企业官网建设流程全解析

问题

项目里会发生什么

后果

散落在代码里

每个接口、每个 Agent 都写一份 Prompt

改一次要全项目搜索

变量靠手动拼

context、question、history 容易传错

模型回答不稳定

输出格式不统一

一会儿文本，一会儿 JSON，一会儿表格

后端很难解析

没有版本管理

Prompt 改坏后无法快速回滚

线上问题难复盘

没有评测体系

只能凭感觉判断效果好坏

迭代方向不清楚

# 一个最简单的 PromptTemplate
from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template("""
你是一个技术文章助手。
请用通俗易懂的方式解释：{topic}
要求：
1. 先给结论
2. 再举例子
3. 最后总结
""")
final_prompt = prompt.format(topic="LangChain Prompt Template")
print(final_prompt)

组件

输入结构

输出结果

适合场景

PromptTemplate

一个字符串模板

字符串 Prompt

简单生成、翻译、摘要、分类

ChatPromptTemplate

一组带角色的消息模板

ChatPromptValue

Chat Model、多轮对话、Agent、RAG

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个严谨的技术文章作者，回答要通俗、准确。"),
("human", "请解释：{question}")
])
prompt_value = prompt.invoke({"question": "Prompt Template 是什么？"})
print(prompt_value.messages)

类名

源码职责

你可以怎么理解

PromptTemplate

保存 template、input_variables、template_format

普通字符串模板

StringPromptTemplate

抽象字符串模板的 format / format_prompt 行为

字符串模板基类

BaseStringMessagePromptTemplate

把字符串模板包装成某种消息

字符串转角色消息

ChatPromptTemplate

维护一组 message templates

聊天消息模板容器

MessagesPlaceholder

接收一组已有 messages 并插入模板

历史对话插槽

ChatPromptValue

保存最终 messages

即将交给 ChatModel 的请求对象

# 这是按源码逻辑整理的伪代码，不是逐行复制
class PromptTemplate:
@classmethod
def from_template(cls, template, template_format="f-string", partial_variables=None, **kwargs):
# 1. 从模板字符串里解析变量名
input_variables = get_template_variables(template, template_format)
# 2. 如果某些变量已经被 partial 固定，就不再要求外部传入
partial_variables = partial_variables or {}
input_variables = [
var for var in input_variables
if var not in partial_variables
]
# 3. 创建 PromptTemplate 对象
return cls(
input_variables=input_variables,
template=template,
template_format=template_format,
partial_variables=partial_variables,
**kwargs
)

from langchain_core.prompts import PromptTemplate
prompt = PromptTemplate.from_template(
"""
你是 {company} 的客服助手。
请用 {style} 的风格回答用户问题：{question}
""",
partial_variables={
"company": "热闻岛",
"style": "简洁、准确、不要夸大"
}
)
# 调用时只需要传 question
print(prompt.format(question="会员怎么开通？"))

工程建议
项目里可以把固定规则放到 partial_variables 或配置中心里，把每次请求都变化的内容作为动态变量传入。这样 Prompt 更清晰，也更容易做版本管理。

# 这是按源码逻辑整理的伪代码，不是逐行复制
class ChatPromptTemplate:
def __init__(self, messages, template_format="f-string", **kwargs):
# 1. 统一消息格式
messages_ = [
convert_to_message_template(message, template_format)
for message in messages
]
# 2. 自动推断输入变量
input_vars = set()
optional_vars = set()
partial_vars = {}
for message in messages_:
if is_optional_messages_placeholder(message):
partial_vars[message.variable_name] = []
optional_vars.add(message.variable_name)
elif is_message_prompt_template(message):
input_vars.update(message.input_variables)
# 3. 保存到模板对象
super().__init__(
messages=messages_,
input_variables=sorted(input_vars),
optional_variables=sorted(optional_vars),
partial_variables=partial_vars,
**kwargs
)

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个专业、严谨的 AI 助手。"),
MessagesPlaceholder("history", optional=True),
("human", "用户问题：{question}")
])

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个股票分析助手，回答必须提示风险。"),
MessagesPlaceholder("history", n_messages=4),
("human", "请结合上面的持仓信息，分析：{question}")
])
prompt_value = prompt.invoke({
"history": [
("human", "我持有三安光电"),
("ai", "已记录，你可以继续补充成本和仓位"),
("human", "成本 17.3，仓位 12200 股"),
],
"question": "明天要不要减仓？"
})

# 这是按源码逻辑整理的伪代码，不是逐行复制
class BaseChatPromptTemplate:
def format(self, **kwargs):
return self.format_prompt(**kwargs).to_string()
def format_prompt(self, **kwargs):
messages = self.format_messages(**kwargs)
return ChatPromptValue(messages=messages)
def format_messages(self, **kwargs):
# 具体由 ChatPromptTemplate 实现
raise NotImplementedError

from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
model = init_chat_model("openai:gpt-5.5")
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个技术文章作者，回答要通俗。"),
("human", "请解释：{question}")
])
chain = prompt | model
result = chain.invoke({"question": "为什么 Prompt 要模板化？"})
print(result.content)

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
customer_service_prompt = ChatPromptTemplate.from_messages([
("system", """
你是平台客服助手。
回答规则：
1. 必须优先依据【知识库资料】回答
2. 不确定时不要编造，提示用户转人工
3. 涉及退款、改手机号、资金操作时，只能说明流程，不能直接承诺结果
4. 输出要简洁，分步骤说明
"""),
MessagesPlaceholder("history", optional=True),
("human", """
【用户问题】
{question}
【知识库资料】
{context}
""")
])

rag_prompt = ChatPromptTemplate.from_messages([
("system", """
你是一个知识库问答助手。
请严格基于给定资料回答。
如果资料中没有答案，请回答“资料中没有找到明确信息”。
不要编造来源，不要补充无依据内容。
"""),
("human", """
【检索资料】
{context}
【问题】
{question}
""")
])

能力

具体做法

为什么重要

版本管理

每次 Prompt 变更记录 version

线上出错可以回滚

配置中心

Prompt 放数据库或配置平台

不用每次发版才能修改

变量规范

统一 question/context/history/tools 等命名

减少调用错误

日志追踪

记录 Prompt 版本、输入变量、模型输出

方便定位问题

离线评测

用固定测试集跑回归

防止改好一个场景，改坏另一个场景

安全策略

高危操作加边界和人工确认

避免模型越权

坑

错误写法

正确理解

少传变量

模板里有 {question}，调用时没传

input_variables 必须都传齐

花括号没转义

想输出 JSON 却直接写 { }

f-string 中普通大括号要写成 {{ 和 }}

history 传字符串

MessagesPlaceholder("history") 传了普通字符串

应该传 message list 或 message-like 对象

滥用 jinja2

从用户输入加载 jinja2 模板

不可信模板不要用 jinja2

Prompt 太长

把所有历史和文档都塞进去

应该做裁剪、摘要、Rerank

你看到的表面

源码里的真实动作

写一个模板字符串

解析变量名，保存 template_format

传入变量

校验 input_variables 是否完整

调用 prompt.invoke

格式化成 PromptValue

使用 ChatPromptTemplate

生成一组 BaseMessage

使用 MessagesPlaceholder

把历史 messages 插入固定位置

接到模型后面

PromptValue 进入 ChatModel

一句话记住
Prompt Template 的核心不是“写一句更聪明的话”，而是把角色、任务、上下文、变量和输出格式变成可维护的工程接口。