📚 课程目录第3章提示（Prompts）工程

3. 提示（Prompts）工程：从模板到序列化

提示工程，说白了就是跟大模型打交道的艺术。你给它的提示好不好，直接决定它回你的东西靠不靠谱。我在项目里见过太多人，模型选得挺好，结果提示写得稀烂，最后怪模型不行——其实问题出在自己身上。

LangChain 把提示工程做成了标准化工具。你不用每次都手写提示，也不用担心格式不一致。今天我们就把它拆开揉碎了讲清楚。

3.1 提示模板（PromptTemplate）

先看最基础的。PromptTemplate 就是给提示留几个变量位置，运行时往里填值。举个例子：

from langchain.prompts import PromptTemplate

template = "请用{style}风格，写一段关于{topic}的简介。"
prompt = PromptTemplate(
    input_variables=["style", "topic"],
    template=template
)

result = prompt.format(style="幽默", topic="机器学习")
print(result)
# 输出：请用幽默风格，写一段关于机器学习的简介。

嗯，这里要注意：input_variables 必须跟模板里的变量名完全一致。我刚开始用的时候拼错过一次，查了半天才发现是变量名写了个空格。

我的习惯：模板变量统一用下划线命名，比如 user_name、product_desc。这样不容易跟 Python 关键字冲突，也方便后期维护。

3.2 聊天提示模板（ChatPromptTemplate）

如果你用的是聊天模型（比如 GPT-4、Claude），那 ChatPromptTemplate 更合适。它支持多轮对话结构：

from langchain.prompts import ChatPromptTemplate
from langchain.prompts.chat import SystemMessagePromptTemplate, HumanMessagePromptTemplate

system_template = "你是一个{role}专家，回答要简洁专业。"
human_template = "请解释一下{concept}"

chat_prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(system_template),
    HumanMessagePromptTemplate.from_template(human_template)
])

messages = chat_prompt.format_messages(
    role="网络安全",
    concept="零信任架构"
)
# 返回两个 Message 对象：system 和 human

我在做客服机器人项目时，就靠这个区分了系统指令和用户输入。系统消息里写规则，用户消息里写问题，模型理解得特别清楚。

消息类型	用途	示例
SystemMessage	设定角色、行为规则	"你是一个耐心的老师"
HumanMessage	用户输入	"什么是梯度下降？"
AIMessage	模型回复	"梯度下降是一种优化算法..."

3.3 示例选择器（ExampleSelector）

少样本提示里，选哪些示例很关键。ExampleSelector 就是帮你做这件事的。它有好几种策略：

固定选择：每次都取同样的示例
随机选择：从池子里随机抽
语义相似度选择：根据输入找最像的示例

我个人最常用的是语义相似度选择器。它会把你的输入跟示例库里的每条记录算相似度，挑最相关的几条。效果比随机选好太多了。

from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS

examples = [
    {"input": "苹果", "output": "水果，红色或绿色"},
    {"input": "香蕉", "output": "水果，黄色，长条形"},
    {"input": "汽车", "output": "交通工具，四个轮子"},
]

selector = SemanticSimilarityExampleSelector.from_examples(
    examples,
    OpenAIEmbeddings(),
    FAISS,
    k=2
)

selected = selector.select_examples({"input": "草莓"})
# 会返回"苹果"和"香蕉"这两个示例，因为它们跟"草莓"语义更近

我曾经踩过的坑：示例库太大时，每次计算相似度会很慢。建议给示例库加个缓存，或者限制 k 值不超过 5。否则用户等得心焦。

3.4 少样本提示（FewShotPromptTemplate）

FewShotPromptTemplate 把示例选择器和提示模板组合在一起。你给它几个例子，它就能让模型照着例子来回答。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate

example_prompt = PromptTemplate(
    input_variables=["input", "output"],
    template="输入: {input}\n输出: {output}"
)

few_shot_prompt = FewShotPromptTemplate(
    examples=examples,  # 就是上面那个示例列表
    example_prompt=example_prompt,
    prefix="请根据以下示例，为新的输入生成输出：",
    suffix="输入: {new_input}\n输出:",
    input_variables=["new_input"]
)

result = few_shot_prompt.format(new_input="西瓜")
print(result)
# 输出：
# 请根据以下示例，为新的输入生成输出：
# 输入: 苹果
# 输出: 水果，红色或绿色
# 输入: 香蕉
# 输出: 水果，黄色，长条形
# 输入: 西瓜
# 输出:

你看，它自动把示例拼到了提示里。模型看到前面两个例子，就知道该输出什么格式了。这比直接问"西瓜是什么"要稳定得多。

  核心要点：少样本提示不是越多越好。3-5 个高质量示例，比 20 个凑数的效果好。我一般先试 3 个，效果不够再加。

3.5 提示序列化与加载

项目做大了，提示模板不能都写在代码里。得存成文件，方便管理和复用。LangChain 支持序列化成 JSON 或 YAML：

# 保存为 JSON
prompt.save("my_prompt.json")

# 从 JSON 加载
from langchain.prompts import load_prompt
loaded_prompt = load_prompt("my_prompt.json")

# 保存为 YAML
with open("my_prompt.yaml", "w") as f:
    f.write(prompt.to_yaml())

我习惯把提示模板按功能分目录存：

prompts/summary/ — 摘要类提示
prompts/qa/ — 问答类提示
prompts/code/ — 代码生成类提示

这样团队协作时，谁改了什么一目了然。而且不同环境（开发、测试、生产）可以加载不同版本的提示文件。

小技巧：序列化时记得把版本号写进文件名，比如 summary_v2.json。回滚的时候特别方便。

知识结构总览

下面这张图把本章的知识点串起来了。你可以看到提示工程在 LangChain 里的完整脉络：

从图上你能看到，提示工程不是孤立的知识点。模板负责结构，示例负责引导，序列化负责管理。三块配合好了，你的提示质量才能稳定。