在 LangChain 中，创建不同类型的 Prompt 主要依赖于 PromptTemplate、FewShotPromptTemplate 以及消息列表（ChatPromptTemplate）的组合。

以下是基于 LangChain Core (langchain-core) 实现的 6 种经典 Prompt 类型的代码示例。

前置准备

确保你已安装最新版 LangChain：

pip install -U langchain langchain-openai

1. 零样本提示 (Zero-Shot Prompting)

核心: 直接使用 PromptTemplate，只包含指令和输入变量。

from langchain_core.prompts import PromptTemplate

from connect_llm import qw_llm

# 定义模板
zero_shot_template = PromptTemplate.from_template(
    "请将以下文本翻译成 {language}：\n{text}"
)

# 构建链
chain = zero_shot_template | qw_llm

# 调用
response = chain.invoke({"language": "英语", "text": "你好，世界"})
print(f"Zero-Shot: {response.content}")

在这里插入图片描述

2. 少样本提示 (Few-Shot Prompting)

核心: 使用 FewShotPromptTemplate 动态插入示例，或使用 ChatPromptTemplate 手动构建消息列表。这里展示更灵活的 ChatPromptTemplate 方式（推荐用于对话模型）。

from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate

from connect_llm import qw_llm

# 定义示例数据
examples = [
    {"input": "快乐的", "output": "正面"},
    {"input": "悲伤的", "output": "负面"},
    {"input": "愤怒的", "output": "负面"},
]

# 创建示例提示模板 (定义示例的格式)
example_prompt = ChatPromptTemplate.from_messages(
    [
        ("human", "情感分析输入: {input}"),
        ("ai", "情感分类: {output}"),
    ]
)

# 创建少样本消息提示 (自动选取最相关的 k 个示例，这里全选)
few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
    input_variables=["input"], # 这里不需要额外变量，因为例子是固定的
)

# 主模板：包含系统指令 + 少样本示例 + 用户最终输入
final_prompt = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个情感分析助手。请根据示例判断用户输入的情感。"),
        few_shot_prompt, # 插入示例
        ("human", "{input}"), # 用户实际输入
    ]
)

chain = final_prompt | qw_llm
response = chain.invoke({"input": "开心的"})
print(f"Few-Shot: {response.content}")

在这里插入图片描述

3. 思维链提示 (Chain-of-Thought, CoT)

核心: 在 Prompt 中显式加入“让我们一步步思考”的指令，或者提供带有推理过程的 Few-Shot 示例。

from langchain_core.prompts import PromptTemplate, FewShotChatMessagePromptTemplate, ChatPromptTemplate

from connect_llm import qw_llm

# 方法 A: 直接指令法 (最简单)
cot_template = PromptTemplate.from_template(
    "问题：{question}\n"
    "请一步步进行推理，最后给出答案。\n"
    "推理过程："
)

# 方法 B: 少样本 CoT (效果更好，提供带推理的示例)
cot_examples = [
    {
        "q": "罗杰有5个网球，又买了2筒(每筒3个)，共有几个？",
        "a": "罗杰原有5个。2筒每筒3个，即2*3=6个。总共5+6=11个。答案是11。"
    },
    {
        "q": "食堂有23个苹果，用掉20个，又买来6个，现在有几个？",
        "a": "原有23个。用掉20个剩3个。买来6个，3+6=9个。答案是9。"
    }
]

# 构建带推理示例的 Few-Shot 模板
cot_few_shot = FewShotChatMessagePromptTemplate(
    example_prompt=ChatPromptTemplate.from_messages([
        ("human", "{q}"),
        ("ai", "{a}")
    ]),
    examples=cot_examples,
    input_variables=["q"]
)

final_cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个数学专家。请先展示推理步骤，再给出最终答案。"),
    cot_few_shot,
    ("human", "{q}")
])

chain = final_cot_prompt | qw_llm
response = chain.invoke({"q": "我有3个苹果，吃了1个，又分了剩下的一半给朋友，我还剩几个？"})
print(f"CoT: {response.content}")

在这里插入图片描述

4. 角色设定提示 (Role-Playing / Persona)

核心: 在 System Message 中详细定义角色的背景、语气和约束。

from langchain_core.prompts import ChatPromptTemplate

from connect_llm import qw_llm

role_template = ChatPromptTemplate.from_messages(
    [
        (
            "system",
            "你是一位拥有20年经验的资深 {role_name}。\n"
            "你的性格特点：{personality}。\n"
            "你的回答风格：{style}。\n"
            "请严格遵守以下约束：{constraints}"
        ),
        ("human", "{user_input}")
    ]
)

chain = role_template | qw_llm

response = chain.invoke({
    "role_name": "Python 架构师",
    "personality": "严谨、直接、喜欢最佳实践",
    "style": "使用技术术语，提供代码片段",
    "constraints": "不要解释基础概念，直接指出性能瓶颈",
    "user_input": "这段代码有什么性能问题？\nfor i in range(1000000): pass"
})
print(f"Role-Play: {response.content}")

在这里插入图片描述

5. 结构化/模板化提示 (Structured Prompting)

核心: 使用分隔符（如 XML 标签）清晰划分指令区、上下文区和数据区，防止注入并提高解析度。

from langchain_core.prompts import PromptTemplate

from connect_llm import qw_llm

# 优化后的 Prompt
structured_template = PromptTemplate.from_template(
    """# 角色
你是一名精准的数据提取助手。

# 任务
从下方的 <data> 标签中提取**所有被提及的人名**及其**文中明确提到或通过简单上下文可知的年龄**。

# 重要规则
1. **不要遗漏**：即使某个人物只是作为比较的参照物（例如“比王五大”中的王五），只要文中提到了他的名字和年龄，必须提取。
2. **直接提取**：优先提取文中直接给出的数字。如果年龄需要通过简单加减法得出（如“比...大2岁”），也可以计算后提取，但必须确保所有提及的人都出现在结果中。
3. **格式严格**：仅输出 JSON，无其他文字。

