在大语言模型（LLM）应用开发中，提示词（Prompt）是引导模型行为的“指令集”。然而，硬编码静态提示词不仅难以维护，更无法适应动态输入。LangChain 的 Prompt 模板（Prompt Template）正是为解决这一问题而生，它提供了一套强大且灵活的机制，用于将用户输入、上下文信息和其他变量安全、高效地注入到预定义的提示词结构中，从而生成符合特定格式和意图的最终提示。
Prompt 模板的核心价值与设计哲学
Prompt 模板的核心作用在于解耦提示逻辑与动态数据。一个精心设计的提示模板就像一个填空题的骨架，其中包含固定的指令、示例（Few-shot）和占位符。当应用运行时，LangChain 负责将实时数据填充到这些占位符中，形成完整的、可执行的提示。
这种模式带来了多重优势。首先，它极大地提升了代码的可读性和可维护性。开发者可以专注于设计最优的提示策略，而不必在业务逻辑中拼接复杂的字符串。其次，它增强了安全性。通过使用 Pydantic 驱动的 ChatPromptTemplate，可以对输入变量进行类型校验和格式化，有效防止因恶意或畸形输入导致的提示注入（Prompt Injection）攻击。最后，它支持复杂的多消息对话历史管理，这是构建连贯的多轮对话机器人的基础。
LangChain 区分了两种主要的模板类型：PromptTemplate 用于传统的单字符串提示，而 ChatPromptTemplate 则专为现代聊天模型（如 GPT 系列、Claude）设计，能构造包含系统消息、人类消息和 AI 消息的多轮对话序列。
基础用法：PromptTemplate 与变量注入
PromptTemplate 是最简单的形式，适用于不需要复杂对话历史的场景。
from langchain_core.prompts import PromptTemplate
# 定义模板，{topic} 是占位符
template = "请写一篇关于{topic}的简短博客文章，字数约200字。"
prompt = PromptTemplate.from_template(template)
# 注入变量并生成最终提示
final_prompt = prompt.format(topic="可再生能源的未来")
print(final_prompt)
此例中，format 方法将 topic 变量的值替换到模板中的 {topic} 位置。模板可以包含多个占位符，并通过关键字参数传入。此外，PromptTemplate 还支持从文件加载模板内容，便于团队协作和版本控制。
高级用法：ChatPromptTemplate 构建多角色对话
对于基于聊天模型的应用，ChatPromptTemplate 是首选。它允许开发者精确控制每条消息的角色（系统、人类、AI）和内容。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 构建一个包含系统指令、对话历史和当前问题的模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的AI助手，名为{assistant_name}。"),
MessagesPlaceholder(variable_name="chat_history"), # 动态插入历史消息
("human", "{input}") # 当前用户输入
])
# 准备输入数据
input_data = {
"assistant_name": "小智",
"chat_history": [
("human", "你好！"),
("ai", "你好！有什么我可以帮你的吗？")
],
"input": "今天天气怎么样？"
}
# 生成消息列表
messages = prompt.invoke(input_data)
MessagesPlaceholder 是一个关键组件，它能自动将传入的 chat_history（一个由 (role, content) 元组组成的列表）转换为 LangChain 内部的消息对象（如 HumanMessage, AIMessage）。这使得在链（Chain）或智能体（Agent）中无缝集成对话历史变得异常简单。
结合输出解析器与链式调用
Prompt 模板很少单独使用，通常作为 LCEL（LangChain Expression Language）链的第一步。它可以与 LLM 和输出解析器（Output Parser）串联，形成端到端的数据处理管道。
例如，要求模型以 JSON 格式返回答案：
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
class Answer(BaseModel):
summary: str = Field(description="问题的摘要回答")
confidence: float = Field(description="回答的置信度，0-1之间")
parser = JsonOutputParser(pydantic_object=Answer)
# 在模板中加入格式化指令
prompt = ChatPromptTemplate.from_messages([
("system", "请根据以下上下文回答问题。{format_instructions}"),
("human", "上下文: {context}nn问题: {question}")
]).partial(format_instructions=parser.get_format_instructions())
chain = prompt | llm | parser
result = chain.invoke({"context": "...", "question": "..."})
# result 现在是一个 Answer 类型的 Pydantic 对象
这里使用了 .partial() 方法，它允许预先填充模板中的某些变量（如 format_instructions），使其在后续调用中保持不变。这种方式确保了输出格式的严格一致性，便于程序后续处理。
最佳实践与常见陷阱
使用 Prompt 模板时，有几个关键点需要注意。避免过度复杂的模板：虽然模板功能强大，但过于嵌套或包含大量逻辑的模板会变得难以调试。应尽量保持模板简洁，将复杂逻辑移至链的其他部分。重视变量命名：清晰、一致的变量名是保证模板可读性的关键。利用社区模板：LangChain Hub 提供了大量经过优化的模板，如 "rlm/rag-prompt"，可以直接拉取使用，加速开发。
