Prompt工程：用语言精准指挥AI

```html

先抛一个问题：很多人学会调用大模型API之后，第一反应往往是——为什么同一个问题，有时候回答得让人眼前一亮，有时候却前言不搭后语？

答案几乎都藏在Prompt里。Prompt模板的质量，直接决定了AI输出表现的上限。

同样一个任务，随便写一个Prompt和精心设计一个Prompt，差距有多大？直接看个例子就明白了。

#  模糊的 Prompt
prompt_bad = "总结一下这篇文章"
# AI 可能输出：3 句话，也可能输出 3 段，风格不定，不知道要点

#  精准的 Prompt
prompt_good = """
请对以下文章进行总结。要求：
1. 用不超过 150 字
2. 必须包含：核心观点、关键数据、适用结论
3. 使用简洁的中文，避免专业术语
4. 格式为：【核心观点】... 【关键数据】... 【结论】...
文章内容：{article}
"""

那么，怎么才算一个好的Prompt呢？行业里其实有个黄金公式：高质量Prompt = 清晰角色 + 明确任务 + 具体约束 + 期望格式。遵循这个公式来构建Prompt模板，是提升AI应用效果的关键一步。

二、LangChain 为什么需要 Prompt 模板

在实际项目开发中，Prompt很少是写死的字符串。更多时候，它是根据用户的输入动态生成的。LangChain的Prompt模板就是为这个场景设计的，主要解决了三个问题：

1. 复用性——同一个提示结构，可以填入不同的变量值，避免重复造轮子，显著提升Prompt模板的开发效率。
2. 可测试性——模板和数据分离，单独调试模板逻辑，定位问题更高效。
3. 与Chain集成——模板可以无缝接入LCEL链，让Prompt模板成为整个AI链路的标准化入口。

三、Step 1：基础 Prompt 模板

PromptTemplate：纯文本模板入门

先从最简单的纯文本模板入手。核心就是用 {} 标记变量，然后用 .format() 填充。这种Prompt模板适合快速原型验证。

from langchain_core.prompts import PromptTemplate

# ── 创建模板，用 {} 标记变量 ──────────────────────────────────
template = PromptTemplate(
    input_variables=["topic", "audience", "length"],
    template="""
你是一位经验丰富的科普作家。请为【{audience}】写一篇关于"{topic}"的科普文章。
要求：
- 文章长度：{length}字以内
- 语言：通俗易懂，避免专业术语
- 结构：先讲是什么，再讲为什么重要，最后给出实际例子
"""
)

# ── 填充变量生成最终 Prompt ──────────────────────────────────
formatted = template.format(
    topic="区块链",
    audience="初中生",
    length="300"
)
print(formatted)

ChatPromptTemplate：对话模板推荐使用

在实际工作中，更推荐用 ChatPromptTemplate。它能分角色定义消息——system负责设定身份和行为准则，human放用户的问题，整个结构更清晰，也更能发挥对话模型的效果。这是构建生产级Prompt模板的首选方式。

from langchain_core.prompts import ChatPromptTemplate

# ── 多角色对话模板 ────────────────────────────────────────────
chat_prompt = ChatPromptTemplate.from_messages([
    # system：定义 AI 的专业身份和行为准则
    ("system", """
你是一位专业的{role}，拥有{years}年从业经验。回答时遵循以下规范：
- 先给出明确结论，再解释原因
- 如果问题超出专业范围，直接告知
- 用中文回答，简洁专业
"""),
    # human：用户的问题
    ("human", "{question}"),
])

# ── 格式化为消息列表 ──────────────────────────────────────────
messages = chat_prompt.format_messages(
    role="心脏病学医生",
    years=15,
    question="心率超过 100 次/分钟算正常吗？",
)

# messages 是一个列表：[SystemMessage(...), HumanMessage(...)]
for msg in messages:
    print(f"[{msg.__class__.__name__}]: {msg.content}")

把这个Prompt模板和LLM对接起来，有两种方式。一种是先格式化，再调用；另一种是用链的方式，更推荐后者，下一章会详细展开。

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# 方式一：先格式化，再调用
messages = chat_prompt.format_messages(role="营养师", years=10, question="早餐吃什么最健康？")
response = llm.invoke(messages)
print(response.content)

# 方式二：用链（推荐，下一章深讲）
chain = chat_prompt | llm
response = chain.invoke({"role": "营养师", "years": 10, "question": "早餐吃什么最健康？"})
print(response.content)

四、Step 2：Few-Shot 提示（示例驱动）

什么情况需要Few-Shot？说白了就是"给几个例子"。你给模型展示几个"输入→输出"的例子，模型就能理解你期望的格式和风格，然后对新输入产生类似的输出。这是Prompt模板中处理特殊格式需求的有效手段。

适用场景很明确：

• 需要特定格式的输出（JSON、表格、特定句式）
• 需要特定风格（文言文、专业术语、儿童语言）
• 模型不擅长的小众任务（情感分类、命名实体识别）

来看一个电商评论情感分析的例子，感受一下就清楚了。

from langchain_core.prompts import FewShotPromptTemplate, PromptTemplate
from langchain_openai import ChatOpenAI

# ── 定义示例：每个示例都是一个 dict ──────────────────────────
examples = [
    {
        "text": "这款手机电池续航太差了，一天充两次电，差评！",
        "sentiment": "负面",
        "reason": "用户对电池续航不满"
    },
    {
        "text": "物流超快，下单第二天就到了，包装也很严实。",
        "sentiment": "正面",
        "reason": "用户对物流速度和包装满意"
    },
    {
