LangChain Prompt提示词工程

本文未完待续

引言

本文基于Python 1.13.x和LangChain 1.1.2，并采用DeekSeep大模型，介绍LangChain提示词工程的实现。

类似的其他语言和框架的提示词工程实现案例，可以移步：

1.阻塞式对话

一个简单的对话实现

  • model = 'deepseek-chat' 大模型名称
  • model_provider = 'openai' 采用OpenAI标准
  • api_key = os.getenv('DSKEY') 从环境变量获取API_KEY
  • base_url 接口地址
from langchain.chat_models import init_chat_model
import os

model = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

print(model.invoke('你是谁').content)

2.流式输出

遍历llm.stream返回的迭代器对象Iterator[AIMessageChunk]，得到实时返回的输出，打印追加


from langchain.chat_models import init_chat_model
import os

llm = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

for trunk in llm.stream('你是谁'):
    print(trunk.content, end='')

print('结束')

还可以每次返回和之前的返回拼接在一起

无数trunk对象通过+加在一起，底层是用重写__add__()方法运算符重载实现

from langchain.chat_models import init_chat_model
import os

llm = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

full = None
for trunk in llm.stream('用一句话介绍自己'):
    full = trunk if full is None else full + trunk
    print(full.text)
    print(full.content_blocks)

print('结束')
print(full.content_blocks)

运行结果：

[]
你好
[{'type': 'text', 'text': '你好'}]
你好，
[{'type': 'text', 'text': '你好，'}]
你好，我是
[{'type': 'text', 'text': '你好，我是'}]
你好，我是Deep
[{'type': 'text', 'text': '你好，我是Deep'}]
你好，我是DeepSe
[{'type': 'text', 'text': '你好，我是DeepSe'}]
你好，我是DeepSeek
[{'type': 'text', 'text': '你好，我是DeepSeek'}]
你好，我是DeepSeek，
[{'type': 'text', 'text': '你好，我是DeepSeek，'}]
你好，我是DeepSeek，一个
[{'type': 'text', 'text': '你好，我是DeepSeek，一个'}]
你好，我是DeepSeek，一个由
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由'}]
你好，我是DeepSeek，一个由深度
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度'}]
你好，我是DeepSeek，一个由深度求
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求'}]
你好，我是DeepSeek，一个由深度求索
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索'}]
你好，我是DeepSeek，一个由深度求索公司
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司'}]
你好，我是DeepSeek，一个由深度求索公司创造的
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊'}]
你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊'}]
结束
[{'type': 'text', 'text': '你好，我是DeepSeek，一个由深度求索公司创造的AI助手，乐于用热情细腻的方式为你提供帮助！😊'}]

还可以加上一个提示词模板PromptTemplate

要想流式，只要改成chain.stream(...)即可

import os

from langchain.chat_models import init_chat_model
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableSequence

prompt_template = PromptTemplate(
    template='做一个关于{topic}的小诗',
    input_variables=['topic']
)

llm = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

parser = StrOutputParser()

# 提示词=》大模型=》格式化输出
chain = RunnableSequence(prompt_template, llm, parser)

resp = chain.invoke({'topic': '霸道总裁爱上做保洁的我'})

print(resp)

3.LCEL增强对话功能

要理解LCEL，首先要了解Runable，Runable（langchain_core.runnables.base.Runnable）是langchain中可以调用，批处理，流式输出，转换和组合的工作单元，是实现LCEL的基础，通过重写__or__()方法，实现了|运算符的重载，实现了Runable的类对象之间便可以进行一些类似linux命令中的管道（|）操作。

LCEL，全称LangChain Express Language，即LangChain表达式语言，也是LangChain官方推荐的写法，是一种从Runable而来的声明式方法，用于声明，组合和执行各种组件（模型，提示词，工具等），如果要使用LCEL，对应的组件必须实现Runable，使用LCEL创建的Runable称之为链。

例如，将刚刚提示词模板的例子用LCEL重写


import os

from langchain.chat_models import init_chat_model
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt_template = PromptTemplate(
    template='做一个关于{topic}的小诗',
    input_variables=['topic']
)

llm = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

parser = StrOutputParser()

# LCEL重写
chain = prompt_template | llm | parser

resp = chain.invoke({'topic': '霸道总裁爱上做保洁的我'})

print(resp)

还可以自定义一个word_count(text: str) -> int函数，通过langchain的RunnableLambda对象包装，使得函数变为获得链式的执行能力的Runable对象，拼入链中，统计大模型回复的字数


import os

from langchain.chat_models import init_chat_model
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnableLambda

prompt_template = PromptTemplate(
    template='做一个关于{topic}的小诗',
    input_variables=['topic']
)

llm = init_chat_model(
    model = 'deepseek-chat',
    model_provider = 'openai',
    api_key = os.getenv('DSKEY'),
    base_url = 'https://api.deepseek.com'
)

parser = StrOutputParser()


def word_count(text: str) -> int:
    print('----------word_count---------')
    return len(text)

word_counter = RunnableLambda(word_count)

# LCEL重写
chain = prompt_template | llm | parser | word_counter

resp = chain.invoke({'topic': '霸道总裁爱上做保洁的我'})

print(resp)

运行：

----------word_count---------
232

"如果文章对您有帮助，可以请作者喝杯咖啡吗？"

微信二维码

微信支付

支付宝二维码

支付宝


LangChain
#原创 #笔记 #AI #大模型 #框架 #Python #LangChain
LangChain Prompt提示词工程
https://blog.liuzijian.com/post/2025/12/12/langchain-prompt/
作者
Liu Zijian
发布于
2025年12月12日
许可协议