PromptTemplate 与 Zero-shot

9.1 项目中的 Prompt 包含固定与动态内容

一个 RAG Prompt 可能包含：

固定内容                         动态内容
────────                         ────────
模型的身份                       本次检索到的资料
回答规则                         当前用户问题
没有依据时如何处理               其他运行时数据

如果每次都手写并拼接完整 Prompt，代码会重复、难维护，也容易遗漏规则。

因此，我们希望提前定义结构：

你是企业知识库客服。
请只根据提供的资料回答；资料中没有答案时，请回答“不知道”。

知识库内容：
{context}

用户问题：
{question}

其中 {context} 和 {question} 是运行时才填入的变量。

9.2 Prompt 与 PromptTemplate 的区别

概念 含义 状态

---

Prompt 已经可以交给模型的完整提示词 动态内容已经填好 PromptTemplate 带固定结构和变量占位符的模板 还需要填入动态数据

类比短信模板：

模板：尊敬的 {name}，您的订单 {order_id} 已发货。

填入数据后：尊敬的张三，您的订单 9527 已发货。

9.3 PromptTemplate 的动态变量

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    "请把下面内容翻译成{language}：{text}"
)

这里有两个动态变量：

{language}
{text}

填充变量：

prompt_value = prompt.invoke({
    "language": "英文",
    "text": "今天天气很好",
})

print(prompt_value.text)

得到的完整 Prompt 类似：

请把下面内容翻译成英文：今天天气很好

此时只执行了模板填充，还没有调用模型。

9.4 数据流

输入数据
{
  "language": "英文",
  "text": "今天天气很好"
}
        ↓
PromptTemplate
        ↓
填充 {language} 和 {text}
        ↓
完整 Prompt
        ↓
LLM
        ↓
模型答案

---

十、Zero-shot（零样本）

10.1 概念

Zero-shot 指：

Prompt 中不提供任务示例，只说明任务要求，然后让模型直接完成任务。

例如：

请判断下面评论的情感属于：正面、负面、中性。

评论：这家餐厅的菜很好吃。

请只输出分类结果。

这里提供了任务、类别和待处理内容，但没有提供任何“输入应该对应什么输出”的演示样例，所以属于 Zero-shot。

10.2 为什么可以先尝试 Zero-shot？

现代大模型已经具备较强的通用能力。总结、翻译、简单分类、关键词提取等任务，经常仅凭清晰指令就能完成。

因此，简单任务可以先尝试 Zero-shot。如果结果不稳定、模型误解标准或输出格式不符合要求，再考虑其他提示策略。

10.3 重要边界

Zero-shot 中的“零”是 Prompt 里有 0 个任务示例，不是说模型没有经过训练。

本文到此只掌握 Zero-shot 的概念和写法，不展开 Few-shot 代码。

---

十一、LLM + PromptTemplate + Zero-shot 示例

任务：对商品评论进行情感分类，只允许输出“正面、负面、中性”。

11.1 创建模板

from langchain_core.prompts import PromptTemplate

prompt = PromptTemplate.from_template(
    """
请判断下面评论的情感属于：
正面、负面、中性。

评论：
{review}

请只输出分类结果。
"""
)

{review} 是动态变量。这个 Prompt 中没有任务示例，因此使用的是 Zero-shot 提示方式。

11.2 分步执行

prompt_value = prompt.invoke({
    "review": "这家餐厅味道非常不错，下次还会再来。"
})

response = llm.invoke(prompt_value)

print(response)

数据流：

评论文本
   ↓
PromptTemplate 填入 {review}
   ↓
生成完整 Prompt
   ↓
LLM
   ↓
“正面”

llm 的具体初始化会因模型服务和接口类型不同而变化；今天的重点是理解 PromptTemplate 到模型的核心数据流。

---

十二、prompt | llm、Chain 与 LCEL

12.1 | 的基础理解

LangChain 可以把组件连接起来：

chain = prompt | llm

暂时把 | 理解成：

把前一个组件的输出，作为后一个组件的输入。

输入字典
   ↓
prompt
   ↓
完整 Prompt
   ↓
llm
   ↓
模型结果

12.2 执行整条 Chain

response = chain.invoke({
    "review": "这家餐厅味道非常不错，下次还会再来。"
})

这里 chain.invoke() 会执行整条链，而不只是执行 Prompt 或模型中的某一个。

12.3 Chain 是什么？

Chain 可以理解为：

按照数据流把多个组件组合起来形成的执行链。

当前最简单的 Chain 是：

PromptTemplate → LLM

以后 RAG 的数据流会在前面增加检索等组件，但今天不展开其代码。

12.4 LCEL 是什么？

使用 | 组合 LangChain 组件的表达方式属于：

LCEL（LangChain Expression Language，LangChain 表达式语言）

今天只需要知道这个名字，并理解 前一个组件的输出 → 后一个组件的输入，不需要继续深入语法。

---

十三、完整基础示例

from langchain_core.prompts import PromptTemplate

# 1. 创建带动态变量的提示词模板
prompt = PromptTemplate.from_template(
    """
请判断下面评论的情感属于：
正面、负面、中性。

评论：
{review}

请只输出分类结果。
"""
)

