【个人主页：玄同765】
大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）
深耕领域：大语言模型开发 / RAG知识库 / AI Agent落地 / 模型微调
技术栈：Python / LangChain/RAG（Dify+Redis+Milvus）| SQL/NumPy | FastAPI+Docker ️
工程能力：专注模型工程化部署、知识库构建与优化，擅长全流程解决方案
「让AI交互更智能，让技术落地更高效」
欢迎技术探讨/项目合作！ 关注我，解锁大模型与智能交互的无限可能！
在 LangChain 中，提示词模板的参数是精准控制大模型输出的核心。很多开发者在使用 LangChain 时，往往只关注模板字符串，却忽略了参数的配置，导致模型输出不符合预期、复用性差、调试困难等问题。
本文将全面解析 LangChain 提示词模板的所有参数，包括基础参数、高级参数、动态参数等，并结合实战案例讲解如何通过参数配置实现精准可控的大模型交互。
一、基础参数：构建参数化提示词的核心
1. input_variables：定义模板中的变量
作用：指定模板中需要填充的变量名称，是参数化提示词的基础。代码示例：
from langchain.prompts import PromptTemplate
# 显式指定input_variables
prompt = PromptTemplate(
input_variables=["product", "max_length"],
template="请为{product}写一句不超过{max_length}字的广告语。"
)
# 或者通过from_template自动推断input_variables
prompt = PromptTemplate.from_template(
"请为{product}写一句不超过{max_length}字的广告语。"
)
print(prompt.input_variables) # 输出：['product', 'max_length']
注意事项：
- 模板中的变量必须与input_variables中的名称一致，否则会抛出ValidationError；
- 使用from_template方法时，LangChain 会自动从模板字符串中推断input_variables，无需手动指定。
2. template：定义提示词模板字符串
作用：定义提示词的结构和内容，支持变量占位符（{variable_name}）。代码示例：
prompt = PromptTemplate(
input_variables=["product", "style"],
template="请为{product}写一句{style}风格的广告语，要求简洁有力，不超过20字。"
)
高级用法：
- 支持多行模板字符串： prompt = PromptTemplate(
input_variables=["topic"],
template="""请写一篇关于{topic}的技术博客，要求：
1. 结构清晰，包含引言、正文、结论；
2. 内容详实，不少于500字；
3. 语言通俗易懂，适合初学者阅读。"""
) - 支持转义字符：如果模板中需要包含{或}，可以使用双括号进行转义： prompt = PromptTemplate(
input_variables=["product"],
template="请为{product}写一句广告语，格式为：【{product}】：广告语内容。"
)
3. template_format：指定模板格式
作用：指定模板字符串的格式，支持f-string、jinja2等格式。代码示例：
# 使用jinja2模板格式，支持条件判断、循环等高级语法
prompt = PromptTemplate(
input_variables=["product", "is_tech"],
template="请为{product}写一句{% if is_tech %}科技感{% else %}温暖{% endif %}风格的广告语。",
template_format="jinja2"
)
result = prompt.invoke({"product": "智能手表", "is_tech": True})
print(result) # 输出：请为智能手表写一句科技感风格的广告语。
支持的格式：
- f-string（默认）：Python 的 f-string 格式，支持简单的变量替换；
- jinja2：Jinja2 模板格式，支持条件判断、循环、过滤器等高级语法；
- mustache：Mustache 模板格式，支持简单的变量替换和部分逻辑。
二、高级参数：提升提示词的复用性与灵活性
1. partial_variables：预填充部分变量
作用：预填充模板中的部分变量，生成新的模板，提升复用性。代码示例：
# 定义完整模板
prompt = PromptTemplate(
input_variables=["product", "style", "max_length"],
template="请为{product}写一句{style}风格的广告语，不超过{max_length}字。"
)
# 预填充max_length变量
partial_prompt = prompt.partial(max_length=20)
print(partial_prompt.input_variables) # 输出：['product', 'style']
# 调用时只需填充剩余变量
result = partial_prompt.invoke({"product": "智能手表", "style": "科技感"})
print(result) # 输出：请为智能手表写一句科技感风格的广告语，不超过20字。
高级用法：支持动态值（可调用对象）：
from datetime import datetime
# 动态生成当前日期
def get_current_date():
return datetime.now().strftime("%Y-%m-%d")
prompt = PromptTemplate(
input_variables=["topic"],
template="请写一篇关于{topic}的技术博客，日期：{current_date}。"
)
partial_prompt = prompt.partial(current_date=get_current_date)
result = partial_prompt.invoke({"topic": "LangChain参数解析"})
