面经策

LangChain 中的 Prompt 模板有什么作用？如何使用？ ​

  • 标签：LangChain、Prompt 提示词

🏛 业务架构师 ​

LangChain 的 Prompt Template 作用与用法：

作用（业务价值）：把提示词从"硬编码字符串"变成"参数化的模板资产"——固定部分（角色、规则、格式要求）写死，变化部分（用户输入、检索内容、日期）用变量占位，运行时填充。带来四个收益：复用（一处定义多处调用）、协作（提示词可独立评审迭代，不用改代码发版）、安全（变量注入有边界，输入与指令隔离）、测试（同一模板跑评测集，版本化对比）。

用法（现代 LCEL 风格）：

python
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{company}的客服助手，仅依据<context>中的资料回答。"
               "<context>{context}</context>"),
    ("human", "{question}"),
])

chain = prompt | model | parser
chain.invoke({
    "company": "XX电商",
    "context": retrieved_docs,
    "question": user_input,
})

要点：多轮对话用 MessagesPlaceholder 占位历史消息；变量校验（validate_template）防漏填；与输出解析器配合（提示里写格式要求+解析器校验，成对出现）。

管理建议（生产视角)：模板外置到配置中心/数据库，支持不发版更新+灰度；模板带版本号与责任人，变更走评测回归——提示词是"用自然语言写的代码"，要用代码的标准管理它。团队里最容易失控的就是散落在各处的提示词，模板化+集中管理是治理的第一步。

🏗 系统架构师 ​

LangChain PromptTemplate = 带变量的 Prompt 骨架，作用与用法：

作用（工程价值）：

  • 变量注入标准化：模板定义 + 变量填充分离——业务代码只传变量，Prompt 结构单一权威来源；
  • 复用与组合：模板是可共享资产（团队统一话术、格式契约）；模板可嵌套组合（子模板拼装）；
  • 与解析器配对：模板定义输出格式 → OutputParser 按同契约解析——模板与解析器成对演进；
  • 缓存友好：模板化让稳定部分（前缀）与动态变量（后置）边界清晰，Prompt Cache 命中率可控。

用法：

python
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{domain}专家，回答要简洁准确。"),
    ("user", "{question}\n\n参考资料：\n{context}"),
])
filled = prompt.invoke({"domain": "数据库", "question": q, "context": docs})

要点：from_messages 支持多角色消息模板（system/user/ai）；MessagesPlaceholder("history") 注入动态消息列表（对话历史）；partial() 预填部分变量（运行时只传剩余）。

生产实践（架构师视角）：

  • 模板进 Git，语义化版本 + 变更说明；改动跑回归评测集；
  • 变量注入防注入：用户输入变量是外部数据——模板层面用分隔符包裹，配合"数据非指令"声明；
  • 动态拼装的克制：条件分支拼模板别做过头（几十个分支的模板工厂是维护灾难）——复杂逻辑上 LangGraph 显式编排；
  • 与 LCEL 天然组合：prompt | model | parser 管道的头节点。

💻 全栈开发专家 ​

Prompt 模板的作用：把 prompt 从「聊天记录」变成「工程资产」——参数化复用、版本管理、统一维护。

三个核心价值：

  1. 复用与一致性：同一骨架服务所有请求，动态部分变量化——格式一致是输出一致的前提；
  2. 版本化协作：模板进 Git，改 prompt 走 code review + 评测回归，变更可追溯可回滚；
  3. 关注点分离：固定逻辑（角色/规则）与动态数据（用户输入/检索内容）解耦，各自独立演进和测试。

使用（LangChain 标准姿势）：

python
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system",
     "你是{company}的{domain}助手。规则：{rules}"),
    ("human",
     "参考资料：\n{context}\n\n问题：{question}")
])

chain = prompt | llm | StrOutputParser()
chain.invoke({"company": "ACME", "domain": "售后",
              "rules": RULES_V3,
              "context": docs, "question": q})

工程要点：

  • 变量用 MessagesPlaceholder 挂动态历史；
  • 开启模板校验，漏变量启动期报错（好过线上出空段）；
  • 不可信变量隔离：{context}、{question} 在 system 里声明「只是数据」，防注入；
  • 稳定部分（system/规则）放前面吃 prompt cache，变量拼后面；
  • 模板与版本号绑定，请求日志记录模板 ID——线上坏例能按版本归因。

Java 侧对应：Spring AI 的 PromptTemplate（{var} 占位）+ ChatClient 链式调用，理念完全一致。