LangChain提示词工程与结构化输出实战

1. Prompt 模板与提示词工程概述

在大语言模型（LLM）应用开发中，Prompt（提示词）是用户与模型之间沟通的桥梁。而提示词工程（Prompt Engineering）则是通过精心设计 Prompt 来引导模型生成高质量输出的实践方法论。随着 LangChain 等框架的普及，Prompt 模板成为工程化构建 Prompt 的核心工具——它让我们从手工拼接字符串中解放出来，实现可复用、可维护的提示词管理。

同样重要的还有结构化输出：当我们需要模型返回 JSON、特定字段或固定格式的数据时，Output Parser就派上了用场。它负责将模型生成的原始文本解析为程序可直接消费的结构化对象，打通"模型输出 → 业务代码"的最后一公里。

本文将从 PromptTemplate 的基本使用讲起，逐步深入到 ChatPromptTemplate、Prompt 编写技巧、实战案例，再到结构化输出与 Output Parser 的完整实践，帮助你系统掌握这两个关键技能。

2. 什么是 Prompt？为什么需要 Prompt 模板？

Prompt就是你发给大语言模型的输入文本。它可以是一句话、一段指令，也可以是一组对话消息。Prompt 的质量直接决定了模型输出的质量——同样的模型，不同 Prompt 得到的回答可能天差地别。

但在实际项目中，我们往往需要动态构建Prompt：根据用户输入、业务上下文动态填充某些变量。比如电商场景中，商品名称、卖点、风格要求都是变化的。如果每次都用 f-string 拼接：

prompt = f"请为{product}生成一段{style}风格的营销文案，突出{feature}卖点"

这样做有几个明显的问题：

• 难以维护：Prompt 模板散落在各处，修改时需要全局搜索
• 容易出错：变量多了以后，引号、换行、缩进很容易搞混
• 无法复用：每个场景都要重写拼接逻辑
• 缺乏验证：没法自动检查 Prompt 中是否遗漏了必填变量

因此，LangChain 提供了PromptTemplate和ChatPromptTemplate这两个核心类，让我们用声明式的方式管理 Prompt。

3. PromptTemplate 基本使用

PromptTemplate是最基础的 Prompt 模板类，适用于纯文本补全模型或只需要一个字符串作为输入的场景。它的使用非常简单：

from langchain_core.prompts import PromptTemplate 定义模板，用 {变量名} 占位 template = "请用{language}语言写一段代码，实现{functionality}功能" prompt = PromptTemplate( template=template, input_variables=["language", "functionality"] ) 填充变量，得到最终 Prompt final_prompt = prompt.format( language="Python", functionality="快速排序" ) print(final_prompt) 输出：请用Python语言写一段代码，实现快速排序功能

核心要点：

• 使用{变量名}作为占位符
• input_variables声明需要哪些变量，LangChain 会做校验
• 调用.format()即可得到最终 Prompt 字符串
• 如果变量缺失，会直接报错，避免静默失败

4. ChatPromptTemplate 基本使用

现代大模型（如 GPT-4、Claude）大多是对话模型，输入输出以"消息列表"的形式组织。每条消息包含role（角色）和content（内容），常见的角色有：

• system：系统级指令，设定模型的行为和角色
• human：用户输入
• ai：模型回复（用于多轮对话的历史记录）

ChatPromptTemplate就是为这种消息列表结构设计的：

from langchain_core.prompts import ChatPromptTemplate chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位经验丰富的{role}工程师，擅长{skill}。"), ("human", "请解释一下{concept}的核心原理，用通俗易懂的方式。"), ]) messages = chat_prompt.format_messages( role="后端", skill="系统架构设计", concept="消息队列" ) for msg in messages: print(f"[{msg.type}] {msg.content}") [system] 你是一位经验丰富的后端工程师，擅长系统架构设计。 [human] 请解释一下消息队列的核心原理，用通俗易懂的方式。

