整理基础模板、变量传参、聊天模板、分段模板、FewShot 示例模板，附可直接运行代码，基于 Python + LangChain 主流版本。
一、环境依赖
bash
运行
pip install langchain langchain-openai二、基础字符串 PromptTemplate（最常用）
1. 简单单变量模板
python
运行
from langchain.prompts import PromptTemplate # 1. 定义模板 + 输入变量 template = "请用{language}翻译这句话：{content}" prompt = PromptTemplate( input_variables=["language", "content"], # 变量名 template=template ) # 2. 传入参数、生成最终提示词 res = prompt.format(language="英文", content="你好，LangChain") print(res)2. 无变量静态模板
python
运行
prompt = PromptTemplate( input_variables=[], template="你是专业AI助手，回答简洁准确。" ) print(prompt.format())3. 简写写法（from_template）
一行快速创建，日常开发首选：
python
运行
prompt = PromptTemplate.from_template("回答{question}，风格：{style}") print(prompt.format(question="什么是大模型", style="通俗"))三、聊天场景模板（ChatPromptTemplate）
适配对话模型（gpt-3.5/4、通义、文心等聊天类模型），区分系统、用户、助手角色。
1. 基础多角色聊天模板
python
运行
from langchain.prompts import ChatPromptTemplate # 格式：(角色, 模板文本) chat_template = ChatPromptTemplate.from_messages([ ("system", "你是资深{role}专家，语气专业严谨"), ("user", "请讲解{topic}") ]) # 格式化输出 messages = chat_template.format_messages(role="Python", topic="装饰器") print(messages)2. 单条快捷构造
python
运行
chat_prompt = ChatPromptTemplate.from_template("帮我总结这段文字：{text}")3. 固定系统提示 + 动态用户提问
工程化常用组合：
python
运行
chat_prompt = ChatPromptTemplate.from_messages([ ("system", "你是文档总结助手，不超过50字"), "用户问题：{query}" # 简写，默认 user 角色 ])四、分段 / 组合模板（PipelinePromptTemplate）
把多个子模板拼接，适合复杂长提示词、模块化拆分。
python
运行
from langchain.prompts import PipelinePromptTemplate # 子模板1：身份设定 full_template = PromptTemplate.from_template(""" {identity} {task} 输入内容：{input} """) identity_template = PromptTemplate.from_template("身份：{role}") task_template = PromptTemplate.from_template("任务：{desc}") # 组合管道模板 pipeline_prompt = PipelinePromptTemplate( final_prompt=full_template, pipeline_prompts=[ ("identity", identity_template), ("task", task_template) ] ) res = pipeline_prompt.format( role="数据分析师", desc="分析数据亮点", input="本月营收上涨20%" ) print(res)五、FewShot 少样本提示模板（示例引导）
给模型示范样例，大幅提升任务准确率（分类、抽取、格式输出必备）。
1. FewShotPromptTemplate 基础用法
python
运行
from langchain.prompts import FewShotPromptTemplate, PromptTemplate # 1. 定义示例 examples = [ {"query": "今天天气好吗", "answer": "闲聊"}, {"query": "帮我写代码", "answer": "编程"}, {"query": "解释数学公式", "answer": "数理"} ] # 2. 单个示例的渲染模板 example_template = PromptTemplate.from_template( "问题：{query}\n分类：{answer}" ) # 3. 组装少样本模板 few_shot_prompt = FewShotPromptTemplate( examples=examples, example_prompt=example_template, prefix="请对问题进行分类，参考以下例子：", # 前缀说明 suffix="问题：{query}\n分类：", # 后缀（用户真实提问） input_variables=["query"] ) # 生成提示词 print(few_shot_prompt.format(query="帮我解高数题"))2. 动态采样示例（ExampleSelector）
数据量大时随机 / 相似选取样本，避免提示词超长：
python
运行
from langchain.prompts.example_selector import LengthBasedExampleSelector selector = LengthBasedExampleSelector( examples=examples, example_prompt=example_template, max_length=80 # 限制示例总长度 ) few_shot_prompt = FewShotPromptTemplate( example_selector=selector, example_prompt=example_template, prefix="参考示例完成分类：", suffix="问题：{query}\n分类：", input_variables=["query"] )六、常用内置角色模板（直接复用）
LangChain 内置通用角色模板，开箱即用：
python
运行
from langchain.prompts import ( SystemMessagePromptTemplate, HumanMessagePromptTemplate, AIMessagePromptTemplate ) # 系统角色 sys_prompt = SystemMessagePromptTemplate.from_template("你是翻译大师，中英互译") # 用户角色 human_prompt = HumanMessagePromptTemplate.from_template("翻译：{words}") # 组合 chat_prompt = ChatPromptTemplate.from_messages([sys_prompt, human_prompt])七、实战经典模板（可直接用于项目）
1. 问答机器人模板
python
运行
qa_prompt = PromptTemplate.from_template(""" 基于以下已知信息回答问题，不要编造内容。 已知内容：{context} 用户问题：{question} 回答： """)2. 文档摘要模板
python
运行
summary_prompt = PromptTemplate.from_template(""" 请简洁总结下文，提炼核心要点： 原文：{text} 总结： """)3. 对话记忆模板（结合历史聊天）
python
运行
chat_history_prompt = ChatPromptTemplate.from_messages([ ("system", "正常对话，结合上下文回答"), ("human", "历史对话：{chat_history}\n当前问题：{question}") ])八、关键知识点总结
- PromptTemplate：纯文本模板，适配补全类模型；
- ChatPromptTemplate：分角色对话模板，主流聊天模型首选；
- FewShotPromptTemplate：少样本示例，适合分类、抽取、格式约束任务；
- 变量统一用
{变量名}包裹，input_variables必须和模板变量对应； - 长提示词优先用
PipelinePromptTemplate模块化拆分，便于维护。
需要我给你一份Agent / 工具调用专用提示词模板或者RAG 检索增强全套 Prompt吗？
