企业官网建设流程全解析

提示词模板Prompt

当需要重复使用固定格式的提示词（仅动态内容变化）时，可通过 PromptTemplate 标准化提示词结构，避免重复编写模板内容，提升开发效率。适用于批量生成问题、标准化指令场景（如批量生成产品描述、统一格式的客服回复）。

from langchain_core.prompts import PromptTemplate from langchain_ollama import ChatOllama # 定义提示词模板（{变量名}为动态参数） template = "请为{product}写一句宣传语，风格{style}" prompt = PromptTemplate.from_template(template) # 填充动态参数 formatted_prompt = prompt.format(product="无线耳机", style="科技感") # 初始化大模型 llm =ChatOllama( model="qwen3:4b", base_url = "http://127.0.0.1:11434", temperature=0.7, ) print(llm.invoke(formatted_prompt).content)

• 模板变量需用 {} 包裹，且名称需与 format 方法传入的参数名一致；
• LangChain 1.0 中 PromptTemplate 仅处理文本模板，多轮对话场景需结合 ChatPromptTemplate 使用；
• 模板内容中若包含{或}特殊字符，需用{{或}}转义（如{{name}}）会被解析为文本{name}）。

提示词模板Placeholder

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder from langchain_core.messages import HumanMessage, AIMessage from langchain_ollama import ChatOllama # 定义包含占位符的模板 template = [ ("system", "基于历史对话回答用户新问题"), MessagesPlaceholder(variable_name="history"), # 动态插入历史消息 ("human", "{question}") ] chat_prompt = ChatPromptTemplate.from_messages(template) # 准备历史消息 history = [ HumanMessage(content="推荐一部科幻电影"), AIMessage(content="《星际穿越》很经典") ] # 填充参数（替换占位符） formatted_prompt = chat_prompt.format_messages( history=history, question="再推荐一部类似的" ) # 初始化大模型 llm =ChatOllama( model="qwen3:4b", base_url = "http://127.0.0.1:11434", temperature=0.7, ) print(llm.invoke(formatted_prompt).content)

• 需通过 variable_name 指定占位符名称，填充时传入对应的消息列表（Message 对象组成的列表）；
• 占位符插入的消息会严格遵循原有的角色顺序，无需手动维护对话逻辑；
• 适用于动态上下文场景，避免手动拼接长消息列表，简化多轮对话模板维护。

提示词模板FewShot

通过提供少量示例（Few-Shot）引导大模型学习特定格式或逻辑，适用于需要标准化输出（如固定格式的分类、翻译、摘要）的场景，帮助模型快速理解任务要求。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate from langchain_ollama import ChatOllama # 定义示例 examples = [ {"input": "苹果", "output": "水果"}, {"input": "菠萝", "output": "水果"} ] # 示例模板 example_template = "输入: {input}\n输出: {output}" example_prompt = PromptTemplate.from_template(example_template) # 构建FewShot提示 few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_prompt, prefix="请按照示例格式分类：", suffix="输入: {input}\n输出：", input_variables=["input"] ) # 生成提示并调用 prompt = few_shot_prompt.format(input="香蕉") # 初始化大模型 llm =ChatOllama( model="qwen3:4b", base_url = "http://127.0.0.1:11434", temperature=0.7, ) print(llm.invoke(prompt).content) # 预期输出：水果

• 示例需简洁明确，与目标任务格式一致，避免误导模型；
• prefix 用于说明任务规则，suffix 用于触发当前输入的处理，两者需配合示例形成完整逻辑；
• 输入变量需在 suffix 中显式引用，确保动态参数正确替换。

提示词模板FewShotChat

from langchain_core.prompts import FewShotChatMessagePromptTemplate from langchain_core.messages import HumanMessage, AIMessage from langchain_core.prompts import ChatPromptTemplate from langchain_ollama import ChatOllama # 示例（多轮消息对） examples = [ { "messages": [ HumanMessage(content="推荐一首中文歌"), AIMessage(content="周杰伦的《晴天》很经典") ] }, { "messages": [ HumanMessage(content="再推荐一首"), AIMessage(content="林俊杰的《江南》") ] } ] # 构建FewShot对话模板 few_shot_prompt = FewShotChatMessagePromptTemplate( examples=examples, example_messages_key="messages" # 指定示例中消息列表的键名 ) # 组装最终对话模板 final_prompt = ChatPromptTemplate.from_messages([ ("system", "你需要根据示例推荐中文歌曲"), few_shot_prompt, # 插入示例 ("human", "{question}") # 用户当前问题 ]) # 生成提示并调用 formatted = final_prompt.format_messages(question="再求一首") # 初始化大模型 llm =ChatOllama( model="qwen3:4b", base_url = "http://127.0.0.1:11434", temperature=0.7, ) print(llm.invoke(formatted).content)

• 示例需包含完整的角色消息对（HumanMessage + AIMessage），模拟真实对话流程；
• 通过example/messages_key指定示例中消息列表的键（需与examples中字典的键一致）；
• 适用于需要维持对话风格、格式连贯性的场景，示例数量不宜过多（避免 token 浪费）。