5. 核心本质差异

很多初学者容易混淆 PromptTemplate 和 ChatPromptTemplate，这里用一张对比表说清楚：

# PromptTemplate：只生成一个字符串 prompt = PromptTemplate(template="你好，{name}！", input_variables=["name"]) result = prompt.format(name="小明") # 返回 str: "你好，小明！" ChatPromptTemplate：生成消息列表 chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是助手"), ("human", "你好，{name}！"), ]) result = chat_prompt.format_messages(name="小明") # 返回 List[BaseMessage]

一句话总结：除非你确定在用一个只接受字符串的老模型，否则直接用 ChatPromptTemplate，它更现代、更灵活，也是 LangChain 官方推荐的方式。

6. Prompt 编写建议

写好 Prompt 是一门手艺活。下面四条建议来自大量实战总结，能显著提升模型输出的质量和稳定性。

6.1 明确角色

给模型设定一个具体、专业的角色，能大幅提升回答的专业度和风格匹配度。

# ❌ 模糊 "帮我写一份简历" ✅ 明确角色 "你是一位有10年经验的资深HR和职业规划师，擅长为技术岗位优化简历。"

角色越具体，模型越容易"进入状态"。可以结合领域、经验年限、技能特长来刻画角色。

6.2 明确任务

任务描述要具体、可操作，避免笼统的指令。

# ❌ 笼统 "分析一下这段代码" ✅ 具体 "分析下面这段 Python 代码，从以下三个角度给出建议： 性能瓶颈 潜在 Bug 代码风格改进"

用编号列表明确任务维度，既能引导模型思考，也方便你验收结果。

6.3 明确约束

告诉模型不要做什么，往往和告诉它要做什么同样重要。

# 常用的约束示例 "请遵守以下约束： - 回答长度控制在 200 字以内 - 不要使用专业术语，用大白话解释 - 如果问题超出你的知识范围，直接说「我不确定」，不要编造 - 输出格式为 Markdown"

6.4 给出输入字段

在模板中明确标注哪些是动态输入，并使用清晰易懂的变量名。

chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是{company}的{role}，风格{style}。"), ("human", "产品名称：{product_name}\n目标人群：{audience}\n核心卖点：{selling_point}\n请生成一段营销文案。"), ])

变量名要见名知意，比如用 product_name 而不是 p1，用 audience 而不是 aud。这样不仅你自己好维护，后续团队成员也能快速理解。

7. 实战案例一：商品文案生成器

综合运用上述技巧，我们来做一个完整的商品文案生成器：

from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI 1. 定义 Prompt 模板 prompt = ChatPromptTemplate.from_messages([ ("system", """你是一位资深电商文案策划，有8年品牌营销经验。 你擅长根据产品特点创作富有感染力的营销文案。 风格要求：{style}"""), ("human", """请为以下商品生成营销文案： 商品名称：{product_name} 目标人群：{audience} 核心卖点：{selling_point} 额外要求：{requirements}"""), ]) 2. 填充变量 messages = prompt.format_messages( style="简洁有力，口语化，带emoji", product_name="云感记忆枕", audience="25-40岁久坐办公人群", selling_point="3D分区承托，自适应颈椎曲线，透气凝胶材质", requirements="文案分两段：第一段戳痛点，第二段讲解决方案。总共不超过150字。" ) 3. 调用模型 llm = ChatOpenAI(model="gpt-4o", temperature=0.7) response = llm.invoke(messages) print(response.content)

