AIMessage(content="Nice to meet you, Alice."), HumanMessage(content="What is my name?"), ]

输入格式

MessagesPlaceholder对应的变量必须是消息列表。

可以使用 tuple 格式：

history = [ ("human", "你好"), ("ai", "你好，有什么可以帮你？"), ]

也可以使用 LangChain 消息对象：

from langchain_core.messages import HumanMessage, AIMessage history = [ HumanMessage(content="你好"), AIMessage(content="你好，有什么可以帮你？"), ]

错误写法：

prompt.invoke({ "history": "你好", "question": "刚才我说了什么？", })

history不能是普通字符串，必须是 list。

optional=True

默认情况下，如果没有传入history，会报错。

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant."), MessagesPlaceholder("history"), ("human", "{question}"), ]) prompt.invoke({ "question": "Hello!", })

如果聊天历史可能为空，建议设置：

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant."), MessagesPlaceholder("history", optional=True), ("human", "{question}"), ])

这样就可以不传history：

prompt_value = prompt.invoke({ "question": "Hello!", })

n_messages

n_messages用来限制插入最近多少条消息。

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a concise assistant."), MessagesPlaceholder("history", optional=True, n_messages=4), ("human", "{question}"), ])

示例输入：

prompt_value = prompt.invoke({ "history": [ ("human", "My name is Alice."), ("ai", "Nice to meet you, Alice."), ("human", "I like Python."), ("ai", "Great choice."), ("human", "I also use LangChain."), ("ai", "LangChain is useful for LLM apps."), ], "question": "What do you know about me?", })

这里history只会插入最近 4 条消息：

[ HumanMessage(content="I like Python."), AIMessage(content="Great choice."), HumanMessage(content="I also use LangChain."), AIMessage(content="LangChain is useful for LLM apps."), ]

然后再追加当前问题：

HumanMessage(content="What do you know about me?")

placeholder 简写

MessagesPlaceholder也可以使用 tuple 简写：

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant."), ("placeholder", "{history}"), ("human", "{question}"), ])

通常等价于：

prompt = ChatPromptTemplate.from_messages([ ("system", "You are a helpful assistant."), MessagesPlaceholder("history", optional=True), ("human", "{question}"), ])

如果需要设置n_messages，建议使用显式写法：

MessagesPlaceholder("history", optional=True, n_messages=4)

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from utils.model_factory import get_deepSeek_model model=get_deepSeek_model(temperature=0.7) chat_prompt=ChatPromptTemplate.from_messages( [ ("system","你是一个很棒的问答助手"), MessagesPlaceholder(variable_name="history",optional=True,n_messages=4), ("human","{question}") ] ) prompt=chat_prompt.invoke({ "history":[ ("human", "My name is Alice."), ("ai", "Nice to meet you, Alice."), ("human", "I like Python."), ("ai", "Great choice."), ("human", "I also use LangChain."), ("ai", "LangChain is useful for LLM apps."), ], "question":"我叫什么名字？" }) resp=model.invoke(prompt) print(resp.content)

12. 本章重点

本章最重要的是掌握：

• Prompt 是给模型的任务说明
• Prompt 应该包含角色、任务、输入、约束
• PromptTemplate适合普通文本提示词
• ChatPromptTemplate适合聊天模型
• Prompt 模板可以通过变量复用
• 业务场景中要把输入信息清晰地交给模型

13. 常见问题

12.1 Prompt 越长越好吗

不是。

Prompt 应该清晰，但不应该堆太多无关要求。

要求越多，模型越可能顾此失彼。

12.2 为什么模型没有完全按要求输出

大模型不是传统程序，不能保证百分百服从每一条指令。

如果输出格式很重要，后续要结合结构化输出和程序校验。

这部分会在第 4 章讲。

12.3 PromptTemplate 和 ChatPromptTemplate 怎么选

简单建议：

• 普通文本任务：可以用PromptTemplate
• 聊天模型任务：优先用ChatPromptTemplate

本课程后面会更多使用ChatPromptTemplate。