AI–LangChain进阶（一）

1.PromptTemplate

PromptTemplate：通用提示词模版，支持动态注入信息

提示词优化在模型应用中非常重要，LangChain提供了PromptTemplate类，用来协助优化提示词，PromptTemplate表示提示词模版，可以构建一个自定义的基础提示词模版，支持变量的注入，最终生成所需要的提示词，这里有两种写法，一种是标准写法，一种是基于chain链的写法

标准写法

#标准的提示词模版
import os
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

os.environ["DASHSCOPE_API_KEY"] = "key"

prompt_template = PromptTemplate.from_template(
    "我的邻居姓{lastname}, 刚生了{gender}, 帮忙起名字, 请简略回答。"
)

prompt_text = prompt_template.format(lastname="张", gender="女儿")
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)

基于chain链的写法

#基于chain链的提示词模版
import os
from langchain_core.prompts import PromptTemplate
from langchain_community.llms.tongyi import Tongyi

os.environ["DASHSCOPE_API_KEY"] = "key"

prompt_template = PromptTemplate.from_template(
    "我的邻居姓{lastname}, 刚生了{gender}, 帮忙起名字, 请简略回答。"
)

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

chain = prompt_template | model

res = chain.invoke(input={"lastname": "曹", "gender": "女儿"})
print(res)

2.FewShotPromptTemplate

FewShotPromptTemplate：支持基于模版注入容易数量的示例信息

在提示词工程中我们有提到两种思想的提示词，既然有Zero-Shot则必然有对应的Few-Shot，在LangChain中使用的对应模块则是FewShotPromptTemlate

FewShotPromptTemplate(
    examples=None, #示例数据,list,内套字典
    example_prompt=None, #示例提示词模版
    prefix=None, #组装提示词，示例数据前的内容
    suffix=None, #组装提示词，示例数据后的内容
    input_variables=None, #输入变量，list, 与示例数据的key对应
)

这里举个例子：

import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

os.environ["DASHSCOPE_API_KEY"] = "key"

# 初始化模型
chat = ChatTongyi(model="qwen-max")

example_template = PromptTemplate.from_template(
    "单词：{word}\n反义词：{antonym}"
)

example_data = [
    {"word": "热", "antonym": "冷"},
    {"word": "大", "antonym": "小"},
    {"word": "快", "antonym": "慢"},
]

few_shot_prompt = FewShotPromptTemplate(
    examples=example_data, #示例数据,list,内套字典
    example_prompt=example_template, #示例提示词模版
    prefix="请给出每个单词的反义词:，有如下示例:\n", #组装提示词，示例数据前的内容
    suffix="基于示例得知，{input_word}的反义词是：", #组装提示词，示例数据后的内容
    input_variables=["input_word"], #输入变量，list, 与示例数据的key对应
)

# 调用模型
prompt_text = few_shot_prompt.format(input_word="左")
for chunk in chat.stream(input=prompt_text): 
    print(chunk.content, end="", flush=True)

print("\n-----------------")

3.format和invoke

这两个玩意其实是提示词内容的填充方式，在我们所提到的三种提示词方法中都支持这两种，因为历史原因，三种提示词方法都能兼容这两种填充方式

主要对比区别在于：

如果我们对返回值可以接受是字符串的话使用format就没有问题，但是当后续我们需要用到chain链的时候，就需要使用invoke进行操作了，所以在正式的 LangChain 开发中，推荐优先使用invoke，因为它是框架统一的标准接口，兼容性更好

from langchain_core.prompts import PromptTemplate
from langchain_core.prompts import FewShotPromptTemplate
from langchain_core.prompts import ChatPromptTemplate

"""
    PromptTemplate -> StringPromptTemplate -> BasePromptTemplate -> RunnableSerializable -> Runnable
    FewShotPromptTemplate -> StringPromptTemplate -> BasePromptTemplate -> RunnableSerializable -> Runnable
    ChatPromptTemplate -> BaseChatPromptTemplate -> BasePromptTemplate -> RunnableSerializable -> Runnable  
"""

template = PromptTemplate.from_template("我的邻居是，{neighbor}，最喜欢，{favorite}")

res1 = template.format(neighbor="撩月", favorite="摄影")
print(res1, type(res1))

res2 = template.invoke(input={"neighbor": "撩月", "favorite": "摄影"})
print(res2, type(res2))

4.ChatPromptTemplate

ChatPromptTemplate：支持注入任意数量的历史会话信息

在前面学到的两种提示词模版中，只能接入少量的信息，而 ChatPromptTemplate通过from_messages方法，从列表中获取多轮次会话作为聊天的基础模版

from langchain_core.prompts import ChatPromptTemplate

ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的翻译"),
    ("human", "你好"),
    ("ai", "Hello"),
    ("human", "{input}"),
])

但是如果没有信息能够动态注入的话明显是不够的，所以这里引入MessagesPlaceholder，他作为占位符，提供history作为占位的key，最后基于invoke动态注入历史会话记录中，需要注意的是，这里必须是invoke，format是无法注入的

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi
import os

os.environ["DASHSCOPE_API_KEY"] = "key"

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个边塞诗人，可以作诗"),
    MessagesPlaceholder("history"),
    ("human", "请再来一首唐诗"),
])

history_data = [
    ("human", "你来写一个唐诗"),
    ("ai", "床前明月光，疑是地上霜，举头望明月，低头思故乡。"),
    ("human", "好诗，再来一首"),
    ("ai", "锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦。"),
]

# 需要同时传入 history 和 input
prompt = chat_template.invoke({"history": history_data}).to_string()

# 规范输出：只打印消息内容
print(prompt)

model = ChatTongyi(model="qwen-max")

res = model.invoke(prompt)
print(res.content)

5.Chain的基础使用

将组件串联，上一个组件的输出作为下一个组件的输入，是LangChain链的核心工作原理，这也是链式调用的核心价值，实现数据的自动化流转与组件的协同工作，例如：

1	`chain = promot_template \| model`

这里需要注意有一个核心前提，即需要是Runnable子类对象才能入链（Callable Mapping接口子类对象也可以接入，不过目前用的不多），前面所列举的组件均是Runnable接口的子类，如下类的继承关系：

import os
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.prompts import MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.runnables.base import RunnableSerializable

os.environ["DASHSCOPE_API_KEY"] = "key"

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个边塞诗人，可以作诗"),
    MessagesPlaceholder("history"),
    ("human", "请再来一首唐诗"),
])

history_data = [
    ("human", "你来写一个唐诗"),
    ("ai", "床前明月光，疑是地上霜，举头望明月，低头思故乡。"),
    ("human", "好诗，再来一首"),
    ("ai", "锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦。"),
]

model = ChatTongyi(model="qwen-max")

#chain : RunnableSerializable = chat_template | model
chain = chat_template | model
print(type(chain))

res = chain.invoke(input={"history": history_data})
print(res.content)

for chunk in chain.stream(input={"history": history_data}):
    print(chunk.content, end="", flush=True)

在构造链后，我们就可以通过链调用invoke或者stream触发整个链条的执行，前面代码执行的流程如下：

AI--LangChain进阶（一）

https://one-null-pointer.github.io/2026/01/11/AI --LangChain进阶（一）/

Author

liaoyue

Posted on

January 11, 2026

传送口

AI--LangChain基础 Next