模型输出示例：

每天对着屏幕10小时，脖子僵得像根钢筋？翻来覆去睡不着，早上起来肩膀更酸了？😫

云感记忆枕，3D分区承托你的每一寸颈椎曲线，自适应贴合不悬空。透气凝胶材质整晚清凉不闷汗，让你一觉醒来像做了SPA一样轻松~ ☁️💤

这个案例把角色、任务、约束、输入字段四条建议全部落地了。模板里变量清晰、结构分明，改一个参数就能适配不同商品。

8. 减少重复代码：封装模型初始化

在实际项目中，如果每个功能都要写一遍初始化模型 → 定义模板 → 填充变量 → 调用，代码会非常冗余。最佳实践是封装一个工厂函数：

from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI class LLMChain: """轻量级 Chain 封装，减少样板代码""" def __init__(self, model_name="gpt-4o", temperature=0.7): self.llm = ChatOpenAI(model=model_name, temperature=temperature) def create_chain(self, system_template, human_template): """根据 system 和 human 模板创建可调用的链""" prompt = ChatPromptTemplate.from_messages([ ("system", system_template), ("human", human_template), ]) return prompt | self.llm # LCEL 链式调用 使用示例：一行创建，一行调用 chain = LLMChain().create_chain( system_template="你是{role}专家。", human_template="请解释{concept}。" ) result = chain.invoke({"role": "数据库", "concept": "索引优化"}) print(result.content)

使用LCEL（LangChain Expression Language）的管道操作符|，可以把 Prompt 和模型串成一个可调用的链。后续所有案例都可以复用这个封装，代码量减少 70% 以上。

9. 实战案例二：学习计划生成器

这个案例展示如何用更复杂的约束和多维度输入来生成个性化内容：

prompt = ChatPromptTemplate.from_messages([ ("system", """你是一位专业的学习规划师，擅长为不同背景的学习者定制学习路径。 请严格遵循以下规则： 根据学习者当前的{current_level}水平制定计划 总学习周期为{duration}周 每天可用学习时间约{hours_per_day}小时 最终目标：{goal} 输出格式：按周列出学习主题和关键任务，使用 Markdown 格式"""), ("human", "请为我想学习{subject}制定一份详细的学习计划。"), ]) messages = prompt.format_messages( subject="Python 数据分析", current_level="有其他编程语言基础，但 Python 零基础", duration="4", hours_per_day="2", goal="能够独立完成数据清洗、可视化和基础统计分析，做出可交付的数据报告" ) response = llm.invoke(messages)

这里的关键是把约束条件模板化。current_level、duration、hours_per_day、goal 这些变量在不同学员之间各不相同，但 Prompt 结构是稳定的。模板化之后，你甚至可以用它来批量生成学习计划。

10. 实战案例三：客服回复生成器

客服场景除了要生成回复，往往还需要情绪判断和上下文理解。这个案例还展示了如何把MessagesPlaceholder融入真实业务：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder customer_service_prompt = ChatPromptTemplate.from_messages([ ("system", """你是{company_name}的客服代表。 回复风格：{style} 公司政策：{policy} 请根据用户问题和历史对话，生成专业、友善的回复。 如果问题无法解决，请引导用户拨打客服热线 400-xxx-xxxx。"""), MessagesPlaceholder(variable_name="history"), # 历史对话 ("human", "{user_query}"), ]) 使用示例 messages = customer_service_prompt.format_messages( company_name="云笔记科技", style="亲切但不啰嗦，每句话不超过30字", policy="7天无理由退货，30天换货，1年保修", history=[], # 第一轮对话，暂时为空 user_query="我昨天买的 Pro 版会员，为什么还是不能用 AI 功能？" ) response = llm.invoke(messages)

这个模板在真实场景中可以直接对接对话历史管理系统。每轮对话把历史消息存起来，下一轮丢进 history 变量，模型就能"记住"之前的上下文。

11. MessagesPlaceholder 详解

MessagesPlaceholder是 ChatPromptTemplate 中的一个特殊占位符，用于动态插入一组消息（而不是一个字符串）。它的典型应用场景有：

• 多轮对话历史：把之前的 human/ai 消息列表放进去，让模型记住上下文
• Few-shot 示例：插入若干条示例对话，教模型如何回答
• 动态指令：根据业务条件动态决定是否添加某条 system 消息

