实用指南：零基础学AI大模型之LangChain-PromptTemplate

大家好，我是工藤学编程	一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章	C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列	【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表	分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列	深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型	零基础学AI大模型之Prompt提示词工程

前情摘要：
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程

本文章目录

零基础学AI大模型之LangChain：PromptTemplate核心用法与实战解析
- 一、先搞懂：什么是PromptTemplate？
- 二、核心要素：3个关键变量+2个常用方法
- 三、实战案例：从基础到进阶（附代码解析）
- - 案例1：基础款——手动定义模板与变量
  - 案例2：快捷款——用from_template自动推断变量
  - 案例3：进阶款——用partial_variables设置默认值
  - 案例4：实战款——PromptTemplate结合LLM生成结果
- 四、新手避坑：3个常见问题与解决方案
- 五、总结：PromptTemplate的核心价值

零基础学AI大模型之LangChain：PromptTemplate核心用法与实战解析

在“零基础学AI大模型”系列中，我们已经掌握了LangChain的基础框架（第7篇），而今天要聚焦的PromptTemplate，正是LangChain中“让提示词结构化、可复用”的核心组件——它就像“提示词的预制菜谱”，帮你把零散的需求（食材）变成标准化的指令（菜品），避免重复写硬编码提示词的麻烦。下面从基础概念到实战案例，一步步拆解它的用法。

请添加图片描述

一、先搞懂：什么是PromptTemplate？

对零基础同学来说，不用记复杂定义，记住一句话：
PromptTemplate是LangChain中用于构建“带占位符的提示词模板”的工具——它能把“固定文本”和“动态变量”（比如用户输入、业务数据）拼合成LLM能理解的完整提示词，同时解决两个核心问题：

动态组装内容：比如写广告语时，只需改“产品名”变量，不用重新写整个提示词；
避免硬编码：不用把“领域、语言、问题”这些可变内容写死在代码里，后续修改更灵活。

这里要注意一个区分：PromptTemplate是单纯的文本模板（只处理字符串拼接），后续我们会学的ChatPromptTemplate（对话模板）是它的进阶版，专门适配多轮对话场景，今天先聚焦基础的PromptTemplate。

二、核心要素：3个关键变量+2个常用方法

想用好PromptTemplate，必须掌握它的核心组成部分，我们用“菜谱类比”帮你理解：

核心要素	作用（对应菜谱）	通俗解释
template	菜谱框架（固定步骤）	带占位符的文本，比如“为{product}写3个广告语”
input_variables	必须准备的“食材清单”	需要手动填充的变量（如product），必填
partial_variables	提前备好的“预制配料”（可选）	固定不变的变量（如默认语言“中文”），不用每次填
format()方法	按菜谱组合食材	填充所有input_variables，生成最终提示词
from_template()方法	自动识别“食材清单”的快捷方式	不用手动写input_variables，模板里的{变量}会被自动识别

三、实战案例：从基础到进阶（附代码解析）

下面用4个递进案例，结合“零基础友好”的代码注释，帮你快速上手（所有案例可直接复制运行，注意替换API密钥等个人信息）。

案例1：基础款——手动定义模板与变量

场景：生成不同领域的专业回答（比如网络安全、Java开发），需要灵活切换“领域”和“问题”。

# 1. 导入PromptTemplate（从langchain核心库中引入，和系列前文LangChain框架呼应）
from langchain.prompts import PromptTemplate
# 2. 定义模板（template）：固定文本+{占位符}，占位符就是要动态填的变量
template = """
你是一位专业的{domain}顾问，请用{language}回答以下问题，要求简洁易懂（适合零基础）：
问题：{question}
回答：
"""
# 3. 创建PromptTemplate实例：指定“必须填的变量”（input_variables）
prompt = PromptTemplate(
input_variables=["domain", "language", "question"],  # 3个必填变量，少填会报错
template=template  # 关联上面定义的模板
)
# 4. 查看模板结构（可选，帮你确认变量是否正确）
print("模板结构：", prompt)
# 输出会显示：input_variables=['domain', 'language', 'question'], template=...
# 5. 用format()填充变量，生成最终提示词
final_prompt = prompt.format(
domain="网络安全",        # 填“领域”变量
language="中文",         # 填“语言”变量
question="如何防范钓鱼攻击？"  # 填“问题”变量
)
# 6. 查看最终提示词（实际调用大模型时，就用这个final_prompt作为输入）
print("\n最终提示词：", final_prompt)

运行效果预期：
最终提示词会变成：
“你是一位专业的网络安全顾问，请用中文回答以下问题，要求简洁易懂（适合零基础）：
问题：如何防范钓鱼攻击？
回答：”
在这里插入图片描述

关键提醒：input_variables里的变量必须全部在format()中填充，少一个都会报错。

案例2：快捷款——用from_template自动推断变量

场景：模板里的变量少（比如只有2个），不想手动写input_variables，让LangChain自动识别。

from langchain.prompts import PromptTemplate
# 1. 定义模板：里面有{target_language}和{text}两个占位符
template = "请将以下文本翻译成{target_language}，翻译后保持原意不变：\n文本：{text}"
# 2. 用from_template()创建实例：自动识别模板中的{变量}，生成input_variables
prompt = PromptTemplate.from_template(template)
# 3. 查看自动推断的变量（验证是否正确）
print("自动识别的变量：", prompt.input_variables)  # 输出：['target_language', 'text']
# 4. 填充变量（和案例1一样用format()）
final_prompt = prompt.format(
target_language="英语",
text="LangChain的PromptTemplate很适合零基础学习"
)
print("\n最终提示词：", final_prompt)

