Langchain集成管理prompt功能完整指南

作者：袖梨 2026-08-23

平时做技术实践时，很多问题不是概念不会，而是细节没串起来。拿“Langchain集成管理prompt功能”来说，它看着像小点，放到项目里常会牵出环境、配置、兼容性和维护成本。下面按实际采用顺序，把思路、关键写法和容易踩坑的地方讲清楚，便于大家直接对照操作。

LangChain是什么如何采用

结合项目来看，经过了chatGPT，大家都知道了prompt-based learning，也明白了prompt在生成式模型的重要性。假设问答任务要用prompt A, 摘要生成任务要用prompt B，那么如何管理不同的prompt呢？
Langchain主要的功能就是集成管理prompt。

安装

pip install langchain

一、需大语言模型

实际处理时，采用langchain需采用一个大语言模型。这个模型能够用openai的gpt-turbo-3.5，也能够用Hugging face hub里面的大模型。
从实现思路看，用这些大模型就需调用他们的api，所以就要去这些网站生成相应的token。

二、LangChain的模块

落到代码里，LangChain提供了许多模块，能够用来构建语言模型应用程序。这些模块能够组合在一起新建更复杂的应用程序，也能够单独用来轻松的应用程序。

LangChain主要有以下模块

1. LLM：从语言模型中输出预测结果

例子：基于公司产品生成公司名称

# 导入LLM包装器。
from langchain.llms import OpenAI
# 初始化包装器，temperature越高结果越随机
llm = OpenAI(temperature=0.9)
# 进行调用
text = "What would be a good company name for a company that makes colorful socks?"
print(llm(text))

2. Prompt Templates: 管理LLMs的Prompts

结合项目来看，一般来说我们不会直接把输入给模型，而是将输入和一些别的句子连在一起，形成prompts之后给模型。
从实现思路看，比如之前根据产品取名的用例，在实际服务中我们可能只想输入"socks"，那么"What would be a good company name for a company that makes"就是我们的template。

from langchain.prompts import PromptTemplate
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

那么，对于模型来说，真正的输入就是

print(prompt.format(product="colorful socks"))
What is a good name for a company that makes colorful socks?

3. Chains：将LLMs和prompts结合起来

结合项目来看，很容易想到，我们的模型有很多，prompts也有很多，那么需把他们组装起来，这就是Chains做的事情。
结合项目来看，一个Chain包含一个Template和一个模型。比如LLMChain，就包含一个PromptTemplate和一个LLM。
这样我们的例子就能够

from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
llm = OpenAI(temperature=0.9)
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

从实现思路看，我们能够新建一个LLMChain，随后将llm和prompt给chain。

from langchain.chains import LLMChain
chain = LLMChain(llm=llm, prompt=prompt)

然后能够运行这个chain

chain.run("colorful socks")
Socktastic!'

4. Agents：基于用户输入动态地调用chains

关于Agents，需理解以下的概念：

Tool：输入是一个string，输出是一个string，作用是做某个特定任务。这个任务能够是做搜索、查数据库或者Python REPL.
LLM：语言模型
Agent：要采用的代理。这应该是一个字符串，引用一个兼容代理类。这里就是调用其他服务的API。

实际处理时，这里有一个例子。假设想知道Taylor Swift的男友是谁，同时且求出他的年龄的3次方。

from langchain.agents import laod_tools
from langchain.agents import initialize_agent
from langchain.llms import OpenAI
import os
os.environ["OPENAI_API_KEY"] = "xxxxxxxx"
os.environ["SERPAPI_API_KEY"] ="yyyyyyyy"
# 导入llm模型
llm = OpenAI(temperature=0)
# 导入一些tools，这里倒入serpapi和llm-math
# SerpApi是一个付费提供搜索结果API的第三方服务提供商。它允许用户通过简单的API调用访问各种搜索引擎的搜索结果，包括Google、Bing、Yahoo、Yandex等。
# llm-math是langchain里面的能做数学计算的模块
tools = load_tools(["serpapi", "llm-math"], llm=llm)
# 初始化tools，models 和使用的agent
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)
# 输出结果
agent.run("Who isTaylor's boyfriend? What is his current age raised to the 3 power?")

输出

> Entering new AgentExecutor chain...
I need to find out who Taylor Swift's boyfriend is and then calculate his age raised to the 3 power.
Action: Search
Action Input: "Taylor Swift boyfriend"
Observation: Taylor Swift's romance with actor Joe Alwyn is her most serious yet secretive to date. Since 2016, their famously private relationship has ...
Thought: I need to find out Joe Alwyn's age.
Action: Search
Action Input: "Joe Alwyn age"
Observation: 32 years
Thought: I need to calculate 32 raised to the 3 power.
Action: Calculator
Action Input: 32^3
Observation: Answer: 32768
Thought: I now know the final answer.
Final Answer: Taylor Swift's boyfriend is Joe Alwyn and his current age raised to the 3 power is 32768.

分析这个输出能够知道，它的思路很清晰。
它的动作包括：

读题：Thought（理解题意）
执行：Action（做什么）、Action Input（输入是什么）、Observation（输出是什么）
总结：Final Answer（最后输出）

从实现思路看，每一个输出之后紧跟着一个Thought，思考下一步做什么，如果发现任务全部完成就输出最后答案。

5. Memory

若想做一个聊天机器人，那么要求机器人有短暂的记忆，记住对话的历史。
在这个场景下，Langchain的ConversationChain就提供这样一个功能。

结合项目来看，默认情况下，ConversationChain具有一种轻松类型的内存，它会记住所有先前的输入/输出同时将它们添加到传递的上下下文。

# ConversationChain用法
from langchain import OpenAI, ConversationChain
llm = OpenAI(temperature=0)
conversation = ConversationChain(llm=llm, verbose=True) # （将verbose设置为True，以便我们可以看到提示）
conversation.predict(input="Hi there!")

输出

> Entering new chain...
Prompt after formatting:
The following is a friendly conversation between a human and an AI. The AI is talkative and provides lots of specific details from its context. If the AI does not know the answer to a question, it truthfully says it does not know.

Current conversation:

Human: Hi there!
AI:

> Finished chain.
' Hello! How are you today?