Few-shot 示例的用法：

examples = [ ("human", "我的产品有质量问题"), ("ai", "很抱歉给您带来不便。请问具体是什么问题呢？我会尽快为您处理。"), ("human", "收到后屏幕有坏点"), ("ai", "非常抱歉！根据我们的售后政策，您可以申请换货。请提供订单号，我马上为您办理。"), ] few_shot_prompt = ChatPromptTemplate.from_messages([ ("system", "你是专业客服。参考以下示例来回复用户。"), MessagesPlaceholder(variable_name="examples"), # 示例对话 ("human", "{user_query}"), ]) messages = few_shot_prompt.format_messages( examples=examples, user_query="我买的键盘有几个键不灵敏" )

注意：MessagesPlaceholder 的 variable_name 必须在 format_messages 时传入一个消息列表（List[tuple] 或 List[BaseMessage]），不能传字符串。

12. 本章重点回顾

在进入结构化输出部分之前，先快速回顾 Prompt 模板的核心要点：

• ChatPromptTemplate 优先：现代对话模型的最佳搭档，支持多角色消息
• 变量用 {变量名} 占位：声明 input_variables 做校验，避免遗漏
• 编写四步法：明确角色 → 明确任务 → 明确约束 → 给出输入字段
• MessagesPlaceholder：动态插入消息列表，支持多轮对话和 Few-shot
• 封装复用：用工厂函数或 LCEL 链减少样板代码

常见问题

Q: Prompt 越长越好吗？

不是。Prompt 越长，模型的注意力越分散，容易"遗忘"中间的指令。最佳实践是简短有力：角色设定 1-2 句，任务描述 2-3 句，约束条件用列表形式，输入字段集中放在末尾。如果确实需要大量上下文，优先使用 RAG 把资料放在检索结果里，而不是全部塞进 Prompt。

Q: 为什么模型没有完全按要求输出？

常见原因有几个：

1. 指令不够明确："写一篇好文章"和"写一篇 800 字的技术教程，包含 3 个代码示例"，效果天差地别
2. 约束之间冲突：比如同时要求"详细解释"和"在 50 字以内"，模型会无所适从
3. 模型能力限制：小模型在复杂指令上的遵循度天然低于大模型，需要调整期望
4. 输出格式未显式要求：如果你需要 JSON，务必在 Prompt 里说"请返回 JSON 格式"，并通过 Output Parser 约束——这正是下一章要讲的内容

13. 结构化输出：为什么要用 Output Parser？

到目前为止，我们的模型输出都是自由文本——一段话、一篇文章。但在实际业务中，我们往往需要模型返回结构化数据，比如：

• 从简历中抽取姓名、电话、工作经历（字典）
• 对商品评论输出情感、评分、关键词（JSON）
• 从合同文本中提取甲方、乙方、金额、日期（Pydantic 模型）

如果直接让模型"返回 JSON"，结果可能是：

# 模型输出的原始文本 "好的，这是抽取结果：\n{\n "name": "张三",\n "phone": "138xxxx"\n}\n希望对你有所帮助！"

这种包裹了额外文字的 JSON 无法直接用 json.loads() 解析。这就是Output Parser要解决的问题——把模型的原始输出清洗、提取、校验、转换为程序可消费的数据结构。

14. StrOutputParser：最简单的解析器

StrOutputParser是最基础的解析器，它做的事情很简单：把模型返回的 AIMessage 对象提取出纯文本内容。

from langchain_core.output_parsers import StrOutputParser 构建链：Prompt → 模型 → 解析器 chain = prompt | llm | StrOutputParser() 直接得到字符串，不需要 .content result = chain.invoke({"text": "人工智能的未来发展趋势"}) print(type(result)) # <class 'str'> print(result) # 直接是文本内容

在 LCEL 链中，StrOutputParser 通常作为最后一个节点，使得下游代码直接拿到字符串，无需关心消息对象的内部结构。

案例：文本总结

summarize_prompt = ChatPromptTemplate.from_messages([ ("system", "请用一句话总结以下文本的核心内容。"), ("human", "{text}"), ]) summarize_chain = summarize_prompt | llm | StrOutputParser() summary = summarize_chain.invoke({ "text": "LangChain 是一个用于构建 LLM 应用的开源框架，它提供了 Prompt 管理、Chain 编排、Agent 调度等核心能力，大幅降低了开发门槛。" }) print(summary) LangChain是一个简化LLM应用开发的开源框架，提供Prompt管理、Chain编排和Agent调度等核心功能。

