1. LangChain提示词模板组合技术解析在构建基于大语言模型(LLM)的应用时提示词工程是核心环节。LangChain框架提供的提示词模板组合功能让开发者能够像搭积木一样灵活构建复杂的提示词结构。这种模板中的模板设计模式特别适合需要动态生成提示词的AI应用场景。1.1 基础模板组合方法字符串提示词模板可以通过简单的加法运算符实现组合。这种语法糖背后是PromptTemplate类的运算符重载机制from langchain_core.prompts import PromptTemplate prompt ( PromptTemplate.from_template(Tell me a joke about {topic}) , make it funny \n\nand in {language} )这段代码实际上创建了一个包含三个部分的复合模板基础问题模板风格修饰指令语言要求参数当调用format方法时这些组件会按顺序拼接print(prompt.format(topicprogramming, languageChinese))输出示例Tell me a joke about programming, make it funny and in Chinese1.2 聊天消息模板组合对于对话型应用ChatPromptTemplate支持更复杂的消息序列组合。每个消息类型(System/Human/AI)都作为独立组件from langchain_core.messages import SystemMessage, HumanMessage, AIMessage prompt SystemMessage(content你是一个专业的IT顾问) prompt HumanMessage(content我的Python代码报错了) prompt AIMessage(content请提供错误信息) prompt {user_input}这种结构特别适合多轮对话场景可以保持完整的对话上下文。format_messages方法会返回完整的消息序列messages prompt.format_messages(user_input错误是ImportError)2. 管道式模板设计2.1 PipelinePromptTemplate原理当需要构建包含固定结构和可变内容的复杂提示词时PipelinePromptTemplate提供了更工程化的解决方案。其核心设计包含两个部分最终模板(Final Prompt)定义整体结构框架管道模板(Pipeline Prompts)填充框架的具体内容块from langchain_core.prompts import PipelinePromptTemplate # 定义整体结构 master_template {introduction}{examples}{task} master_prompt PromptTemplate.from_template(master_template) # 定义各个内容块 intro_template 你正在模拟{character}的说话风格\n example_template 示例对话\nQ:{q}\nA:{a}\n\n task_template 现在请回答\nQ:{input}\nA: # 组装管道 pipeline PipelinePromptTemplate( final_promptmaster_prompt, pipeline_prompts[ (introduction, intro_template), (examples, example_template), (task, task_template) ] )2.2 动态参数传递管道中的每个子模板可以有自己的输入变量系统会自动合并所有依赖参数print(pipeline.input_variables) # 输出[character, q, a, input] result pipeline.format( character莎士比亚, q生存还是毁灭, a这是个问题, input爱情是什么 )这种设计模式特别适合需要保持固定格式但内容多变的场景比如角色扮演对话系统标准化报告生成多步骤推理任务3. 高级组合技巧3.1 条件化模板组合通过Python的条件逻辑可以实现动态的模板构建from langchain_core.prompts import ChatPromptTemplate def build_prompt(role: str, use_examples: bool): base ChatPromptTemplate.from_messages([ (system, 你是一个{role}), (human, {query}) ]) if use_examples: base ChatPromptTemplate.from_messages([ (ai, {example_response}), (human, 请参考上述示例回答) ]) return base3.2 模板继承与覆盖通过部分格式化(partial)实现模板的继承机制from langchain_core.prompts import PromptTemplate base_template 根据以下信息 {context} 请回答{question} base_prompt PromptTemplate.from_template(base_template) # 创建特化版本 qa_prompt base_prompt.partial( context这些是产品规格..., question这个产品适合什么场景 )4. 实战应用案例4.1 技术文档问答系统doc_template 参考文档片段 {docs} 用户问题{question} 请用中文回答保持专业但易懂 qa_template 你是{domain}专家请基于以下内容回答 {formatted_docs} prompt ( PromptTemplate.from_template(doc_template) .partial(domain人工智能) qa_template )4.2 多步骤推理模板reasoning_template 请逐步思考 问题{question} 已知 {knowledge} 思考步骤 1. {step1} 2. {step2} 3. 最终结论 prompt PromptTemplate.from_template(reasoning_template)5. 性能优化建议模板缓存对频繁使用的模板实例进行缓存延迟加载只在需要时构建复杂模板参数验证提前检查输入变量匹配情况最小化变更对稳定部分使用partial预先填充6. 常见问题排查问题1变量不匹配错误检查所有子模板的input_variables使用pipeline_prompt.input_variables查看完整参数列表问题2格式混乱确保每个模板包含合理的换行符对于Markdown内容明确标注代码块问题3组合后逻辑异常分阶段测试每个子模板使用format打印中间结果检查在实际项目中我推荐采用模块化方式组织模板代码prompts/ ├── base.py # 基础模板 ├── chat.py # 对话模板 ├── pipeline/ # 管道模板 └── utils.py # 模板工具函数这种架构既保持了灵活性又便于团队协作和维护。对于特别复杂的提示词系统可以考虑使用LangChain的PromptRegistry进行集中管理。