企业官网建设流程全解析

一、Prompt 模板与提示词工程

提示词工程，解决输入问题

• 通常使用PromptTemplate管理单段提示词，PromptTemplate适合普通文本提示词
• 使用ChatPromptTemplate管理聊天消息，ChatPromptTemplate会生成消息列表，适合聊天模型。

基础示例：

PromptTemplate：

from langchain_core.prompts import PromptTemplate prompt_template = PromptTemplate.from_template( "请为商品 {product_name} 写一句广告语，突出卖点：{selling_points}" ) prompt = prompt_template.invoke( { "product_name": "无线鼠标", "selling_points": "静音、续航长、轻便", } ) print(prompt.text)

ChatPromptTemplate：

from langchain_core.prompts import ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是简历信息提取助手，严格按照格式提取信息"), ("human", "{user_content}") ]) # 填充占位变量 messages = chat_prompt.invoke({"user_content": "我叫张三，30岁，从事大模型开发10年"})

提示词工程不只是 “写提示词”，在项目中目标明确：

1. 清晰定义模型角色、输出约束；
2. 统一指令格式，降低模型输出随机性；
3. 预留占位符，支持业务动态数据注入；
4. 为后续结构化输出打下基础。

二、第四章：结构化输出与 OutputParser

2.1 业务痛点

大模型原生返回自由自然语言文本，后端程序无法直接读取字段。 例如简历提取场景，我们需要直接拿到姓名、年龄、工作年限、技能列表结构化数据，而不是一段自由文字。

LangChain 提供三套主流方案实现结构化输出：

1. StrOutputParser：将模型回复转换成字符串
2. PydanticOutputParser：传统解析方案（提示词约束 + 文本解析）
3. with_structured_output()：官方推荐现代方案（优先利用模型 Function Calling）

2.2实例代码StrOutputParser：

from langchain_core.output_parsers import StrOutputParser from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model=get_deepSeek_model() chat_prompt=ChatPromptTemplate.from_messages( [ ("system","你是一个内容编辑工程师，擅长提炼文本重点"), ("human","""请将下面内容总结成一句话，不超过 50 字。 内容：{question}""") ] ) prompt=chat_prompt.invoke({ "question":"LangChain 是一个用于开发大模型应用的框架，" "提供模型调用、Prompt 管理、文档处理、检索和工具调用等能力。" }) resp=model.invoke(prompt) # 第一种写法 print(resp.content) # 第二种写法，也是我们建议的写法 parser=StrOutputParser() text=parser.invoke(resp) print(text)

实例代码PydanticOutputParser：

from langchain_core.output_parsers import PydanticOutputParser from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from utils.model_factory import get_deepSeek_model model=get_deepSeek_model() class ResumeInfo(BaseModel): name:str=Field(description="姓名") years_of_experience: int = Field(description="工作年限") skills: list[str] = Field(description="掌握的技术技能") target_position: str = Field(description="目标岗位") parser=PydanticOutputParser(pydantic_object=ResumeInfo) # 格式化指令 format_instructions=parser.get_format_instructions() template=ChatPromptTemplate.from_messages([ ("system",""" 你是一名招聘信息分析助手。 请严格按照指定格式返回结果。 {format_instructions} """), ("human","{resume_content}") ]) resume_content=""" 我叫张三，我干大模型开发10年了，我擅长的技术是 python,langchain,fastapi等，我比较喜欢养猫养狗，我想找一份智能体开发的工作。 """ prompt=template.invoke({ "format_instructions":format_instructions, "resume_content":resume_content }) # 调用大模型，获取AIMessage response=model.invoke(prompt) # 将大模型的返回值，进行格式化输出 result=parser.invoke(response) print(result) print(result.name) print(result.years_of_experience) print(result.skills) print(result.target_position)

实例代码with_structured_output：

from typing import Literal from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from utils.model_factory import get_deepSeek_model class ReviewAnalysis(BaseModel): sentiment:Literal["正面","负面","中性"]=Field(description="情感分析的值") keywords: list[str] = Field(description="评论中的关键词") summary: str = Field(description="对评论的简短总结") needs_reply: bool = Field(description="商家是否需要回复") model = get_deepSeek_model() template=ChatPromptTemplate.from_messages([ ("system","""你是专业商品评论分析助手，严格遵守以下规则，仅输出纯JSON，无任何多余文字、解释、markdown： 1. 输出JSON必须包含4个字段：sentiment、keywords、summary、needs_reply，缺一不可； 2. sentiment 仅允许三个中文值：「正面」「中性」「负面」，绝对不能使用 mixed / positive / negative 等英文； 3. keywords 是字符串数组，提取评论核心描述词； 4. summary 用一句话概括整条评论优缺点； 5. needs_reply：商品存在质量问题、故障、严重不满设为true，单纯好评设为false。 """), ("human",""" 请分析下面的商品评论： {review} """) ]) prompt = template.invoke({ "review":"鼠标手感不错，也很安静，但是用了两周滚轮就有异响。" }) structurted_model=model.with_structured_output( ReviewAnalysis, method="json_mode" ) response= structurted_model.invoke(prompt) print(response) print(response.sentiment) print(response.keywords) print(response.summary) print(response.needs_reply)

三、总结与工程落地建议

1. 提示词层面：使用ChatPromptTemplate管理所有指令，杜绝字符串硬拼接，方便后期迭代、调优提示词；
2. 结构化输出选型：新项目优先使用with_structured_output；仅当模型不支持工具调用时，备选PydanticOutputParser；
3. 模型适配：不同厂商、不同系列模型参数约束存在差异，开发前查阅接口文档，警惕预览版 / 高速模型的参数限制；
4. 容错设计：线上环境针对结构化解析增加异常捕获与重试逻辑，防止模型输出格式异常导致服务崩溃。

掌握提示词模板与输出解析，标志着开发从 “简单调用 LLM 对话” 进阶到可落地业务 AI 应用开发，也是后续学习 RAG 知识库、智能体 Agent 的基础。