15. 使用 Pydantic 定义输出结构

当输出结构比较复杂时，用Pydantic定义数据模型是最佳选择。Pydantic 提供类型校验、默认值、字段描述，LangChain 能自动把字段描述注入 Prompt，引导模型按格式输出。

from pydantic import BaseModel, Field from typing import List, Optional class ResumeInfo(BaseModel): """简历信息结构""" name: str = Field(description="求职者姓名") phone: str = Field(description="手机号码") email: Optional[str] = Field(default=None, description="电子邮箱") education: List[str] = Field(description="教育经历列表，每项包含学校、专业、学位") skills: List[str] = Field(description="技能标签列表") work_experience: List[str] = Field(description="工作经历列表")

Field 中的description会被自动取出来告诉模型，这是结构化输出的关键——让模型理解每个字段的含义和期望的值类型。

16. PydanticOutputParser 完整案例：简历信息抽取

from langchain_core.output_parsers import PydanticOutputParser from langchain_core.prompts import ChatPromptTemplate from pydantic import BaseModel, Field from typing import List class ResumeInfo(BaseModel): name: str = Field(description="求职者姓名") phone: str = Field(description="手机号码") skills: List[str] = Field(description="技能列表") 1. 创建解析器 parser = PydanticOutputParser(pydantic_object=ResumeInfo) 2. 获取格式化指令（自动生成！） format_instructions = parser.get_format_instructions() print(format_instructions) 输出类似： The output should be formatted as a JSON instance that conforms to the JSON schema below. {"properties": {"name": {"description": "求职者姓名", "type": "string"}, ...}} 3. 把格式化指令注入 Prompt prompt = ChatPromptTemplate.from_messages([ ("system", "你是简历解析助手。\n{format_instructions}"), ("human", "请从以下简历文本中抽取信息：\n{resume_text}"), ]) 4. 构建链 chain = prompt | llm | parser # parser 会把 JSON 解析为 ResumeInfo 对象 5. 调用 result = chain.invoke({ "format_instructions": format_instructions, "resume_text": """ 张三，手机13812345678，熟练掌握Python、LangChain、FastAPI， 有3年后端开发经验。擅长系统架构设计和性能优化。 """ }) print(type(result)) # <class 'ResumeInfo'> print(result.name) # 张三 print(result.phone) # 13812345678 print(result.skills) # ['Python', 'LangChain', 'FastAPI', '系统架构设计', '性能优化']

关键步骤：创建 Pydantic 模型 → 创建 PydanticOutputParser → 获取格式化指令 → 注入 Prompt → 链式调用。parser.get_format_instructions() 会自动生成 JSON Schema 描述，省去了手动编写"请返回以下 JSON 格式"的麻烦。

17. with_structured_output：更简洁的方式

LangChain 还提供了with_structured_output方法，它把"要求模型按指定结构输出"的指令直接嵌入模型调用层，语法更简洁：

# 方式一：直接用 Pydantic 模型 structured_llm = ChatOpenAI(model="gpt-4o").with_structured_output(ResumeInfo) 不需要手动写 Prompt 模板，不需要 get_format_instructions result = structured_llm.invoke(""" 李四，电话13987654321，精通Java、Spring Boot、MySQL， 5年电商系统开发经验，曾主导双11大促系统架构。 """) print(type(result)) # <class 'ResumeInfo'> print(result.name) # 李四

你甚至可以把 Prompt 模板和结构化输出组合使用：

structured_llm = ChatOpenAI(model="gpt-4o").with_structured_output(ResumeInfo) prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个简历解析助手，请从以下文本中提取信息。"), ("human", "{resume_text}"), ]) chain = prompt | structured_llm # 链末端是结构化 LLM result = chain.invoke({"resume_text": "王五，电话18800001111，擅长React、TypeScript..."})

