PromptTemplate 与 ChatPromptTemplate 完整教程
一、为什么需要提示词模板
Prompt 就是传递给大模型的指令，指令质量直接决定输出效果。 很多新手直接使用 f-string 拼接提示词：
python
运行
prompt = f"为商品{product_name}写广告语，卖点：{selling_points}"写法简单，但项目规模扩大后缺陷明显：
- 长提示词混杂在业务代码中，可读性差；
- 多处复用相同提示词，重复代码难以统一维护；
- 字符串拼接容易出现空格、换行、转义 bug；
- 不方便统一调试、迭代优化 Prompt 规则。
LangChain 提供两套模板方案，把固定指令和动态变量彻底解耦，实现提示词统一管理。
二、PromptTemplate：纯文本提示模板
适用场景：单轮简单文本任务，没有区分 system/human 角色。 只生成一段完整字符串，无结构化消息概念。
基础示例
python
运行
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": "罗技鼠标", "selling_points": "静音、高灵敏、低延迟" }) print(prompt.text)模板中{变量名}会自动被传入数据填充。
三、ChatPromptTemplate【推荐优先使用】
现代对话大模型（DeepSeek、GPT、Claude、通义千问）原生支持角色消息：系统指令、用户提问、AI 历史回复。ChatPromptTemplate可以构建结构化消息列表：
- SystemMessage：定义 AI 身份、全局规则、约束条件
- HumanMessage：用户输入内容
- AIMessage：模型历史回答
基础示例
python
运行
from langchain_core.prompts import ChatPromptTemplate chat_template = ChatPromptTemplate.from_messages([ ("system", "你是电商运营专家，文案简洁有吸引力。"), ("human", "请为商品 {product_name} 撰写文案，卖点：{selling_points}") ]) prompt = chat_template.invoke({ "product_name": "罗技鼠标", "selling_points": "静音、高灵敏、低延迟" }) # 直接把prompt对象传给model.invoke，不要只传字符串两者核心区分
表格
| 模板 | 输出形式 | 适用场景 |
|---|---|---|
| PromptTemplate | 纯文本字符串 | 简单文本生成、不需要角色区分 |
| ChatPromptTemplate | 结构化消息列表 | 对话模型、Agent、多轮交互、绝大多数业务开发 |
开发建议：新项目统一使用
ChatPromptTemplate，兼容性更强。
四、高质量 Prompt 通用编写规范
一套标准业务 Prompt 包含四大要素，照着搭建能大幅降低模型输出跑偏概率：
- 角色定位：明确 AI 身份（电商运营、学习规划师、客服）
- 核心任务：清晰说明需要完成什么工作
- 输入字段：罗列外部传入的变量信息
- 约束规则：字数限制、语气、禁止行为、输出要求
五、三大业务实战案例（DeepSeek）
统一封装模型工具，避免重复初始化代码。 新建utils/model_factory.py
python
运行
import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model def get_deepSeek_model(temperature: float = 0.7): load_dotenv() model = init_chat_model( model="deepseek-v4-flash", model_provider="openai", base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=temperature ) return model案例 1：商品详情文案生成
python
运行
from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model(temperature=0.5) prompt_str = """ 商品名称：{product_name} 商品卖点：{selling_points} 目标用户：{target_user} 要求： 1. 文案不超过150字 2. 站在用户视角，突出使用收益 3. 杜绝夸大、虚假宣传 """ chat_template = ChatPromptTemplate.from_messages([ ("system", "资深电商运营，擅长撰写自然、接地气的商品详情文案。"), ("human", prompt_str) ]) prompt = chat_template.invoke({ "product_name": "无线静音鼠标", "selling_points": "静音按键、蓝牙连接、续航30天、轻便便携", "target_user": "办公室、图书馆办公人群" }) response = model.invoke(prompt) print(response.content)案例 2：定制化学习计划生成
python
运行
