大模型应用开发 / 系统课时

Prompt 模板设计

Prompt 模板设计

提示词往往需要根据不同输入动态生成,本课学习使用 PromptTemplate 构建可复用、可参数化的提示词,避免在代码中反复拼接字符串。

学习目标

  • 掌握 PromptTemplate 的基本用法
  • 能够设计带多个变量的可复用模板
  • 理解模板与模型组合调用的方式

规则与接口

PromptTemplate 通过 {变量名} 占位符定义可替换内容,调用 invoke 传入字典即可生成最终提示词;聊天场景通常使用 ChatPromptTemplate,可以同时定义系统提示和用户提示。

主示例

python
import os
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一名{role},请用简洁的中文回答问题。"),
    ("human", "{question}")
])

model = ChatOpenAI(model=os.environ["OPENAI_MODEL"], timeout=30, max_retries=1)
chain = prompt | model

response = chain.invoke({"role": "资深后端工程师", "question": "什么是幂等性?"})
print(response.text)

prompt | model 使用管道符将模板与模型组合成一条调用链,输入的字典会先填充模板,再传给模型。

输出验证

预期输出:

text
幂等性是指对同一操作执行一次和执行多次,产生的结果保持一致...

更换 role 或 question 的值重新运行,输出内容应随之变化,证明模板变量确实生效。

关键边界

模板中的变量名必须与调用时字典的键完全一致,拼写不一致会直接报错;模板本身不会校验输入内容的合理性,过长或格式异常的输入仍会被原样填入提示词。

先验证模板,再调用模型

模板负责格式化,不负责理解变量含义。先调用 prompt.invoke 并检查消息角色和填入内容,再接模型,可以将变量错误与服务异常分开。缺少 role 或 question 会在模板阶段失败,此时并不需要网络请求;增加一个未使用字段则不能证明模板使用了它。

下面的离线检查沿用上面的 prompt,属于依赖该对象的片段示例,不会调用模型。用明确断言检查关键变量是否进入了正确角色,而不是只看模型最终答案。

python
# 片段示例:依赖上方已创建的 prompt。
messages = prompt.invoke({"role": "资深后端工程师", "question": "什么是幂等性?"}).to_messages()
assert "资深后端工程师" in messages[0].content
assert messages[1].content == "什么是幂等性?"
print("模板变量与消息角色检查通过")

预期输出:

text
模板变量与消息角色检查通过

模板自身需要出现 JSON 大括号字面量时,应按默认格式规则使用双大括号转义;用户变量中的大括号不会被递归当作第二份模板处理。固定角色可用 partial 预填,避免每次调用重复传值。模板文字的版本也应随代码一起保存,便于比较回归结果。

变量校验还应处理空白、长度与业务类型。外部文本即使包含“忽略系统指令”之类内容,也只是传入的数据;模板分角色不能保证完全防止提示注入,工具权限和输出校验仍需独立实施。不要把用户可编辑内容拼成可执行模板代码。

按自己的节奏,确认真正理解。

目录与阅读设置

记录一个想法

Prompt 模板设计

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通