企业官网建设流程全解析

PromptTemplate, ChatPromptTemplate, FewShotPromptTemplate, FewShotChatMessagePromptTemplate

这四个组件构成了 LangChain 提示词系统的核心，它们可以看作一个从“基础”到“高级”、从“纯文本”到“对话”的递进体系。理解它们的区别与联系，是构建高效 LLM 应用的关键。

📝 1.PromptTemplate：纯文本提示词的基础

PromptTemplate是最基础的模板，专为纯文本补全模型（text-in, text-out）设计，其输出是一个单一的格式化字符串。

• 核心参数：
  • template：包含{variable}占位符的模板字符串。
  • input_variables：一个字符串列表，显式声明模板中需要被填充的变量名。
• 典型用法：

  fromlangchain_core.promptsimportPromptTemplate template=PromptTemplate.from_template("Write a {adjective} poem about {topic}.")prompt_string=template.format(adjective="funny",topic="AI")# 输出: "Write a funny poem about AI."

• 适用场景：简单的文本生成、分类、摘要等单轮任务，不涉及对话角色或复杂历史上下文。

💬 2.ChatPromptTemplate：对话模型的结构化模板

ChatPromptTemplate专为聊天模型设计，其输出是一个消息列表(List[BaseMessage])。它通过为每条消息指定角色（如system,human,ai），来构建结构化的对话输入。

• 核心参数：
  • messages：一个消息模板列表，通常以元组(role, template)的形式提供，角色包括'system','human','ai'等。
  • 也支持使用MessagesPlaceholder来动态插入对话历史。
• 典型用法：

  fromlangchain_core.promptsimportChatPromptTemplate template=ChatPromptTemplate.from_messages([("system","You are a helpful assistant named {name}."),("human","{user_input}"),])prompt_value=template.invoke({"name":"Bob","user_input":"What's your name?"})# prompt_value 是一个包含 SystemMessage 和 HumanMessage 的 ChatPromptValue 对象

• 适用场景：几乎所有与主流聊天模型（GPT, Claude等）的交互，特别是需要设定系统人设、构建多轮对话、RAG 或 Agent 的应用。

🎯 3.FewShotPromptTemplate：为纯文本模型注入示例

FewShotPromptTemplate在PromptTemplate的基础上，通过注入少量示例来引导模型学习新任务或输出格式。它最终生成的仍然是一个格式化后的长字符串，其中包含了所有示例。

• 核心参数：
  • examples：一个示例字典的列表，例如[{"input": "...", "output": "..."}, ...]。
  • example_prompt：一个PromptTemplate，用于定义单个示例的格式化方式。
  • prefix/suffix：分别放在示例列表前后的固定文本，用于提供任务说明和包裹用户的实际输入。
  • input_variables：最终用户输入中需要被填充的变量名。
  • example_selector：（可选）一个示例选择器对象。如果提供，它会根据用户输入动态地从示例库中选择最相关的示例，而不是使用固定的examples列表。
• 典型用法：

  fromlangchain_core.promptsimportPromptTemplate,FewShotPromptTemplate examples=[{"input":"happy","output":"sad"},{"input":"tall","output":"short"},]example_prompt=PromptTemplate.from_template("Input: {input}\nOutput: {output}")few_shot_prompt=FewShotPromptTemplate(examples=examples,example_prompt=example_prompt,prefix="Give the antonym of each word:",suffix="Input: {input}\nOutput:",input_variables=["input"],)final_prompt=few_shot_prompt.format(input="big")# 输出会是一个包含上述示例和 "Input: big\nOutput:" 的完整字符串

• 适用场景：面向文本补全模型的少样本学习，如文本分类、格式转换、信息提取等任务。

🎯 4.FewShotChatMessagePromptTemplate：为对话模型注入示例

这是FewShotPromptTemplate的对话版本，专为聊天模型设计。它的输出是一个消息列表，其中巧妙地嵌入了以对话形式呈现的示例，从而在保持对话结构的同时引导模型。

• 核心参数：
  • examples：示例字典列表。
  • example_prompt：一个ChatPromptTemplate，用于定义单个示例在对话中的呈现格式（例如，一个(human, ...)后跟一个(ai, ...)）。
  • example_selector：（可选）与FewShotPromptTemplate类似，用于动态选择示例。需要与examples二选一提供。
• 典型用法：

  fromlangchain_core.promptsimportChatPromptTemplate,FewShotChatMessagePromptTemplate examples=[{"input":"2+2","output":"4"},{"input":"2+3","output":"5"},]example_prompt=ChatPromptTemplate.from_messages([('human','{input}'),('ai','{output}')])few_shot_prompt=FewShotChatMessagePromptTemplate(examples=examples,example_prompt=example_prompt,)# 通常被嵌入到一个更大的 ChatPromptTemplate 中使用final_prompt=ChatPromptTemplate.from_messages([('system','You are a math assistant.'),few_shot_prompt,# 示例对话会在此处展开('human','{input}'),])

• 适用场景：面向聊天模型的少样本学习，是构建需要示例引导的复杂对话应用、Agent 和 RAG 系统的标准方式。

💎 总结与对比

总的来说，选择哪个组件取决于两个关键问题：你的目标模型是纯文本模型还是聊天模型？以及你的任务是否需要用示例来引导模型？对于现代 LLM 应用，ChatPromptTemplate和FewShotChatMessagePromptTemplate的组合是最常用和推荐的方式。