前面三篇讲了 Runnable 协议和 LCEL 管道。从这篇开始，我们把底层 core 的几块具体积木逐个拆开。第一块，是和 LLM 打交道时最常写的——prompt。
这一篇讲 PromptTemplate。但它要解决的核心问题，不是「怎么写好一段 prompt 文案」（那是另一门学问），而是怎么把散落在代码里的 prompt 文案，变成可复用、可管理的组件。
先看问题：prompt 散落是技术债
很多人写 LLM 应用，prompt 是直接拼字符串的：
# 散落在业务代码里的 prompt
result = model.invoke(f"你是一个客服，用户问：{question}，请回答：{context}")
这种写法在 demo 阶段没问题，一旦认真做应用，立刻暴露三个问题：
- 难复用：同一段 prompt 在多处用，复制粘贴，改一处忘改另一处
- 难维护：prompt 一改就要动业务代码，不能独立迭代
- 难测试：想测 prompt 在不同输入下的效果，得把整个调用链跑起来
PromptTemplate 要解决的，就是把 prompt 从「散落的字符串」变成「独立的、可复用的组件」。
PromptTemplate：固定文案 + 变量
PromptTemplate 的思路很朴素：把 prompt 拆成「固定文案」和「变量」两部分。固定文案写死在模板里，变量在运行时填入。
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_template(
"你是一个客服，用户问：{question}，请结合以下资料回答：{context}"
)
# 运行时填变量
prompt.invoke({"question": "怎么退款", "context": "退款政策..."})
这样带来三个直接收益：
- 可复用：模板定义一次，到处用
- 可独立迭代：改 prompt 不动业务代码
- 可测试：传不同变量，看模板渲染成什么，不用跑整条链
关键：PromptTemplate 也是 Runnable
这是容易被忽略但很重要的一点——PromptTemplate 本身就是一个 Runnable。
这意味着它有上一篇讲的所有能力：invoke 填变量、batch 批量填、stream 流式渲染、能被管道符 | 串进链。所以前面那个 prompt | model | parser 里的 prompt，就是 PromptTemplate。
# prompt 是 Runnable，能进管道
chain = prompt | model | parser
chain.invoke({"question": "怎么退款", "context": "..."})
这就把 prompt 从「写死在代码里的字符串」提升成了「链里的一等公民」——它和 model、parser 平起平坐，都是可组合的积木。
ChatPromptTemplate 与消息角色
和模型对话时，prompt 不是一段平铺文本，而是带角色的消息序列：系统消息（system，定基调）、用户消息（human，提需求）、AI 消息（ai，之前的回答）。
ChatPromptTemplate 就是处理这种「带角色的消息序列」的模板：
| 角色 | 含义 | 典型用途 |
|---|---|---|
| System | 系统设定，定角色和规则 | 「你是客服，回答要简洁」 |
| Human | 用户输入 | 「怎么退款」 |
| AI | 模型之前的回答 | 「退款流程是……」 |
为什么要区分角色？因为模型对不同角色的内容，权重不一样：system 消息被视为「指令」，模型会强烈遵循；human 是「请求」；ai 是「上下文」（尤其在多轮对话里，ai 消息构成历史）。把 prompt 拆成角色消息，能更精确地控制模型行为。
prompt = ChatPromptTemplate.from_messages([
("system", "你是客服，回答简洁，只基于提供的资料"),
("human", "用户问题：{question}"),
])
模板的核心价值：prompt 与代码解耦
讲到这里，PromptTemplate 的真正价值就清楚了：它实现了 prompt 和业务代码的解耦。
- 业务代码只负责「拿到变量，调链」
- prompt 文案集中在模板里，由写 prompt 的人（可能不是写代码的人）独立维护
- 改 prompt 效果，可以不动一行业务代码，直接改模板
这点在团队协作时尤其重要：产品/运营想调 prompt 措辞，不用拉上开发改代码上线；开发改业务逻辑，也不用担心碰到 prompt。两者的迭代节奏解开了。
收束：prompt 是一等公民
这一篇讲了 PromptTemplate：
- 它把 prompt 从散落的字符串，变成「固定文案 + 变量」的模板
- 它是 Runnable，能进管道、能批量、能流式
- ChatPromptTemplate 处理带角色的消息（system/human/ai）
- 核心价值是 prompt 与业务代码解耦
下一篇讲和 prompt 配对的另一块积木——输出解析器。prompt 负责把输入喂给模型，解析器负责把模型的自由文本回答，变成程序能消费的结构化数据。这两块一起，才构成完整的 Model I/O。
关于十三Tech
我是十三，All in AI Agent 方向的架构师，专注 AI 工程实践。我相信 AI 是程序员的最佳搭档。
如果你想跟完这套「图解 LangChain」，欢迎关注公众号 「十三Tech」。全系列 42 篇，会按认识基础、LangGraph 状态机、Agent 与 middleware、RAG 检索、Tools/MCP/记忆、生产化收束这条线更新。