print(result) # 输出：请写一篇关于LangChain参数解析的技术博客，日期：2024-05-20。
2. validate_template：验证模板的有效性
作用：指定是否在创建模板时验证模板的有效性，包括变量是否完整、格式是否正确等。代码示例：
# 默认validate_template=True，会自动验证模板
prompt = PromptTemplate.from_template("请为{product}写一句广告语。")
# 如果模板中缺少变量，会抛出ValidationError
# 设置validate_template=False，跳过验证（不推荐生产环境使用）
prompt = PromptTemplate(
input_variables=["product"],
template="请为{product}写一句广告语，风格：{style}。",
validate_template=False
)
# 此时模板中存在未定义的变量{style}，但不会报错，调用时会抛出KeyError
注意事项：生产环境建议保持validate_template=True，避免运行时错误。
3. output_parser：绑定输出解析器
作用：将模型的输出解析为指定的格式，比如 JSON、结构化数据等。代码示例：
from langchain.output_parsers import StructuredOutputParser, ResponseSchema
# 定义输出结构
response_schemas = [
ResponseSchema(name="ad_copy", description="广告语内容"),
ResponseSchema(name="word_count", description="广告语的字数")
]
output_parser = StructuredOutputParser.from_response_schemas(response_schemas)
format_instructions = output_parser.get_format_instructions()
# 创建绑定输出解析器的提示词
prompt = PromptTemplate(
input_variables=["product"],
template="请为{product}写一句广告语，不超过20字。\\n{format_instructions}",
partial_variables={"format_instructions": format_instructions}
)
# 调用模型并解析结果
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.7)
response = llm.invoke(prompt.invoke({"product": "智能手表"}))
parsed_result = output_parser.parse(response)
print(parsed_result) # 输出：{'ad_copy': '腕间智能，掌控未来', 'word_count': 8}
优势：
- 强制模型输出符合格式的结果；
- 避免手动解析模型输出的繁琐和错误；
- 便于后续处理和存储。
三、ChatPromptTemplate 专属参数：适配对话场景
1. messages：定义对话消息列表
作用：定义对话场景中的消息列表，支持SystemMessage、HumanMessage、AIMessage等消息类型。代码示例：
from langchain.prompts import ChatPromptTemplate
from langchain.schema import SystemMessage, HumanMessage
chat_prompt = ChatPromptTemplate(
messages=[
SystemMessage(content="你是一名专业的广告语撰写师。"),
HumanMessage(content="请为{product}写一句{style}风格的广告语，不超过{max_length}字。")
],
input_variables=["product", "style", "max_length"]
)
注意事项：
- 消息列表中的每个消息都可以包含变量占位符；
- input_variables需要包含所有消息中的变量名称。
2. chat_template：定义对话模板字符串
作用：使用字符串格式定义对话模板，更灵活地控制对话结构。代码示例：
chat_prompt = ChatPromptTemplate.from_template(
"""<|system|>
你是一名专业的广告语撰写师。</|system|>
<|user|>
请为{product}写一句{style}风格的广告语，不超过{max_length}字。</|user|>"""
)
优势：
- 更直观地控制对话的结构和格式；
- 支持自定义消息分隔符和格式；
- 适合需要严格控制对话格式的场景。
3. response_format：指定模型输出格式
作用：指定 Chat 模型的输出格式，比如 JSON、文本等。代码示例：
chat_prompt = ChatPromptTemplate.from_messages([
SystemMessage(content="你是一名专业的广告语撰写师。"),
HumanMessage(content="请为{product}写一句{style}风格的广告语，不超过{max_length}字。")
])
# 指定输出格式为JSON
chat_prompt = chat_prompt.with_response_format({"type": "json_object"})
# 调用模型
from langchain.chat_models import ChatOpenAI
chat_llm = ChatOpenAI(model_name="gpt-3.5-turbo-1106")
response = chat_llm.invoke(chat_prompt.invoke({
"product": "智能手表",
"style": "科技感",
"max_length":20
}))
print(response.content) # 输出：{"ad_copy": "腕间智能，掌控未来", "word_count": 8}
支持的格式：
- text（默认）：纯文本格式；
- json_object：JSON 对象格式；
- json_schema：基于 JSON Schema 的格式（需要指定 schema）。
