1. LangChain 中的 Prompt 构建艺术
在构建基于大语言模型的应用时,Prompt 设计是决定模型表现的关键因素之一。LangChain 作为当前最流行的 LLM 应用开发框架,提供了两种核心的 Prompt 构建方式:PromptTemplate 和 ChatPromptTemplate。这两种模板看似相似,实则服务于完全不同的模型范式和技术场景。
作为一名长期使用 LangChain 进行 AI 应用开发的工程师,我经常需要向团队解释这两种模板的区别。很多人最初会疑惑:为什么不能直接用 Python 的 f-string?为什么需要这么复杂的模板系统?通过本文,我将从底层原理到实际工程实践,详细解析这两种模板的设计哲学和使用场景。
提示:在最新版本的 LangChain(v0.1.0+)中,ChatPromptTemplate 已经成为默认推荐,这反映了行业从传统文本模型向对话模型的整体迁移趋势。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心差异全景对比
2.1 模型类型适配性
PromptTemplate 是为传统的文本续写模型(Text Completion Model)设计的,这类模型的典型代表包括:
- GPT-3 的 text-davinci 系列
- Meta 的 Llama 2 基础版
- 其他基于自回归(Autoregressive)训练的纯文本模型
这些模型的共同特点是:它们接收一个文本输入,然后基于这个文本进行"续写"。模型内部没有明确的角色概念,整个交互就是一段连续的文本。
ChatPromptTemplate 则是为对话模型(Chat Model)量身定制的,这类模型包括:
这些模型在训练时就被设计为理解不同的对话角色(系统、用户、AI助手),因此需要结构化的消息输入。
2.2 数据结构差异
两者的底层数据结构有着本质区别:
| 特性 | PromptTemplate | ChatPromptTemplate |
|---|---|---|
| 核心数据结构 | 单一字符串 | 消息列表 (List[BaseMessage]) |
| 典型示例 | "请翻译: {text}" | [SystemMessage, HumanMessage(text)] |
| 变量处理 | 简单字符串插值 | 支持列表扩展和结构化角色 |
| 序列化格式 | 纯文本 | 通常是 JSON 数组 |
这种数据结构差异直接影响了它们在工程实践中的应用方式。ChatPromptTemplate 的结构化特性使其更适合构建复杂的对话流程。
2.3 思维模型对比
两种模板反映了不同的交互范式:
PromptTemplate 的续写模型:
code复制用户输入: 法国的首都是哪里?
模型输出: 法国的首都是巴黎。
这种模式下,模型只是简单地"续写"输入文本,没有明确的角色区分。
ChatPromptTemplate 的对话模型:
python复制[
SystemMessage("你是一个知识丰富的助手"),