from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model(0.5) prompt_str = """ 学习主题：{topic} 总时长：{days}天 每日可用学习时间：{hours_per_day}小时 学习者基础：{level} 输出要求： 1. 按天数划分学习内容 2. 每日配套实操练习任务 3. 难度匹配学习者现有基础 """ chat_template = ChatPromptTemplate.from_messages([ ("system", "专业编程讲师，擅长制定可落地、循序渐进的学习方案。"), ("human", prompt_str) ]) prompt = chat_template.invoke({ "topic": "LangChain开发", "days": "3", "hours_per_day": "1", "level": "掌握基础Python语法" }) response = model.invoke(prompt) print(response.content)案例 3：智能电商客服回复
贴近真实业务：外部传入用户提问、订单状态、物流数据，动态生成回复。
python
运行
from langchain_core.prompts import ChatPromptTemplate from utils.model_factory import get_deepSeek_model model = get_deepSeek_model(0.7) prompt_str = """ 用户问题：{user_question} 订单状态：{order_status} 物流信息：{shipping_info} 回复规范： 1. 先安抚用户情绪 2. 客观说明当前现状 3. 给出清晰可行方案 4. 全文不超过120字 """ chat_template = ChatPromptTemplate.from_messages([ ("system", "电商在线客服，语气礼貌稳重，不推诿、不使用模糊话术。"), ("human", prompt_str) ]) prompt = chat_template.invoke({ "user_question": "快递三天物流没有更新，包裹是不是丢失了？", "order_status": "已发货", "shipping_info": "包裹抵达上海转运中心，暂未更新下一站流转信息" }) response = model.invoke(prompt) print(response.content)六、MessagesPlaceholder：实现多轮对话记忆
业务场景中，我们经常需要传入历史对话，让 AI 拥有上下文。 普通{变量}只能填充一段文本；MessagesPlaceholder 支持插入一整条消息列表，是多轮对话的核心组件。
核心参数说明
variable_name：占位符名称，调用时传入同名变量optional：是否允许不传历史消息（空对话场景开启）n_messages：限制最多加载最近 N 条消息，防止上下文溢出
完整示例
python
运行
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from utils.model_factory import get_deepSeek_model model = get_deepSeek_model(temperature=0.7) chat_prompt = ChatPromptTemplate.from_messages([ ("system", "专业问答助手，简洁作答。"), MessagesPlaceholder(variable_name="history", optional=True, n_messages=4), ("human", "{question}") ]) prompt = chat_prompt.invoke({ "history": [ ("human", "我的名字叫Alice"), ("ai", "很高兴认识你，Alice"), ("human", "我正在学习Python"), ("ai", "Python是非常实用的编程语言"), ("human", "我还在用LangChain开发应用"), ("ai", "LangChain能够快速搭建大模型应用"), ], "question": "我叫什么名字？" }) resp = model.invoke(prompt) print(resp.content)⚠️ 注意：history 必须是消息列表，不能直接传入字符串，否则会抛出类型异常。
简写形式：("placeholder", "{history}")，等价于开启optional=True的 MessagesPlaceholder。
七、学习重点总结
- Prompt 是发给大模型的指令，指令结构直接影响输出质量；
PromptTemplate面向纯文本，ChatPromptTemplate面向对话模型，优先选择后者；- 模板通过
{变量}实现提示词复用，便于后期统一维护迭代； - 标准 Prompt 结构：角色 + 任务 + 输入信息 + 约束条件；
MessagesPlaceholder用于注入历史对话消息，实现多轮上下文记忆。
八、常见开发疑问
1. Prompt 越长效果越好吗？
并不是。只保留必要规则，多余要求会造成模型注意力分散，更容易遗漏约束。
2. 模型经常不遵守指令怎么办？
大模型不具备程序的确定性。如果对输出格式要求严格，后续可以结合PydanticOutputParser结构化输出，增加一层代码校验。
3. 什么时候选两种模板？
简单一次性文本任务可用PromptTemplate；只要调用对话模型、做多轮对话、Agent 开发，一律使用ChatPromptTemplate。