提示词模板之构造方法

前言

本文为 LangChain 提示词模板配套学习笔记，覆盖两种主流提示模板、四种模型调用方式、占位符复用技巧，附带适配阿里云通义千问兼容 OpenAI 接口完整可运行代码，可直接复制运行。

前置环境准备

1. 安装依赖

在项目虚拟环境执行：

pip install langchain langchain-openai python-dotenv

2. 配置密钥

项目根目录新建.env文件，填入阿里云 DashScope Key：

env

aliQwen-api=sk-你的阿里云百炼dashscope密钥

一、提示词模板基础分类

日常开发中提示词模板分为 4 类，95% 业务场景只用前两种，后两种仅做了解即可：

1. PromptTemplate：纯文本大模型专用模板，字符串拼接填充变量
2. ChatPromptTemplate：对话大模型（通义千问 / GPT）专用，区分 system/human/ai 角色消息
3. FewShotPromptTemplate：少样本学习模板，低频使用
4. PipelinePrompt：管道组合模板，仅了解概念

ChatPromptTemplate 构造入参格式

实例化传入messages支持 3 种格式：

1. 元组列表：[(role, content)]
2. 字典列表：[{"role": "xxx", "content": "xxx"}]
3. Message 对象列表：SystemMessage / HumanMessage / AIMessage

二、ChatPromptTemplate 基础构造示例（核心代码）

文件：ChatPromptTemplate_Constructor.py

""" ChatPromptTemplate 构造方法实例化 messages 支持元组列表、字典列表、Message对象列表三种格式 适配阿里云通义千问 qwen-plus 兼容OpenAI接口 """ from langchain_core.prompts import ChatPromptTemplate import os from langchain.chat_models import init_chat_model from dotenv import load_dotenv # 1. 加载.env环境变量 load_dotenv() api_key = os.getenv("aliQwen-api") if not api_key: raise ValueError("密钥读取失败，请检查项目根目录.env文件配置") # 2. 使用构造方法创建对话提示模板，内置占位符 chatPromptTemplate = ChatPromptTemplate( [ ("system", "你是一个AI开发工程师，你的名字是{name}。"), ("human", "你能帮我做什么?"), ("ai", "我能开发很多{thing}。"), ("human", "{user_input}"), ] ) # 3. 填充占位符，生成对话消息列表 prompt_messages = chatPromptTemplate.format_messages( name="小谷AI", thing="AI应用", user_input="7 + 5等于多少" ) print("===== 格式化后的对话消息列表 =====") print(prompt_messages) # 4. 初始化阿里云通义千问大模型 llm = init_chat_model( model="qwen-plus", model_provider="openai", api_key=api_key, base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 5. 同步调用 invoke（基础单次问答） print("\n===== invoke 同步调用结果 =====") result = llm.invoke(prompt_messages) print("完整返回对象：", result) print("模型输出内容：", result.content)

三、四种模型调用方式完整代码示例

新建文件llm_call_demo.py，包含同步、流式、批处理、异步全部写法

import asyncio import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.prompts import ChatPromptTemplate # 加载环境变量 load_dotenv() api_key = os.getenv("aliQwen-api") llm = init_chat_model( model="qwen-plus", model_provider="openai", api_key=api_key, base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" ) # 通用对话模板 template = ChatPromptTemplate([ ("system", "你是简洁回答助手，简短输出答案"), ("human", "{question}") ]) # ---------------------- 1. 同步调用 invoke（日常首选） ---------------------- def sync_invoke_demo(): print("===== 1. 同步调用 invoke =====") msg = template.format_messages(question="9 * 8等于多少") res = llm.invoke(msg) print(res.content, "\n") # ---------------------- 2. 流式调用 stream（实时打字效果） ---------------------- def stream_demo(): print("===== 2. 流式调用 stream =====") msg = template.format_messages(question="介绍LangChain") stream = llm.stream(msg) for chunk in stream: print(chunk.content, end="", flush=True) print("\n\n") # ---------------------- 3. 批处理 batch（批量多问题一次性请求） ---------------------- def batch_demo(): print("===== 3. 批处理 batch =====") input_list = [ {"question": "1+1等于几"}, {"question": "Python是什么"}, {"question": "通义千问是什么模型"} ] batch_msgs = [template.format_messages(**item) for item in input_list] batch_res = llm.batch(batch_msgs) for idx, res in enumerate(batch_res): print(f"问题{idx+1}输出：{res.content}") print("\n") # ---------------------- 4. 异步调用 ainvoke（高并发非阻塞） ---------------------- async def async_invoke_demo(): print("===== 4. 异步调用 ainvoke =====") msg = template.format_messages(question="什么是异步调用") res = await llm.ainvoke(msg) print(res.content) # 程序入口 if __name__ == "__main__": sync_invoke_demo() stream_demo() batch_demo() # 异步函数需用asyncio.run执行 asyncio.run(async_invoke_demo())

四、PromptTemplate 纯文本模板补充示例

文件：text_prompt_demo.py

from langchain_core.prompts import PromptTemplate import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() api_key = os.getenv("aliQwen-api") # 1. 纯文本模板创建 text_template = PromptTemplate( template="请以{role}身份，解答问题：{query}", input_variables=["role", "query"] ) # 2. format 生成完整文本字符串 prompt_str = text_template.format(role="Python工程师", query="什么是装饰器") print("纯文本提示词：", prompt_str, "\n") # 3. 模型调用 llm = init_chat_model( model="qwen-plus", model_provider="openai", api_key=api_key, base_url="https://dashscope.aliyuncs.com/compatible-mode/v1" ) res = llm.invoke(prompt_str) print("模型回答：", res.content)

五、partial 局部填充模板示例（固定部分变量）

from langchain_core.prompts import ChatPromptTemplate # 原始模板 base_template = ChatPromptTemplate([ ("system", "你是{job}，名字叫{name}"), ("human", "回答我的问题：{user_q}") ]) # partial 预填充固定参数job、name，只需传入user_q fixed_template = base_template.partial(job="AI开发工程师", name="小谷AI") # 仅传入剩余变量 msg = fixed_template.format_messages(user_q="解释提示词模板") print(msg)

六、踩坑解决方案（代码报错修复）

1. Missing credentials 密钥缺失
   • 必须导入dotenv并执行load_dotenv()；
   • .env文件名称不能写错，变量名和代码os.getenv()保持一致；
2. ChatPromptTemplate 调用模型报错
   • 对话模板必须使用format_messages()，不能用format()；
3. EnvForge 插件读取.env 异常
   • 关闭其他.env 相关插件，清除 IDE 缓存重启；
4. 接口访问失败
   • base_url 固定为阿里云兼容地址：https://dashscope.aliyuncs.com/compatible-mode/v1，model 填写qwen-plus。

七、调用方式选择总结

1. 简单单次问答：invoke同步调用
2. 前端实时打字输出：stream流式调用
3. 批量多条问题处理：batch批处理
4. 高并发服务、防止主线程阻塞：ainvoke异步调用