LangChain教程：PromptTemplate提示词模板类-马育民老师

# 提出问题

看下面的代码

```
from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

model = Tongyi(model="qwen-max")       # 创建模型对象
res = model.invoke(input="请分析 手机 出现 掉电快 的原因，只给出3条简短解决建议。")
print(res)
print("-"*50)
res = model.invoke(input="请分析 电脑 出现 卡顿 的原因，只给出3条简短解决建议。")
print(res)
print("-"*50)
res = model.invoke(input="请分析 羽绒服 出现 销量低 的原因，只给出3条简短解决建议。")
print(res)
```

### 提出问题

下面例子的 **提示词** 中，大部分内容都是 **相同的**：

```
请分析 aaa 出现 bbb 的原因，只给出3条简短解决建议。
```

只有 `aaa` 和 `bbb` 的部分是不同的，每次都把这些字符串发给AI，是不合理的

### 解决

使用提示词模板，像数学公式那样，只需要把数字替换公式中的变量

# 提示词模板是什么？

就是 **带占位符的提示词**，方便反复用。

比如：
```
请分析 aaa 出现 bbb 的原因，只给出3条简短解决建议。
```

填完变量，就变成 **真正的提示词**。

# 提示词模板类

在调用大模型时，我们经常需要 **动态替换提示词中的变量**（比如姓名、问题类型、参数等），`PromptTemplate` 就是为了解决这个问题：

- 把**固定文本**和**动态变量**分离，让提示词更易维护；
- 支持批量渲染、格式校验、多变量替换；
- 可与 LangChain 的其他组件（如模型、链）无缝衔接。

# 基础用法

### 1. 基本定义与渲染（不推荐）

先定义包含变量的模板（用 `{变量名}` 标记），再通过 `format()` 或 `invoke()` 填充变量：

```python
from langchain_core.prompts import PromptTemplate

# 1. 定义提示词模板（包含两个变量：product 和 problem）
prompt_template = PromptTemplate(
    input_variables=["product", "problem"],  # 显式声明变量（可选，但建议写，方便校验）
    template="请分析{product}出现{problem}的原因，并给出3条解决建议。"
)

# 2. 渲染模板（填充变量）—— 两种方式
# 方式1：format()（简单场景）
prompt_text1 = prompt_template.format(product="手机", problem="电池掉电快")
# 方式2：invoke()（推荐，支持字典输入，适配 LangChain 生态）
prompt_text2 = prompt_template.invoke({"product": "电脑", "problem": "卡顿"})

# 打印结果
print("渲染结果1：\n", prompt_text1)
print("-" * 50)
print("渲染结果2：\n", prompt_text2.content)  # invoke 返回 PromptValue 对象，用 .content 取文本
```

##### 运行结果：
```
渲染结果1：
 请分析手机出现电池掉电快的原因，并给出3条解决建议。
--------------------------------------------------
渲染结果2：
 请分析电脑出现卡顿的原因，并给出3条解决建议。
```

### 2. 简化定义（推荐）

用 `from_template()` 可以简化，LangChain 会自动识别模板中的变量：

```python
# 简化写法（推荐）
prompt_template = PromptTemplate.from_template(
    "请给{age}岁的{gender}用户推荐{num}个适合的健身运动。"
)

# 渲染
prompt_text = prompt_template.format(age=25, gender="女性", num=5)
# 输出：请给25岁的女性用户推荐5个适合的健身运动。
print(prompt_text)
```

### 案例

使用提示词模板类和阿里千问大模型：

```

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 简化写法（推荐）
prompt_template = PromptTemplate.from_template(
    "请给{age}岁的{gender}用户推荐{num}个适合的健身运动。"
)

# 渲染
prompt_text = prompt_template.format(age=25, gender="女性", num=3)
# 输出：请给25岁的女性用户推荐3个适合的健身运动。
print(prompt_text)

model = Tongyi(model="qwen-max")       # 创建模型对象
res = model.invoke(input=prompt_text)   # 调用模型获取结果
print(res)
```

# 与模型串联（结合 | 运算符）重要

这是 `PromptTemplate` 最核心的使用场景，直接串联模板和模型，自动完成「渲染→调用模型」

**提示：** 支持 `|` 的实现原理，详见 [链接](https://www.malaoshi.top/show_1GW2qDV2kDsh.html "链接")

### 案例

```python

from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi
from dotenv import load_dotenv

# 加载 .env 文件，并放入到环境变量中
load_dotenv()

# 定义模板，简化写法（推荐）
prompt_template = PromptTemplate.from_template(
    "请给{age}岁的{gender}用户推荐{num}个适合的健身运动。"
)

# 创建模型对象
model = Tongyi(model="qwen-max")

# 串联模板和模型（| 运算符）
chain = prompt_template | model

# 调用链（自动渲染模板 + 调用模型）
res = chain.stream({
    "age": 25,
    "gender": "女性",
    "num": 3
})

for chunk in res:
    print(chunk, end="", flush=True)

```

# 进阶功能

### 处理默认值（避免变量缺失）
给变量设置默认值，即使不传入该变量也不会报错：
```python
prompt_template = PromptTemplate.from_template(
    "请写一篇关于{topic}的短文，字数要求：{word_count}字（默认100字）。"
)
# 设置默认值
prompt_template = prompt_template.partial(word_count=100)

# 只传 topic，使用默认的 word_count
prompt_text = prompt_template.format(topic="春天")
print(prompt_text)  # 输出：请写一篇关于春天的短文，字数要求：100字（默认100字）。

# 覆盖默认值
prompt_text2 = prompt_template.format(topic="秋天", word_count=200)
print(prompt_text2)  # 输出：请写一篇关于秋天的短文，字数要求：200字（默认100字）。
```

### 批量渲染模板

一次性渲染多组变量，适合批量调用模型：

```python
prompt_template = PromptTemplate.from_template("计算{num1} + {num2}的结果。")

# 多组变量
variable_sets = [
    {"num1": 10, "num2": 20},
    {"num1": 5, "num2": 8},
    {"num1": 100, "num2": 200}
]

# 批量渲染
batch_prompts = prompt_template.format_batch(variable_sets)
for i, prompt in enumerate(batch_prompts):
    print(f"第{i+1}个提示词：{prompt}")
```

##### 运行结果：
```
第1个提示词：计算10 + 20的结果。
第2个提示词：计算5 + 8的结果。
第3个提示词：计算100 + 200的结果。
```

# 注意事项

1. **变量名规范**：模板中的变量名要和传入的字典键完全一致（大小写敏感）；
2. **特殊字符处理**：如果模板中需要保留 `{}`（比如代码示例），需用 `{{}}` 转义（例：`模板中有{{代码}}块`）；
3. **输入校验**：显式声明 `input_variables` 可以提前校验变量是否缺失，避免运行时错误；
4. **API 配置**：使用第三方模型（如通义千问、OpenAI）时，需先配置对应的 API_KEY（参考模型官方文档）。

# 总结

1. LangChain 的 `PromptTemplate` 是构建结构化提示词的核心工具，核心是「模板定义 + 变量渲染」；
2. 基础用法：用 `from_template()` 定义模板，`format()`/`invoke()` 填充变量；
3. 核心场景：通过 `|` 运算符串联模板和模型，实现「渲染→调用」自动化；
4. 进阶技巧：支持默认值、批量渲染，能大幅提升提示词复用性和开发效率。

原文出处：http://malaoshi.top/show_1GW2qEzu7tpx.html