3、Prompt 模板的艺术：从 f-string 到 PromptTemplate、FewShotPromptTemplate、动态变量注入

说实话，我刚接触 LangChain 那会儿，觉得 Prompt 模板不就是个字符串拼接吗？用 Python 的 f-string 不香吗？

后来在做一个客服问答系统时，我踩了个大坑。用户输入里带了个花括号，直接让整个 Prompt 炸了。嗯，从那以后我才真正重视起 PromptTemplate 的设计。

今天咱们就聊聊，为什么企业级应用里，不能只用 f-string。

3.1 从 f-string 说起：为什么不够用？

先看个最简单的例子。假设你要让 LLM 写一封邮件：

name = "张三"
product = "智能音箱"
prompt = f"请以{name}的名义，写一封关于{product}的投诉邮件。"

看起来没问题对吧？但你想过没有——

  • 如果 name 是用户输入的，里面带了个 {} 怎么办？
  • 如果 product 是空字符串呢？
  • 如果我想复用这个模板，但参数来自不同数据源呢？

我在项目中遇到过，用户把名字写成 {admin}，结果 f-string 直接报错。这就是最直接的痛点。

注意：f-string 在运行时直接求值，无法做变量校验、默认值处理、格式控制。企业级场景下，这太脆弱了。

3.2 PromptTemplate：企业级的第一道防线

LangChain 的 PromptTemplate 解决了什么问题？说白了，就是让 Prompt 变得可管理、可复用、可校验。

看个对比：

from langchain.prompts import PromptTemplate

# 定义一个模板
template = """
你是一位{role}。
请根据以下{context}，回答用户的问题。
用户问题：{question}
"""

prompt = PromptTemplate(
    input_variables=["role", "context", "question"],
    template=template
)

# 使用时传入变量
formatted_prompt = prompt.format(
    role="资深客服",
    context="用户购买了一台笔记本电脑，但屏幕有坏点",
    question="我应该怎么处理？"
)

我个人习惯把模板单独放在一个 YAML 文件里，这样产品和运营也能直接修改 Prompt，不用动代码。

小技巧：可以用 partial_variables 预填一些固定变量，比如系统时间、版本号。这样每次调用时少传几个参数。

3.3 FewShotPromptTemplate：给 LLM 打个样

你想想看，有时候光给指令不够，LLM 需要看几个例子才知道你要什么格式。

这就是 Few-Shot 的核心思想。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

# 先定义每个例子的模板
example_template = """
用户：{input}
客服：{output}
"""

example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template=example_template
)

# 准备几个例子
examples = [
    {"input": "我的订单还没到", "output": "您好，请提供订单号，我帮您查询物流状态。"},
    {"input": "我要退货", "output": "您好，请问您购买的商品是否在7天内？我帮您申请退货。"},
    {"input": "价格不对", "output": "您好，请问您看到的价格是多少？我帮您核实一下。"}
]

# 构建 FewShotPromptTemplate
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一位专业的客服，请根据以下示例的风格回答用户问题。",
    suffix="用户：{input}\n客服：",
    input_variables=["input"]
)

# 使用
result = few_shot_prompt.format(input="我的商品有质量问题")

我曾经在做一个智能客服项目时，发现不加 Few-Shot 的例子，LLM 回答的格式五花八门。加了 3-5 个例子后，输出稳定多了。

核心要点：FewShotPromptTemplate 的威力在于「格式控制」。它告诉 LLM 的不是「回答什么」，而是「怎么回答」。

3.4 动态变量注入：让 Prompt 活起来

企业级应用里，变量来源很复杂。可能是数据库、API 返回、用户输入、甚至另一个 LLM 的输出。

动态变量注入，说白了就是让模板能灵活地接入各种数据源。

我常用的几种方式：

  1. 直接传参：最基础的方式，适合变量少、来源固定的场景。
  2. 使用 partial_variables：适合那些「每次请求都一样」的变量，比如系统提示、公司名称。
  3. 从字典或对象中解包：适合从数据库查询结果中直接映射。
  4. 链式注入：前一个 LLM 的输出作为后一个 Prompt 的输入。

看个链式注入的例子：

from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI

# 第一步：提取关键信息
extract_template = PromptTemplate(
    input_variables=["user_input"],
    template="从以下用户输入中提取商品名称和问题类型：\n{user_input}"
)

# 第二步：生成回复
reply_template = PromptTemplate(
    input_variables=["product", "issue_type"],
    template="用户反馈了{product}的{issue_type}问题，请生成专业回复。"
)

# 实际使用时，先调用 extract，再调用 reply
# 这就是动态变量注入的典型场景
避坑指南：我曾经在链式注入时，忘了对中间结果做校验。结果第一个 LLM 输出了空字符串，第二个 Prompt 直接崩了。所以，每个环节的输出都要做非空检查。

3.5 实战建议：模板管理的最佳实践

最后，分享几个我在企业项目中沉淀下来的经验：

场景 推荐方案 原因
简单变量替换 PromptTemplate 轻量、易维护
需要示例引导 FewShotPromptTemplate 格式稳定、输出可控
多步骤流程 链式注入 + 校验 避免空值传播
模板需要频繁修改 外部文件 + PromptTemplate 非技术人员也能改

嗯，这里要注意一点：不要为了用模板而用模板。如果你的 Prompt 只有一句话、一个变量，f-string 完全够用。但一旦涉及多变量、多场景、多人协作，PromptTemplate 的价值就体现出来了。

说白了，工具是为人服务的。选哪个，取决于你的团队规模和项目复杂度。

← 上一章 📖 返回目录 下一章 →