在这里插入图片描述

核心优势：适合新手——不用手动核对input_variables，减少“漏写变量”的错误，尤其是模板变量较多时。

案例3：进阶款——用partial_variables设置默认值

场景：有些变量固定不变（比如默认“分析类型=情感极性分析”），不想每次format()都重复填。

from langchain.prompts import PromptTemplate
# 1. 定义模板：包含“固定默认变量”{analysis_type}和“动态变量”{user_input}
template = """分析用户输入的情绪（默认分析类型：{analysis_type}）：
用户输入：{user_input}
分析结果（要求：用“正面/负面/中性”总结，再补1句解释）："""
# 2. 创建实例：用partial_variables固定默认值，input_variables只填“动态变量”
prompt_template = PromptTemplate(
input_variables=["user_input"],  # 只需要填“用户输入”这个动态变量
template=template,
template_format="f-string",  # 指定模板格式为f-string（适配Python字符串语法）
partial_variables={"analysis_type": "情感极性分析"}  # 固定“分析类型”，不用每次填
)
# 3. 填充动态变量（只需填user_input）
final_prompt = prompt_template.format(user_input="这个产品太难用了")
print("最终提示词：", final_prompt)
# 4. 查看模板的所有属性（可选，帮你理解内部结构）
print("\n模板文本：", prompt_template.template)
print("必填变量：", prompt_template.input_variables)
print("默认变量：", prompt_template.partial_variables)

运行效果预期：
最终提示词中，{analysis_type}会自动替换成“情感极性分析”，无需手动填：
“分析用户输入的情绪（默认分析类型：情感极性分析）：
用户输入：这个产品太难用了
分析结果（要求：用“正面/负面/中性”总结，再补1句解释）：”

在这里插入图片描述

案例4：实战款——PromptTemplate结合LLM生成结果

场景：把模板和大模型（如千问）结合，生成实际内容（比如介绍LangChain-PromptTemplate），这是真实项目中最常用的流程。

# 1. 导入需要的库：模板、大模型、输出解析器（和系列前文“调用大模型API”呼应）
from langchain_core.prompts import PromptTemplate  # LangChain核心模板
from langchain_openai import ChatOpenAI  # 千问等模型的调用类（兼容OpenAI格式）
from langchain_core.output_parsers import StrOutputParser  # 解析大模型输出的工具
# 2. 创建PromptTemplate：生成“面向年轻人的产品广告语”
prompt_template = PromptTemplate(
input_variables=["product"],  # 动态变量：产品名
template="为{product}写3个吸引年轻人的介绍语，要求：1. 带网络热词（如“绝绝子”“刚需”）；2. 每句不超过15字",
)
# 3. 填充模板变量（生成最终提示词）
# 用invoke()替代format()：LangChain新版推荐用法，支持后续和大模型“链式调用”
prompt = prompt_template.invoke({"product": "LangChain-PromptTemplate"})
model = ChatOpenAI(
model_name='deepseek-r1:7b',  # 本地模型名称，根据实际情况填写
base_url="http://127.0.0.1:11434/v1",  # 本地模型API地址
api_key="none",  # 本地模型通常不需要真实API密钥
temperature=0.7  # 可根据需要调整温度参数
)
# 5. 调用大模型生成结果
response = model.invoke(prompt)  # 把提示词传给大模型
# print("大模型原始输出：", response)  # 原始输出是对象，包含content、role等信息
# 6. 解析输出结果（用StrOutputParser提取纯文本，避免处理复杂对象）
out_parser = StrOutputParser()
answer = out_parser.invoke(response)  # 提取response中的content文本
# 7. 打印最终结果
print("\n大模型生成的介绍语：")
print(answer)

运行效果预期：
大模型会输出3句符合要求的广告语，比如：

AI小能手绝绝子！一键搞定各种需求！你还在等什么？
用LangChain-PromptTemplate，秒变创意达人！还在犹豫做什么？
创意插上翅膀，轻松实现想要的效果！这就是 LangChain-PromptTemplate！

关键提醒：

API密钥要替换成自己的（从千问、OpenAI等平台获取），否则会调用失败；
temperature=0.7：如果想要更固定的结果，可设为0.2；想要更多样化，设为0.9。

四、新手避坑：3个常见问题与解决方案

在实际使用中，零基础同学容易遇到以下问题，提前规避能少走弯路：

常见问题	原因分析	解决方案
format()时报错“缺少变量”	input_variables中的变量没全部填充	1. 用prompt.input_variables查看需要填的变量；2. 检查format()中是否漏填
模板变量识别错误	用了特殊符号（如{ }里加空格），或from_template没识别到	1. 变量名不要加空格（如{product}，不是{ product }）；2. 手动指定input_variables
结合LLM时输出是对象	没加输出解析器，直接打印response对象	导入StrOutputParser，用out_parser.invoke(response)提取纯文本