目錄

• 前言
• 1. PromptTemplate 概述

• 1.1 什麼是 PromptTemplate
• 1.2 為什麼需要模板化提示

• 2. PromptTemplate 的參數與用法

• 2.1 主要參數説明
• 2.2 支持多種模板語法

• 3. 與 LLMChain 的結合使用

• 3.1 基本鏈式調用
• 3.2 多變量與上下文集成

• 4. PromptTemplate 與 ChatPromptTemplate 的區別
• 5. 實踐技巧與最佳實踐

• 5.1 提示設計建議
• 5.2 常見錯誤與排查

• 結語

前言

在大模型應用開發中，“提示詞”（Prompt）扮演着至關重要的角色。一個好的提示詞可以顯著提升模型輸出質量，而一個結構混亂或信息不明確的提示，則可能讓模型答非所問。
然而，在複雜的項目中，提示詞往往需要根據不同上下文、不同變量動態生成，這讓“硬編碼”成為難以維護的痛點。

為了解決這一問題，LangChain 提供了一個強大的組件——PromptTemplate。它允許開發者通過模板化方式構建提示詞，讓大模型的調用過程更靈活、更可複用、更結構化。本文將深入解析 PromptTemplate 的設計理念、使用方法及其在實際項目中的應用技巧。

1. PromptTemplate 概述

1.1 什麼是 PromptTemplate

PromptTemplate 是 LangChain 中用於構建提示詞模板的核心類。它的主要功能是：

• 參數化提示詞內容：通過變量佔位符定義動態部分；
• 減少重複代碼：讓提示結構可複用；
• 保證輸入一致性：自動校驗變量名稱；
• 支持多種模板語法：包括 f-string 與 jinja2。

簡單來説，PromptTemplate 就像一個“提示生成器”，你只需定義模板結構，運行時再傳入不同變量即可快速生成新的提示內容。

1.2 為什麼需要模板化提示

在傳統開發中，我們可能會直接在代碼中硬編碼提示，例如：

prompt = "請為產品 LangChain 智能助手 編寫一段廣告文案。"

這種方式的問題包括：

• 不能靈活替換參數；
• 提示詞複用性差；
• 結構不統一，易出錯。

而使用 PromptTemplate，我們可以這樣定義：

from langchain.prompts import PromptTemplate
template = "請為產品 {product_name} 編寫一段廣告文案，突出其 {feature}。"
prompt = PromptTemplate.from_template(template)

隨後，只需動態填充變量：

print(prompt.format(product_name="LangChain 智能助手", feature="高效與靈活"))

輸出結果：

請為產品 LangChain 智能助手 編寫一段廣告文案，突出其 高效與靈活。

這種方式不僅簡潔明瞭，還能在不同上下文中重複利用相同的模板。

2. PromptTemplate 的參數與用法

2.1 主要參數説明

你可以直接手動傳參：

prompt = PromptTemplate(
input_variables=["product_name", "feature"],
template="請為 {product_name} 寫一段宣傳語，突出其 {feature}。"
)

或使用更簡潔的 from_template() 方法自動識別變量：

prompt = PromptTemplate.from_template("請介紹 {topic} 的主要特徵。")

2.2 支持多種模板語法

LangChain 默認使用 Python 的 f-string 模板，但也支持更靈活的 Jinja2 模板引擎。

示例：

from langchain.prompts import PromptTemplate
template = """請寫一篇關於{{topic}}的短文，字數大約{{length}}字。"""
prompt = PromptTemplate(
input_variables=["topic", "length"],
template=template,
template_format="jinja2"
)
print(prompt.format(topic="人工智能", length=300))

輸出結果：

請寫一篇關於人工智能的短文，字數大約300字。

Jinja2 模板支持條件判斷、循環、邏輯控制，更適合複雜提示構建場景。

3. 與 LLMChain 的結合使用

3.1 基本鏈式調用

在 LangChain 中，PromptTemplate 通常與 LLMChain 一起使用。後者是連接大模型與提示模板的橋樑。

from langchain.chains import LLMChain
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.7)
prompt = PromptTemplate(
input_variables=["question"],
template="請用簡潔的中文回答以下問題：{question}"
)
chain = LLMChain(llm=llm, prompt=prompt)
result = chain.run("LangChain 是什麼？")
print(result)

在這段代碼中：

• PromptTemplate 定義提示結構；
• LLMChain 將提示與模型綁定；
• chain.run() 自動完成變量填充並調用模型。

3.2 多變量與上下文集成

PromptTemplate 可以處理多輸入場景，非常適合問答或知識檢索系統（RAG）。

template = """
你是一名{role}。
請回答以下問題：
{question}
背景信息：
{context}
"""
prompt = PromptTemplate(
input_variables=["role", "question", "context"],
template=template
)
print(prompt.format(
role="數據分析專家",
question="為什麼數據可視化很重要？",
context="數據可視化可以幫助發現趨勢和異常。"
))

輸出結果：

你是一名數據分析專家。
請回答以下問題：
為什麼數據可視化很重要？
背景信息：
數據可視化可以幫助發現趨勢和異常。

這樣的結構讓提示更加上下文化，有助於模型生成更符合語境的回答。

4. PromptTemplate 與 ChatPromptTemplate 的區別

LangChain 同時提供了 PromptTemplate 與 ChatPromptTemplate，二者的用途不同。

例如使用 ChatPromptTemplate：

from langchain.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一名中文寫作助手。"),
("user", "請為主題 {topic} 寫一段100字的介紹。")
])
print(prompt.format(topic="LangChain"))

這種結構可以更自然地表達多輪對話中的上下文關係。

5. 實踐技巧與最佳實踐

5.1 提示設計建議

• 明確角色定位：告訴模型“你是誰”能顯著提升輸出風格一致性。
• 保持格式一致：定義好輸出格式（如 JSON、Markdown）方便後續解析。
• 使用參數化變量：不要在模板中硬編碼具體內容。
• 驗證模板：設置 validate_template=True 以防止變量遺漏。
• 配合上下文動態生成：可與文檔檢索、記憶模塊結合，自動生成補充信息。

5.2 常見錯誤與排查

結語

在 LangChain 框架中，PromptTemplate 是構建智能交互的基礎組件。它將提示詞從“靜態文本”轉變為“動態生成邏輯”，使開發者能夠：

• 快速構建結構化提示；
• 輕鬆管理多任務提示體系；
• 與鏈、代理、記憶等模塊無縫銜接。

如果説 LangChain 是讓大模型“工作”的系統框架，那麼 PromptTemplate 就是讓它“聽懂指令”的語言基礎。 掌握 PromptTemplate，不僅能讓你的提示更智能、更靈活，也能為構建複雜的 AI 應用奠定堅實的根基。