LangChain 入门学习第二篇-PromptTemplate 和结构化输出
内容提要
本教程介绍LangChain中PromptTemplate和结构化输出的用法。通过ChatPromptTemplate管理提示词模板，使用LCEL管道组合流程，并用PydanticOutputParser将模型输出解析为Python对象。文章包含代码示例、运行方法和常见问题，帮助读者掌握提示词模板化及结构化数据提取技巧。
延伸解读
为什么用模板而不是直接拼字符串
文章指出，当提示词变量增多时，手动拼接字符串难以维护。ChatPromptTemplate 将提示词结构与变量分离，使代码更清晰，也便于后续从命令行、接口或数据库传入变量。这种设计在 RAG 场景中尤为重要，因为用户问题、检索文档和格式要求都可以通过模板组织，避免硬编码。
LCEL 管道如何简化流程
示例中 `prompt | model | StrOutputParser()` 展示了 LCEL 的管道写法，将提示词生成、模型调用和输出解析串联成一条链。这种声明式组合让流程一目了然，且易于替换组件或插入新步骤。相比手动调用模型并解析结果，LCEL 减少了样板代码，提升了可维护性。
结构化输出的实用价值与注意事项
通过 PydanticOutputParser，模型输出被解析为带类型校验的 Python 对象，便于程序后续处理、存储或展示。文章强调，这种方式不依赖模型原生 JSON Schema，对本地代理更友好。但解析可能失败，建议明确提示词、降低 temperature，并避免字段过于复杂。若模型支持，可后续尝试 `with_structured_output`。
Q&A
LangChain中PromptTemplate的作用是什么？
PromptTemplate用于将提示词的固定结构和变量内容分离，通过占位符（如{topic}）传入变量，从而生成完整的消息列表，便于维护和复用。
如何在LangChain中使用ChatPromptTemplate创建提示词模板？
使用ChatPromptTemplate.from_messages()方法，传入消息列表，其中可以包含系统消息和人类消息，并在人类消息中使用占位符（如{topic}）表示变量。例如：ChatPromptTemplate.from_messages([("system", "..."), ("human", "请用三点说明{topic}")])。
LangChain中的LCEL管道是什么？如何用LCEL组合PromptTemplate、模型和输出解析器？
LCEL（LangChain Expression Language）是一种声明式语法，用管道符（|）将组件串联成处理链。例如：chain = prompt | model | parser，表示先由prompt生成消息，再交给model调用大模型，最后通过parser解析输出。
为什么需要结构化输出？LangChain中如何实现结构化输出？
结构化输出可以让模型返回固定格式的数据（如JSON），便于程序直接读取字段、进行类型校验和后续处理。LangChain中可以使用PydanticOutputParser，先定义Pydantic模型（如ArticleSummary），然后通过parser.get_format_instructions()将格式要求注入提示词，最后用chain = prompt | model | parser将输出解析为Pydantic对象。
在LangChain中，PydanticOutputParser如何与提示词结合？
PydanticOutputParser通过parser.get_format_instructions()生成格式说明，然后使用ChatPromptTemplate的.partial()方法将格式说明作为变量（如{format_instructions}）注入提示词，从而指导模型输出符合要求的JSON。
LangChain中结构化输出解析失败时如何排查？
可以尝试以下方法：1. 将提示词写得更明确，如强调“只输出JSON”；2. 降低temperature参数，减少模型自由发挥；3. 检查字段定义是否过于复杂；4. 如果模型服务支持原生JSON Schema，可尝试with_structured_output。
PromptTemplate和普通字符串有什么区别？
普通字符串写提示词时，变量多起来难以维护；PromptTemplate将提示词结构固定，变量通过占位符传入，便于管理和复用，尤其在RAG等场景中能灵活组织用户问题、文档片段和格式要求。
