快速开始：LangChain 提示词设计基础

LangChain 作为构建 LLM 应用的主流开发框架，其核心能力在于将大语言模型与外部工具、数据源连接起来。在使用 LangChain 时，提示词（Prompt）的设计直接决定了模型输出的质量。一个优秀的提示词不仅需要清晰明确，还要考虑上下文管理、变量注入和输出格式控制。以下内容将为你提供一套可直接套用的 LangChain 提示词模板，覆盖多种常见开发场景。

在进入具体模板之前，建议先理解 LangChain 中提示词的传递方式：通常通过 `PromptTemplate` 或 `ChatPromptTemplate` 来定义，支持变量插值、角色设定和多轮对话历史拼接。无论你使用哪种方式，核心原则是"具体、规范、可复用"，并在模板中显式标注变量位置。如果你对某个模板的具体适配有疑问，相关详情请以 LangChain 官方信息为准。

模板一：智能问答助手提示词

适用场景：构建一个能基于特定知识库回答问题的助手，常见于企业内外部客服、文档查询等。

提示词模板："你是一个知识渊博的助手，请根据以下提供的上下文回答问题。如果上下文中没有相关信息，请直接回答'我没有找到相关信息'，不要编造答案。\n\n上下文：{context}\n\n问题：{question}\n\n回答："

这个模板的关键在于 `{context}` 和 `{question}` 两个变量，前者用于注入检索到的知识片段，后者是用户提问。在 LangChain 中，你可以结合向量数据库（如 Milvus、FAISS）实现"检索-增强生成"流程，让模型基于真实数据作答。如果你希望模型在回答时给出推理过程，可以在模板末尾添加"请逐步解释你的推理"。此模板适用于需要高准确率的问答场景，但请注意，模板中的变量名需要与你代码中的键保持一致。

模板二：代码生成与解释提示词

适用场景：要求模型根据需求生成代码、解释代码逻辑或修复 Bug。

提示词模板："你是一位资深软件工程师，请根据以下需求编写符合 {language} 语法的代码。代码需要包含必要注释，并说明关键逻辑。\n\n需求描述：{description}\n\n输出格式：\n- 代码块\n- 代码解释\n- 可能存在的边缘情况\n\n代码："

在 LangChain 中，你可以将 `{language}` 设为"Python"或"JavaScript"等，`{description}` 用于描述功能需求。这个模板利用结构化输出要求，让模型返回代码和解释分离的内容，便于后续解析。若需要生成测试用例，可在模板中加入"请额外提供3个测试用例"。对于提示词大全的访问者来说，这个模板能大幅减少开发中的重复劳动。记住，LangChain 的框架本身不会限制提示词的写法，你可以自由扩展。

模板三：文本摘要提示词

适用场景：对长文档、新闻、论文等进行快速摘要，输出指定长度或风格的总结。

提示词模板："请将以下文本压缩为一段不超过 {max_words} 字的摘要，保留核心信息和关键数据。摘要需使用简洁语言，避免主观评价。\n\n文本：{text}\n\n摘要："

该模板通过 `{max_words}` 控制摘要长度，`{text}` 是待处理的原文。在 LangChain 中，你可以配合 `MapReduce` 或 `Stuff` 等文档链（LCEL）来处理超长文本。对于提示词大全的使用者，建议在不同长度的文本上测试此模板，调整字数限制以获得最佳效果。如果摘要需要面向特定人群（如技术专家），可在模板开头添加"请用面向技术人员的术语进行总结"。此模板的设计体现了提示词大全中"参数化"的核心思想 - - 只需替换变量，即可复用。

模板四：数据分析与洞察提示词

适用场景：让模型分析结构化数据表格，生成洞察报告或可视化建议。

提示词模板："以下是某产品的销售数据，请分析数据中的趋势、异常点和潜在改进建议。请使用表格形式输出分析结果。\n\n数据表格：{data}\n\n分析：\n1. 总体趋势\n2. 异常点\n3. 建议措施"

此模板的 `{data}` 可以是一段 CSV 文本或 JSON 字符串。LangChain 允许你通过 `create_csv_agent` 之类的工具直接连接数据源，但提示词本身仍然需要明确定义输出结构。为了让模型输出更精确，可以在模板中指定"只分析数据中存在的字段，不要猜测"。这个模板在提示词大全中属于实用型，适合非技术人员快速获取数据洞见。请注意，对于缺失的字段信息，相关详情请以 LangChain 官方信息为准，以免误用。