在基于大语言模型（LLM）的应用程序开发中，构建提示词是最基本和最重要的部分，好的提示词能让LLM明确目标，并按照我们的预期输出内容。LangChain对提示词相关的功能进行了封装，我们可以基于框架的API组装符合LLM应用最佳实践的提示词。
LangChain中，PromptTemplate是最基础的提示模板，其中可以包含占位符，通过填充占位符合成最终提示词，下面是一个例子。
from langchain.globals import set_debug, set_verbose
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import OllamaLLM
set_debug(True)
set_verbose(True)
llm = OllamaLLM(model='llama3.1:8b', temperature=1)
prompt_template = PromptTemplate.from_template("Translate {text} into {language}.")
chain = prompt_template | llm | StrOutputParser()
result = chain.invoke({"text": "Hello, my name is Aiko.", "language": "Spanish"})
print(result)
提示词模板可以使用PromptTemplate.from_template()创建，参数是一个包含占位符的字符串。我们可以将这个PromptTemplate对象组装到“链”中，当对“链”调用invoke()函数时，我们可以传入相关参数。运行上面代码，我们可以看到提示词模板的填充效果。
补充：如果我们暂时不想把提示词组装到“链”上运行，可以直接调用format()方法查看效果，该方法接收所有占位变量的命名参数。
prompt_template.format(text="Hello, my name is Aiko.", language="Spanish")
Few-Shot提示词指的是LLM在进行推理任务时，通过给定少量示例来供其参考如何完成该任务，下面例子中，我们的examples变量就包含了一组例子，例子中的回答给了LLM许多提示信息，每个例子的回答前还都添加了一个猫猫Emoji，LLM大概率也会按照相同的格式进行回答。
from langchain.globals import set_debug, set_verbose
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import OllamaLLM
set_debug(True)
set_verbose(True)
llm = OllamaLLM(model='llama3.1:8b', temperature=1)
examples = [
{"question": "Who are you?", "answer": "🐱 I am Aiko, a helpful AI assistant."},
{"question": "What is your name?", "answer": "🐱 My name is Aiko."},
{"question": "What can you do for me?", "answer": "🐱 I can generate text."},
]
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=PromptTemplate.from_template(template="Question: {question}\nAnswer: {answer}"),
suffix="User Question: {input}"
)
chain = few_shot_prompt | llm | StrOutputParser()
result = chain.invoke({"input": "Hi, who r u ?"})
print(result)
假如我们有多个模板对象，它们可能是PromptTemplate、FewShotPromptTemplate或是其它LangChain的模板类型，如何将它们拼接到一起组合使用？PipelinePromptTemplate提供了这种方法。
from langchain.globals import set_debug, set_verbose
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate, PipelinePromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import OllamaLLM
set_debug(True)
set_verbose(True)
llm = OllamaLLM(model='llama3.1:8b', temperature=1)
prompt_template = PromptTemplate.from_template("You are a helpful AI assistant.")
examples = [
{"question": "Who are you?", "answer": "🐱 I am Aiko, a helpful AI assistant."},
{"question": "What is your name?", "answer": "🐱 My name is Aiko."},
{"question": "What can you do for me?", "answer": "🐱 I can generate text."},
]
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=PromptTemplate.from_template(template="Question: {question}\nAnswer: {answer}"),
suffix=""
)
final_prompt_template = PromptTemplate.from_template("""
{introduction}
Example Q&A:
{example_qa}
User question: {input}
""")
pipline_prompt_template = PipelinePromptTemplate(
final_prompt=final_prompt_template,
pipeline_prompts=[
("introduction", prompt_template),
("example_qa", few_shot_prompt),
],
input_variables=["input"]
)
chain = pipline_prompt_template | llm | StrOutputParser()
result = chain.invoke({"input": "Hi, who r u ?"})
print(result)
上面例子代码中，我们将prompt_template和few_shot_prompt这两个变量组合到了一起，并拼接进了final_prompt_template中，最后拼接的结果存储在pipline_prompt_template里。
有时我们输入的Prompt会异常复杂，其中可能包含判断和循环逻辑，生成这样一个Prompt需要一个模板引擎来实现。LangChain的早期版本集成了广泛使用的Jinja2模板引擎，但最新版本换成了比较奇葩的Mustache，不过用法还是差不多的。下面例子构建的Prompt相对复杂一些，它实现了一个类似“角色扮演”的功能，在PromptTemplate中我们使用模板引擎遍历了一个数组npc_data，并读取了数组元素的属性。
from langchain.globals import set_debug, set_verbose
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_ollama import OllamaLLM
set_debug(True)
set_verbose(True)
prompt_template = PromptTemplate.from_template(
"""
{{#npc_data}}
Name: {{name}}
Age: {{age}}
Desc: {{desc}}
{{/npc_data}}
Now you play the role of {{npc}}. You print what {{npc}} says and surround his or her actions with `*`.
Reply with the format below:
{{npc}}: What {{npc}} say.*{{npc}}'s action and psychological activities*
===
{{player}}: {{input}}
""", template_format='mustache')
llm = OllamaLLM(model='llama3.1:8b', temperature=1)
chain = prompt_template | llm | StrOutputParser()
npc_data = [
{'name': 'Tom', 'age': '18', 'desc': 'a worker in a factory'},
{'name': 'Jerry', 'age': '17', 'desc': 'a high school student'},
]
result = chain.invoke({'npc_data': npc_data, 'npc': 'Jerry', 'player': 'Tom', 'input': 'Who are you?' })
print(result)
我们构建Prompt时指定了template_format属性，它的默认值是f-string，仅能实现一些基础的字符串替换。这里我们将其指定为mustache，即使用Mustache模板引擎，此时PromptTemplate就能正确渲染为我们需要的内容了。
了解上面内容后，我们可以发现其实模板引擎才是最强大的，像Few-Shot提示词模板、Pipeline组合模板本身都可以通过模板引擎快速实现，不过实际开发中，我们还是尽量利用LangChain封装好的工具类，这样能让我们构建的提示词基本保持在一个最佳实践的范围内，如果LangChain内置的功能实在实现不了，再考虑使用模板引擎。当然，有些人也可能认为LangChain封装了太多内容，屏蔽了底层信息的同时也丧失的灵活性，这是严重的“过度设计”，我们这里就先不纠结这个问题了，具体开发时根据我们的喜好选择即可。
ChatPromptTemplate的用法比较灵活，它不仅支持模板占位符，还支持传入对话历史消息，基于ChatPromptTemplate我们很容易能够实现和大语言模型的多轮对话。有关ChatPromptTemplate我们放在下一节实现聊天机器人中介绍。
补充：在LangChain中，对于大语言模型（LLM）的封装类其实主要有两种，前面我们用到的是BaseLLM，它是对LLM输入输出的基本封装，而BaseChatModel则主要用于多轮对话，它处理的数据是“消息”，BaseChatModel通常需要配合ChatPromptTemplate使用。
LangChain维护了一个提示词的仓库LangChainHub，对于一些复杂的提示词，我们可以参考这里学习如何编写效果最好。
注意：LangChainHub的官方推荐使用方式例子如下。
from langchain import hub
prompt = hub.pull("资源名")
然而，实际开发中非常不推荐使用这种方式，“提示词”就是个模板字符串，这么简单的东西还要从远程加载就有点搞笑了，简直是“大炮打蚊子”，而且实际开发中我们可能需要对提示词进行许多调整，这样直接加载的方式不方面我们修改，建议直接把相关文本内容复制到代码中即可。