LangChain 工程实践：建立公司级 Prompt 模块的四种模式

在的应用时Prompt的质量直接决定了模型输出的效果。一个结构混乱、意图模糊的 Prompt 不仅会导致回答质量低下还可能引发安全漏洞。怎么说呢，

LangChain 框架提供了一套程序化的 Prompt 管理方案。从基础的字符串模板到高级的，再到声明式的链式调用，为不同复杂度的业务场景提供了方法。

从基础模式来看。PromptTemplate

使用者痛点：缺乏统一标准导致同一业务场景出现多份相似但不一致的 Prompt，维护成本高；对输入变量未进行清洗，容易出现提示词注入攻击。

PromptTemplate 是最基础的提示词模板，适用于处理简单的、单轮的文本生成任务。它的主要作用是将动态变量注入到预定义的文本结构中，实现 Prompt 的复用和标准化。

适用场景

1. 简单的文本补全或摘要任务。按理说，
2. 不需要复杂上下文或角色设定的问答。

代码实践

我们封装一个模型实例化工具函数，以便后续复用。

import os
from langchain_openai import ChatOpenAI
def get_model:
"""实例化 LLM 模型，统一配置入口"""
return ChatOpenAI(
model='qwen-plus',base_url=os.environ.get,api_key=os.environ.get,temperature=0.1,max_tokens=512
)

接下来使用 PromptTemplate 建立一个简单的问答流程：

import sys
import time
from langchain_core.prompts import PromptTemplate
def basic_prompt_template:
model = get_model
# 定义模板结构。使用 {variable} 作为占位符
template = "我简单讲解一下{question},不超过800个字"
prompt_template = PromptTemplate.from_template
# 填充变量，生成最终 Prompt
final_prompt = prompt_template.format
# 调用模型并流式输出结果
print
for chunk in model.stream:
if chunk.content:
sys.stdout.write
sys.stdout.flush
time.sleep # 模拟打字机效果，实际生产可去掉
print
if __name__ == "__main__":
basic_prompt_template

工程要点

• 流式输出: model.stream 是让使用者用起来更舒服的关键手段，它避免了长时间白屏等待，让使用者能即时看到模型“思考”的过程。话说回来，
• 变量注入与清洗: .format 方法简单直接。但要注意对使用者输入进行清洗，以防止提示词注入攻击。
• 标准化模板管理: 将所有基础模板集中管理。可快速复用与更新，提高团队协作效率。

使用者痛点：当业务需求涉及多轮对话或角色扮演时单一文本模板无法精确控制模型行为；话说回来，缺乏角色分离导致指令遵循率下降；调试过程中难以查看完整消息结构。

因为使用场景的复杂化，简单文本模板已无法满足需求。话说回来，ChatPromptTemplate 引入了“角色”的概念。通过模拟多轮对话结构，能更精准地控制模型行为和输出风格。老实说，

1. 需要设定特定角色的场景。老实说，
2. 多轮对话程序。
3. 需要严格约束输出格式或长度等任务。

from langchain_core.prompts import ChatPromptTemplate
def chat_prompt_template:
model = get_model
# 定义多角色消息模板
chat_template = ChatPromptTemplate.from_messages()
# 填充所有变量
final_prompt = chat_template.format_messages(
role='Python 架构师'。max_words=200,'
)
# 调试：查看最终生成的信息结构
print
for msg in final_prompt:
print}]: {msg.content}...")
# 流式调用
for chunk in model.stream:
if chunk.content:
print
if __name__ == "__main__":
chat_prompt_template

• 角色分离: 将指令与数据分离，使指令更易被遵循，并减少误解风险。
• : final_prompt 是一个消息对象列表。可直接打印查看，对...有帮助快速定位错误与调整语境。按理说，
• : 可以随时插入更多消息类型。 例如 Assistant 或 Tool，以支持更复杂交互流程。

. 高级模式：Few-Shot Prompting

使用者痛点：MIMIC 风格训练失败、JSON 等格式化输出不稳定；单纯文字描述难以让大模型严格遵守格式；按理说，缺少示例导致训练成本高昂且难以迭代升级。怎么说呢，

PROMPT 几乎总是受限于语言描述。而“少样本提示”通过给出若干输入–输出范例，让模型更好地理解期望格式，是提高输出稳定性的杀手锏。其实，本节结合 LCEL 管道，让代码更加简洁可维护。话说回来，

说到代码实践。这里我们结合 LCEL管道模式，让代码更加简洁。老实说，

from langchaincore.outputparsers import StrOutputParser

def fewshotprompting: model=get_model

# 建立包含示例的 Prompt fewshottemplate=ChatPromptTemplate.frommessages()