18. 实战案例三：商品评论分析

这个案例综合使用 PydanticOutputParser，对商品评论进行情感分析 + 结构化提取：

from pydantic import BaseModel, Field from typing import List, Literal from langchain_core.output_parsers import PydanticOutputParser from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate 1. 定义输出结构 class ReviewAnalysis(BaseModel): sentiment: Literal["positive", "negative", "neutral"] = Field( description="评论情感倾向：positive 正面，negative 负面，neutral 中性" ) score: int = Field(description="评分 1-5 分", ge=1, le=5) keywords: List[str] = Field(description="从评论中提取的关键词列表") summary: str = Field(description="一句话总结评论核心观点") actionable: bool = Field(description="是否需要客服跟进处理") 2. 创建解析器和链 parser = PydanticOutputParser(pydantic_object=ReviewAnalysis) llm = ChatOpenAI(model="gpt-4o", temperature=0) prompt = ChatPromptTemplate.from_messages([ ("system", "你是电商评论分析助手。\n{format_instructions}"), ("human", "请分析以下商品评论：\n{review}"), ]) chain = prompt | llm | parser 3. 分析 result = chain.invoke({ "format_instructions": parser.get_format_instructions(), "review": "用了两周了，续航确实不错，屏幕也清晰。就是充电器发热有点厉害，有点担心安全问题。总体来说还行吧。", }) print(f"情感: {result.sentiment}") print(f"评分: {result.score}") print(f"关键词: {result.keywords}") print(f"总结: {result.summary}") print(f"需跟进: {result.actionable}")

模型输出结果：

# 情感: neutral # 评分: 3 # 关键词: ['续航', '屏幕', '充电器', '发热', '安全'] # 总结: 续航和屏幕表现好，但充电器发热存在安全隐患，整体满意但有顾虑。 # 需跟进: True

19. 两种结构化方式怎么选

建议：如果你用的是 GPT-4、Claude 等支持结构化输出的模型，优先使用with_structured_output，代码更少、可靠性更高。如果模型不支持或者你需要非常定制的输出格式，再使用 PydanticOutputParser。

20. 处理解析错误

使用 PydanticOutputParser 时，模型偶尔会输出不合规的 JSON（比如多了前后文、少了引号），导致解析失败。需要用OutputFixingParser来自动修复：

from langchain.output_parsers import OutputFixingParser 创建修复解析器：包装原始 parser + 一个 LLM 用于修复 fixing_parser = OutputFixingParser.from_llm( llm=ChatOpenAI(model="gpt-4o", temperature=0), parser=parser, # 原始的 PydanticOutputParser ) 使用修复解析器替代原始解析器 chain = prompt | llm | fixing_parser 即使模型输出格式有小问题，fixing_parser 也会用 LLM 自动修复后重新解析

它的工作原理是：如果第一次解析失败，就把原始输出 + 错误信息 + 期望的格式一起发给 LLM，让 LLM 修复格式后重新解析。这在生产环境中非常实用，能显著降低解析失败率。

21. 总结

本文从 Prompt 模板和结构化输出两条主线出发，覆盖了 LangChain 提示词工程的核心知识点：

• PromptTemplate vs ChatPromptTemplate：前者返回字符串，后者返回消息列表，优先用后者
• 编写四步法：明确角色、明确任务、明确约束、给出输入字段
• MessagesPlaceholder：动态插入消息列表，支持多轮对话和 Few-shot
• 封装复用：用 LLMChain 封装或 LCEL 管道减少样板代码
• 结构化输出：用 Pydantic 定义数据模型，Output Parser 做解析校验
• 两种方式对比：主流模型优先用 with_structured_output，需精细控制或用小众模型时用 PydanticOutputParser
• 错误处理：OutputFixingParser 自动修复解析失败，提升鲁棒性

掌握这些技能后，你就能工程化地构建 LLM 应用——Prompt 模板化管理，输出结构化消费，让模型真正融入业务流水线。