Prompt 与 Chains

2.1 Prompt 基础概念

Prompt（提示词）是我们与 LLM 沟通的桥梁。一个好的 Prompt 可以显著提升模型的输出质量。

2.1.1 为什么需要 Prompt Templates？

在应用中，我们通常需要多次调用 LLM，每次调用可能只有少量参数不同。如果每次都写完整的 Prompt，会导致代码重复、难以优化、容易出错。Prompt Template 就是为了解决这些问题。

2.2 Prompt Templates 详解

2.2.1 字符串 Prompt Template

from langchain_core.prompts import PromptTemplate

template = PromptTemplate.from_template(
    "请将以下中文翻译成{target_language}：{text}"
)

prompt = template.invoke({
    "target_language": "英文",
    "text": "你好，世界"
})
print(prompt.to_string())

2.2.2 Few-Shot 提示模板

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate

examples = [
    {"word": "开心", "antonym": "伤心"},
    {"word": "高大", "antonym": "矮小"},
]

example_prompt = PromptTemplate.from_template("词语: {word}
反义词: {antonym}")

prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="请给出下列词语的反义词：",
    suffix="词语: {input}
反义词:",
    input_variables=["input"]
)

result = prompt.invoke({"input": "快速"})
print(result.to_string())

2.3 Chat Prompt 模板

对于 Chat Model，我们需要使用专门的 Chat Prompt 模板。

2.3.1 消息类型

2.3.2 创建 Chat Prompt 模板

from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位专业的{subject}老师。"),
    ("human", "请解释：{concept}"),
])

messages = prompt.invoke({
    "subject": "物理学",
    "concept": "量子纠缠"
})
print(messages.to_messages())

2.3.3 MessagesPlaceholder 动态消息

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的助手。"),
    MessagesPlaceholder("chat_history", optional=True),
    ("human", "{user_input}"),
])

result = prompt.invoke({
    "chat_history": [HumanMessage(content="我叫张三"), AIMessage(content="你好！")],
    "user_input": "我叫什么名字？"
})

2.4 输出解析器

输出解析器（Output Parser）可以将 LLM 文本输出解析成结构化数据。

2.4.1 JsonOutputParser 使用

from langchain_core.output_parsers import JsonOutputParser
from pydantic import BaseModel, Field

class Joke(BaseModel):
    setup: str = Field(description="笑话的铺垫")
    punchline: str = Field(description="笑话的笑点")

parser = JsonOutputParser(pydantic_object=Joke)
chain = prompt | llm | parser
result = chain.invoke({"topic": "程序员"})
print(result)

2.5 Chain 链式调用

Chain（链）是 LangChain 的核心概念，它将多个组件串联起来。

2.5.1 LCEL 基础语法

LCEL 提供了直观的 | 管道操作符：

2.5.2 构建一个简单链

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个翻译助手。"),
    ("human", "翻译成{target_lang}：{sentence}")
])
parser = StrOutputParser()

chain = prompt | llm | parser
result = chain.invoke({"target_lang": "日语", "sentence": "你好"})
print(result)

2.6 顺序链与路由链

2.6.1 顺序链 SequentialChain

当链的输出需要作为下一个链的输入时，使用顺序链：

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

translate_chain = (
    ChatPromptTemplate.from_template("翻译成英文：{text}") | llm | StrOutputParser()
)

summarize_chain = (
    ChatPromptTemplate.from_template("一句话总结：{text}") | llm | StrOutputParser()
)

final_chain = {"translation": translate_chain} | summarize_chain
result = final_chain.invoke({"text": "今天天气真好"})
print(result)

2.6.2 路由链 RouterChain

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0)

translate_chain = (ChatPromptTemplate.from_template("翻译：{text}") | llm | StrOutputParser())
qa_chain = (ChatPromptTemplate.from_template("问答：{text}") | llm | StrOutputParser())

router = ChatPromptTemplate.from_template("选择：translate 或 qa
输入：{text}") | llm | StrOutputParser()

def route(text):
    choice = router.invoke({"text": text}).strip().lower()
    if "translate" in choice:
        return translate_chain.invoke({"text": text})
    return qa_chain.invoke({"text": text})

2.7 本章小结

• Prompt Template：通过变量复用提示词
• Chat Prompt：使用 System/Human/AI 消息角色
• Output Parser：将文本解析为结构化数据
• LCEL：使用 | 操作符组合组件
• 顺序链：处理多步骤工作流
• 路由链：根据输入动态选择处理路径