四、少样本模板专属参数：提升模型输出的一致性
1. examples：定义少样本示例
作用：定义少样本学习中的示例，让模型模仿示例的风格或逻辑。代码示例：
from langchain.prompts import FewShotPromptTemplate, PromptTemplate
examples = [
{"product": "无线耳机", "style": "科技感", "ad_copy": "自由聆听，无拘无束"},
{"product": "智能音箱", "style": "温暖", "ad_copy": "语音交互，智享生活"}
]
example_prompt = PromptTemplate.from_template(
"产品：{product}\\n风格：{style}\\n广告语：{ad_copy}"
)
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
prefix="请参考以下示例，为新产品创作广告语：",
suffix="产品：{product}\\n风格：{style}\\n广告语：",
input_variables=["product", "style"]
)
2. example_prompt：定义示例模板
作用：定义少样本示例的格式，控制示例在提示词中的呈现方式。
3. prefix/suffix：定义示例前后的文本
作用：定义示例前后的引导文本，让模型理解任务要求。
4. example_separator：定义示例之间的分隔符
作用：定义示例之间的分隔符，默认是\\n\\n。代码示例：
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
prefix="请参考以下示例，为新产品创作广告语：",
suffix="产品：{product}\\n风格：{style}\\n广告语：",
input_variables=["product", "style"],
example_separator="\\n—\\n" # 使用—分隔示例
)
5. example_selector：动态选择示例
作用：根据输入动态选择相关的示例，提升少样本学习的精准度。代码示例：
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain.vectorstores import Chroma
from langchain.embeddings import OpenAIEmbeddings
example_selector = SemanticSimilarityExampleSelector.from_examples(
examples,
OpenAIEmbeddings(),
Chroma,
k=2 # 选择最相关的2个示例
)
few_shot_prompt = FewShotPromptTemplate(
example_selector=example_selector,
example_prompt=example_prompt,
prefix="请参考最相关的示例，为新产品创作广告语：",
suffix="产品：{product}\\n风格：{style}\\n广告语：",
input_variables=["product", "style"]
)
五、动态参数：实现提示词的个性化与自适应
1. conditional_prompts：条件分支的提示词
作用：根据输入的条件动态选择不同的提示词模板。代码示例：
from langchain.prompts import ConditionalPromptTemplate, PromptTemplate
tech_template = PromptTemplate.from_template("请用专业技术术语解释{topic}。")
general_template = PromptTemplate.from_template("请用通俗易懂的语言解释{topic}。")
conditional_prompt = ConditionalPromptTemplate(
conditionals=[
(lambda inputs: inputs["user_type"] == "expert", tech_template),
(lambda inputs: inputs["user_type"] == "general", general_template)
],
default_prompt=general_template,
input_variables=["topic", "user_type"]
)
2. dynamic_template：动态生成模板字符串
作用：根据输入动态生成模板字符串，实现高度个性化的提示词。代码示例：
def get_template(inputs):
if inputs["user_type"] == "expert":
return "请用专业技术术语解释{topic}，不少于500字。"
else:
return "请用通俗易懂的语言解释{topic}，不少于300字。"
prompt = PromptTemplate(
input_variables=["topic", "user_type"],
template=lambda inputs: get_template(inputs),
template_format="f-string"
)
六、最佳实践：参数配置的核心原则
1. 明确性原则：参数名称和值要明确
- 参数名称要直观，避免缩写和歧义；
- 参数值要具体，避免模糊的描述。
2. 复用性原则：提升模板的复用性
- 合理使用partial_variables预填充固定变量；
- 抽象通用模板，通过参数配置实现个性化。
3. 可维护性原则：便于修改和扩展
- 模板字符串要结构清晰，便于阅读和修改；
- 复杂逻辑通过参数配置实现，避免硬编码。
4. 调试性原则：便于调试和监控
- 开启verbose=True查看提示词的生成过程；
- 使用 LangSmith 监控提示词的参数和模型输出。
七、总结：参数是提示词的灵魂
LangChain 提示词模板的参数是精准控制大模型输出的核心，通过合理配置参数，可以实现：
- 参数化的提示词生成，提升复用性；
- 强制模型输出符合格式的结果；
- 动态调整提示词，实现个性化交互；
- 结合少样本学习，提升模型输出的一致性；
- 适配不同的场景和任务需求。
掌握这些参数的配置方法和最佳实践，你就能从 “手写提示词的开发者” 升级为 “精准控制大模型输出的工程师”，构建出更高效、更可控、更智能的大模型应用！