# 输出格式
{{"people": [{{"name": "姓名", "age": 年龄数字}}]}}

# 数据
<data>
{raw_text}
</data>

# 开始提取
"""
)

chain = structured_template | qw_llm
text_data = "张三今年25岁，李四比王五（30岁）大2岁。"
response = chain.invoke({"raw_text": text_data})
print(f"Optimized: {response.content}")

在这里插入图片描述

6. 自洽性/反思提示 (Self-Consistency / Reflection)

核心: 这通常不是一个单一的 Prompt 模板，而是一个链式工作流 (Chain)。
流程：生成答案 -> 让模型反思/验证 -> 修正答案。

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

from connect_llm import qw_llm

# 第一步：生成初始答案
generator_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个解题助手。"),
    ("human", "问题：{question}\n请给出一个初步解决方案。")
])

# 第二步：反思/验证 (Critic)
reflector_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个严格的审查员。检查以下方案是否有逻辑漏洞或错误。如果有，请指出并提供修正后的方案。"),
    ("human", "原始方案：{initial_answer}\n\n请审查并修正：")
])

# 构建反思链 (Generator -> Reflector)
# 注意：这里需要把第一步的输出作为第二步的输入
reflection_chain = (
    generator_prompt
    | qw_llm
    | StrOutputParser() # 获取纯文本
    | (lambda initial_answer: {"initial_answer": initial_answer, "question": None}) # 构造第二步的输入 (这里简化处理，实际需传递原问题)
    # 上面 lambda 写法为了演示结构，实际完整写法如下：
)

# ✅ 正确的完整反射链写法 (使用 RunnablePassthrough 传递上下文)
from langchain_core.runnables import RunnablePassthrough

full_reflection_chain = (
    {
        "initial_answer": (generator_prompt | qw_llm | StrOutputParser()),
        "question": RunnablePassthrough() # 保留原始问题传入下一步（如果需要）
    }
    | reflector_prompt
    | qw_llm
)

# 由于 reflector_prompt 定义中只需要 initial_answer，我们调整一下 prompt 定义以匹配
reflector_prompt_simple = ChatPromptTemplate.from_messages([
    ("system", "审查以下方案，如有错误请修正："),
    ("human", "方案：{initial_answer}")
])

final_self_consistency_chain = (
    {
        "initial_answer": (generator_prompt | qw_llm | StrOutputParser())
    }
    | reflector_prompt_simple
    | qw_llm
)

response = final_self_consistency_chain.invoke("鸡兔同笼，头35，脚94，求鸡兔各几只？")
print(f"Self-Reflection: {response.content}")

在这里插入图片描述

总结与建议

类型 LangChain 核心组件 关键点
Zero-Shot PromptTemplate 简单直接，适合简单任务。
Few-Shot FewShotChatMessagePromptTemplate 动态加载示例，适合格式模仿。
CoT FewShotChatMessagePromptTemplate (带推理示例) 示例中必须包含“推理过程”。
Role-Play ChatPromptTemplate (System Message) System Prompt 定义越细，角色越像。
Structured PromptTemplate + XML 标签 用 <tag> 包裹用户输入，防注入。
Reflection RunnableSequence (链式组合) 将“生成”和“审查”两个 LLM 调用串联。

最佳实践：在生产环境中，尽量使用 ChatPromptTemplate 而不是旧的 PromptTemplate，因为它更好地支持了 System/Human/AI 的消息角色分离，这对现代大模型（如 GPT-4, Qwen, Claude）的效果至关重要。

完整项目源码：

Logo
AtomGit开源社区

AtomGit 是由开放原子开源基金会联合 CSDN 等生态伙伴共同推出的新一代开源与人工智能协作平台。平台坚持“开放、中立、公益”的理念，把代码托管、模型共享、数据集托管、智能体开发体验和算力服务整合在一起，为开发者提供从开发、训练到部署的一站式体验。

更多推荐

cover

第11节：OpenLLM 性能优化【从理论到实战】

avatar AtomGit开源社区

智能体协作中的信任模型：如何评估并依赖其他Agent的输出结果？

术语简明定义智能体（Agent）具有自主感知、决策、行动能力的独立实体，可以是大模型Agent、传感器节点、自动驾驶车辆、分布式服务节点等多智能体系统（MAS）由多个独立Agent组成的协作系统，共同完成单一Agent无法完成的复杂任务信任（Trust）信任方在上下文环境中，基于已有证据对被信任方能够完成特定任务的主观概率评估信誉（Reputation）多个信任方对同一个被信任方的信任评估的聚合结

avatar AtomGit开源社区

工具失败怎么办：Agent 的 fallback 设计与用户体验兜底

那么，如何避免像刚才那个Beta版智能财务助手那样的“工具掉链子+模型硬编答案”的灾难呢？经过半年多的调研、开发和优化（后来我和小李团队一起重构了整个Agent的异常处理和fallback机制），我们总结出了一套生产级Agent通用的“异常感知-诊断-决策-执行-反馈-迭代”闭环fallback框架，以及针对不同类型Agent、不同类型工具、不同类型异常的多级用户体验兜底方案先“防患于未然”：在工

avatar AtomGit开源社区