# 2. 把 PromptTemplate 与模型连接成一条 Chain
chain = prompt | llm

# 3. 执行整条 Chain
response = chain.invoke({
    "review": "这家餐厅味道非常不错，下次还会再来。"
})

print(response)

不要只背代码，要能翻译成下面的过程：

创建模板
  ↓
定义动态变量 {review}
  ↓
prompt | llm 连接两个组件
  ↓
chain.invoke() 接收输入数据
  ↓
模板填充变量，生成完整 Prompt
  ↓
完整 Prompt 进入模型
  ↓
模型返回分类结果

---

十四、易错点汇总

易错点 1：RAG 就是 LangChain

错误。RAG 是架构思想，LangChain 是可用来实现它的框架之一。

易错点 2：RAG 会修改或训练大模型

通常不会。RAG 的核心是在生成前检索资料，并把资料作为上下文交给模型。

易错点 3：LangChain 自己完成 Embedding、存储和生成

不准确。真正计算的是对应的 Embedding Model、向量数据库和生成模型；LangChain 主要负责对接和组织。

易错点 4：Embedding Model 也会回答问题

错误。Embedding Model 的主要输出是向量，用于语义计算，不是自然语言答案。

易错点 5：invoke() 就是调用大模型

错误。invoke() 表示执行当前组件一次。调用对象不同，执行的工作也不同。

易错点 6：PromptTemplate 就是最终 Prompt

错误。PromptTemplate 是带变量的模板；填入变量后才形成完整 Prompt。

易错点 7：多轮历史全部写成 SystemMessage

错误。历史消息要保留各自角色：用户用 HumanMessage，AI 回答用 AIMessage；系统规则才使用 SystemMessage。

易错点 8：Zero-shot 表示模型没训练过

错误。它只表示当前 Prompt 中没有提供任务示例。

易错点 9：prompt | llm 表示同时执行

不应这样理解。它表示把组件按顺序组成数据流：Prompt 的输出进入模型。

---

十五、面试表达

15.1 为什么需要 RAG？

大模型可能不了解企业私有数据，知识也可能过时，并且存在生成幻觉的风险。RAG 会先从外部知识库中检索与问题相关的内容，再把检索结果和用户问题一起交给大模型生成答案，从而让回答获得更相关、可控的知识依据。

15.2 为什么 RAG 项目常用 LangChain？

一个完整的 RAG 系统包含文档加载、文本切分、Embedding、向量存储、Retriever、Prompt 构建和模型调用等多个环节。LangChain 为这些组件提供相对统一的抽象和组合方式，便于组织工作流并降低组件之间的耦合。但 RAG 并不依赖 LangChain，也可以使用原生 Python 或其他框架实现。

15.3 LangChain 是什么？

LangChain 是用于构建大模型应用的开发框架。它不是大模型、向量数据库或 RAG 本身，而是帮助开发者调用、组织和连接模型、检索器、Prompt 等组件。

15.4 LLM、Chat Model 和 Embedding Model 有什么区别？

LLM 接口侧重字符串 Prompt 到生成文本；Chat Model 以带角色的消息列表作为输入，适合聊天和多轮上下文；Embedding Model 把文本转换成向量，用于语义相似度计算和检索，而不负责生成自然语言答案。

15.5 invoke() 是什么？

invoke() 表示给当前 LangChain 组件输入数据并执行一次。调用 PromptTemplate 时用于填充模板，调用模型时用于生成结果，调用 Chain 时则会执行整条数据流。

15.6 Prompt 与 PromptTemplate 有什么区别？

Prompt 是已经可以提交给模型的完整提示内容；PromptTemplate 是包含固定结构和动态变量占位符的模板，需要在运行时填入数据后生成完整 Prompt。

15.7 什么是 Zero-shot？

Zero-shot 是指 Prompt 中不提供任务示例，只给出任务要求和待处理内容，让模型直接完成任务。“零”指示例数量为零，不代表模型没有接受过训练。

---

十六、今日学习总结

今天已经建立了从 RAG 到最基础 LangChain Chain 的完整认知：

1. 大模型存在私有知识缺失、知识过时和幻觉等问题。
2. RAG 的核心是“先检索，再把资料和问题交给模型生成答案”。
3. RAG 包含知识库准备和用户问答两个阶段。
4. LangChain 是大模型应用开发框架，可以组织 RAG 的各个组件，但不是实现 RAG 的唯一方式。
5. LLM、Chat Model 与 Embedding Model 的输入、输出和职责不同。
6. Chat Model 的多轮历史要保留 System、Human、AI 各自的消息角色。
7. invoke() 的通用含义是执行当前组件一次。
8. PromptTemplate 把固定提示结构与动态数据分开管理。
9. Zero-shot 是 Prompt 中没有任务示例。
10. prompt | llm 把模板和模型连接成 Chain；这种组合方式属于 LCEL。

最终应能在脑中还原这条数据流：

输入数据
   ↓
PromptTemplate 填充动态变量
   ↓
完整 Prompt
   ↓
LLM / Chat Model
   ↓
模型结果

这正是后续继续理解更完整 RAG 工作流的基础。

---