LangChain提示词模板实战：3大模板深度解析与应用

1. LangChain提示词模板深度解析

作为一名长期使用LangChain进行大模型应用开发的工程师，我深刻体会到提示词模板在构建稳定、高效AI应用中的重要性。LangChain提供的各类模板不仅能大幅提升开发效率，更能确保与大模型交互的一致性和可控性。下面我将结合实战经验，详细解析三种最常用的提示词模板。

2. 基础环境准备与模型初始化

2.1 大模型对象创建

在开始使用提示词模板前，我们需要先初始化大模型对象。以下是使用通义千问模型的典型配置：

python复制import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 加载环境变量
load_dotenv()

# 创建大模型对象
llm = ChatOpenAI(
    model="qwen-max-latest",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    streaming=True,
)

# 测试模型连接
result = llm.stream("介绍一下你自己")
for chunk in result:
    print(chunk.content, end="")

关键配置说明：

• streaming=True 启用流式输出，适合长文本生成场景
• base_url 指定了阿里云DashScope的兼容模式端点
• 建议将API密钥存储在环境变量中，避免硬编码

2.2 模型响应优化技巧

在实际使用中，我发现通过以下参数调整可以显著改善模型表现：

python复制llm = ChatOpenAI(
    temperature=0.7,  # 控制创造性（0-1）
    max_tokens=1024,  # 限制响应长度
    top_p=0.9,       # 核采样参数
    frequency_penalty=0.5  # 减少重复内容
)

3. PromptTemplate：基础字符串模板

3.1 基本使用方式

PromptTemplate是最基础的模板类型，适用于单轮问答场景。以下是三种创建方式对比：

python复制from langchain.prompts import PromptTemplate

# 方法1：显式声明变量
template1 = "请将以下文本翻译成{target_language}: {text}"
prompt1 = PromptTemplate(
    input_variables=["target_language", "text"],
    template=template1
)

# 方法2：从模板字符串自动提取变量
prompt2 = PromptTemplate.from_template(
    "作为{role}，请{action}: {content}"
)

# 方法3：部分变量预设
partial_prompt = PromptTemplate(
    template="{product}的主要功能包括：{features}",
    input_variables=["features"]
).partial(product="智能手表")