        "text": "质量还行，但价格有点贵，性价比一般。",
        "sentiment": "中性",
        "reason": "质量满意但价格不满意，整体中立"
    },
]

# ── 单个示例的展示模板 ────────────────────────────────────────
example_prompt = PromptTemplate(
    input_variables=["text", "sentiment", "reason"],
    template="评论：{text}\n情感：{sentiment}\n原因：{reason}"
)

# ── Few-Shot 模板 ─────────────────────────────────────────────
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="你是一个电商评论情感分析专家。请分析以下评论的情感倾向（正面/负面/中性）并说明原因：\n\n参考示例：",
    suffix="\n评论：{text}\n情感：",  # 最后留空，让模型填写
    input_variables=["text"],
    example_separator="\n---\n",  # 示例之间的分隔符
)

# ── 调用 ─────────────────────────────────────────────────────
llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

test_reviews = [
    "屏幕显示效果非常清晰，色彩还原准确，专业摄影师推荐！",
    "买了之后根本用不了，联系客服也没人回，气死了。",
]

for review in test_reviews:
    formatted = few_shot_prompt.format(text=review)
    response = llm.invoke(formatted)
    print(f"评论：{review}")
    print(f"分析：{response.content}")
    print("-" * 50)

五、Step 3：思维链提示（Chain of Thought）

直接让AI回答复杂问题时，它常常跳步推理，然后就出错了。思维链（CoT）的思路就是强制模型一步步思考，每个步骤都显式写出来。这样做，错误率明显下降，推理也更可靠。在Prompt模板中加入思维链引导，是处理复杂推理任务的重要技巧。

研究数据也印证了这一点：在复杂推理任务上，CoT提示可以将准确率提升20-50%。

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# ── 不带思维链（容易出错）────────────────────────────────────
no_cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是数学老师，直接给出答案。"),
    ("human", "{question}"),
])

# ── 带思维链（逐步推理）──────────────────────────────────────
cot_prompt = ChatPromptTemplate.from_messages([
    ("system", """
你是数学老师。解题时必须按以下格式逐步推理：
【分析】：理解题目，找出已知条件
【步骤1】：...（写出每一步的计算）
【步骤N】：...
【答案】：最终结果

绝不能跳过中间步骤，必须展示完整推理过程。
"""),
    ("human", "{question}"),
])

llm = ChatOpenAI(
    model="qwen-plus",
    openai_api_key=os.getenv("DASHSCOPE_API_KEY"),
    openai_api_base="https://dashscope.aliyuncs.com/compatible-mode/v1",
    temperature=0,  # 数学题用 0，确保结果稳定
)

question = """一家餐厅周一到周五每天接待 80 位顾客，周六接待 120 位，周日不营业。每位顾客平均消费 85 元，月均营业天数按 4.3 周计算。请计算该餐厅每月的营业额。"""

print("=" * 50)
print("不带思维链的回答：")
chain_no_cot = no_cot_prompt | llm
print(chain_no_cot.invoke({"question": question}).content)

print("\n" + "=" * 50)
print("带思维链的回答：")
chain_cot = cot_prompt | llm
print(chain_cot.invoke({"question": question}).content)

有时候连示例都不想给，怎么办？试试Zero-Shot CoT，只需要在问题末尾加上一句话，就能激活模型的推理模式：

# 只需要在问题末尾加上这句话，就能激活模型的推理模式
question_with_cot = f"{question}\n\n让我们一步一步地思考。"

六、Prompt 最佳实践速查

原则 1：具体优于模糊

#  模糊
"帮我改进这段代码"

#  具体
"检查以下 Python 代码的潜在 bug 和性能问题，按【问题】【位置】【修复建议】格式输出，重点关注：空指针、资源泄漏、时间复杂度"

原则 2：使用分隔符隔离数据

#  容易被用户内容干扰（Prompt 注入风险）
f"总结这篇文章：{user_input}"

#  用 XML 标签或分隔符隔离
f"""
总结以下
标签内的文章：
{user_input}
要求：100字以内，提取核心观点。
"""

原则 3：角色设定要具体

#  过于泛泛
("system", "你是专家")

#  明确背景和能力
("system", """
你是一位拥有 10 年经验的全栈工程师，擅长 Python、React 和 AWS 架构。
当回答技术问题时，优先给出可直接运行的代码示例，并标注关键参数的作用。
""")

原则 4：控制输出格式

# 要求输出 JSON
("system", """
以 JSON 格式输出，字段包括：
- "summary": 文章摘要（50字以内）
- "keywords": 关键词列表（3-5个）
- "sentiment": 情感倾向（positive/negative/neutral）

不要输出任何 JSON 之外的文字。
""")

七、常见 Prompt 问题与调试方法

问题现象	可能原因	调试方法
输出格式不稳定	格式要求不够明确	在 prompt 中加入示例输出
答案偏离主题	系统提示太弱或无系统提示	强化 system 消息的约束
输出截断	max_tokens 设置太小	增大 max_tokens
数学计算出错	没有使用 CoT	加入逐步推理要求
多言混杂	没有语言约束	在 prompt 中明确"用中文回答"

最后说一个调试小技巧：先 print(prompt.format(...)) 看看格式化后的完整Prompt长什么样，很多时候毛病的根源一眼就能看出来。掌握Prompt模板的调试方法，能大幅提升AI应用的开发效率。

```