LangChain PromptTemplate：优化LLM交互的模板引擎实践

1. 理解PromptTemplate的核心价值

在构建AI应用时，我们经常需要与大型语言模型(LLM)进行交互。最基础的方式是直接将字符串传递给模型，比如：

python复制model.invoke("帮我写一首诗")

这种简单粗暴的方式被称为零样本提示(Zero-shot Prompting)。虽然它能工作，但在实际业务场景中存在明显缺陷：

1. 缺乏结构化：每次请求都需要手动拼接字符串，代码可读性差
2. 维护困难：当需要修改提示词时，需要在代码中多处查找替换
3. 易出错：手动处理变量替换时容易遗漏空格或特殊字符转义
4. 难以复用：相同的提示逻辑无法在不同场景中共享使用

LangChain的PromptTemplate正是为解决这些问题而设计的。它本质上是一个模板引擎，提供了以下关键能力：

• 模板定义：将提示词中的固定部分和可变部分分离
• 变量管理：使用{变量名}的格式声明占位符
• 类型安全：在运行时检查变量是否匹配
• 格式控制：自动处理空格、缩进等格式问题

提示：PromptTemplate的设计理念类似于Python中的f-string或format函数，但专门针对LLM交互场景进行了优化。

2. PromptTemplate基础用法

2.1 模板定义与变量声明

创建一个基本的PromptTemplate非常简单：

python复制from langchain_core.prompts import PromptTemplate

template = """
你是一个专业的命名顾问，请根据以下信息为孩子起名：
- 姓氏：{lastname}
- 性别：{gender}
- 家族辈分字：{generation_word}（可选）
请给出3个推荐名字，并简要说明每个名字的含义。
"""

prompt_template = PromptTemplate.from_template(template)

在这个模板中：

• lastname和gender是必填变量
• generation_word是可选变量（通过在模板中标注"可选"来提示使用者）

2.2 变量注入与使用

填充模板变量有两种主要方式：

方式一：使用format方法

python复制filled_prompt = prompt_template.format(
    lastname="张",
    gender="男孩",
    generation_word="明"
)

方式二：使用invoke方法

python复制filled_prompt = prompt_template.invoke({
    "lastname": "李",
    "gender": "女孩"
})

注意：当缺少必