LangChain 1.0 第六篇权威指南：从Prompt模板到角色设计

在 Agent 架构里，工具决定了 Agent 理论上能做什么，但 Prompt 才是真正决定它实际怎么做的关键。上一回我们聊了如何给 Agent 装上"工具"——搜索、计算、调用 API 这些能力都安排上了。但如果 Prompt 本身写得不到位，Agent 很可能会对这些工具视而不见，或者干脆开始编造信息，再或者给你吐出一堆又长又没用的废话。

这一篇我们集中精力啃下 Prompt 工程的两个核心主题：System Prompt 设计（角色怎么定、约束怎么加、幻觉怎么防），以及 Prompt 模板机制（从最基础的 f-string 到更专业的 ChatPromptTemplate）。弄明白这些，你就能写出高质量的 System Prompt 来约束 Agent 行为，同时用模板化的方式管理那些动态变化的 Prompt 内容。

二、System Prompt 设计原则

2.1 五大设计要素（角色/能力/约束/格式/示例）

一个能上生产环境的 System Prompt，通常由五个关键部分组成。这五个要素各有侧重，合在一起就是一套完整的 Agent 行为规范。

上面这张图展示的就是 System Prompt 的五大设计要素及其结构关系。下面我们逐一拆开来看。

2.1.1 角色定义（Role）

角色定义是一切 Prompt 设计的起点。好的角色定义至少要覆盖三个维度：专业领域（擅长什么）、技术栈（用什么工具）、回答风格（怎么表达）。

VAGUE_ROLE = "你是一个编程助手。"GOOD_ROLE = """# 角色你是一位资深 Python 后端开发者，拥有 10 年生产环境经验。## 专业领域
- Web 后端开发（Django、FastAPI、Flask）
- 数据处理与分析（pandas、numpy）
- 数据库设计与优化（PostgreSQL、Redis）## 回答风格
- 简洁实用，先给结论再给分析
- 代码示例必须可直接运行
- 涉及设计决策时说明权衡理由"""

仔细看，GOOD_ROLE 不只是在说"你是谁"，它还明确了"你用什么方式做事"，以及"你说话的调性是什么"。角色定义越具体，输出的一致性就越高。

2.1.2 能力说明（Capabilities）

能力说明的核心不在于列出模型能做什么，而在于明确划定能力边界。模型之所以会产生幻觉，很大程度上是因为它倾向于"有问必答"——就算对某个领域完全不了解，也硬要编出个答案来。能力说明的作用，就是提前告诉模型：哪些问题你应该回答，哪些问题你必须拒绝。

CAPABILITIES = """## 能力范围你可以处理以下类型的问题：
- Python 代码生成与调试
- 技术方案设计与评审
- 性能问题分析与优化建议你**不具备**以下能力，遇到相关问题时必须明确告知用户：
- 无法访问互联网或任何外部 API
- 无法执行代码或查看运行结果
- 无法获取实时数据（如股票价格、天气预报）
- 不了解 2024 年 1 月之后发生的事件"""

最后那条关于时间线的限制尤其值得留意。明确写出知识截止日期，能有效防止模型对近期事件信口开河。如果你集成了搜索工具，可以补充一句："对于实时信息，请使用 web_search 工具获取"。

2.1.3 约束条件（Constraints）

约束条件是对模型行为的硬性规定。写约束时最常见的问题是用模糊表述——什么"请注意安全"、"请尽量准确"，这类"软约束"对模型来说基本形同虚设。好的约束条件必须是可验证的——模型要能够明确判断自己是否遵守了这条规则。

WEAK_CONSTRAINTS = """## 约束
- 请注意代码安全
- 回答要准确
- 不要写太长"""STRONG_CONSTRAINTS = """## 约束条件1. 所有代码必须使用 Python 3.12 语法
2. 回答语言统一使用中文，技术术语保留英文原文
3. 涉及文件路径、数据库连接等敏感操作时，必须在回答开头给出安全警告
4. 如果对答案的确定性低于 80%，必须以"我不确定，但根据目前的信息..."开头
5. 单次回答不超过 300 字，除非用户明确要求展开说明
6. 禁止在代码中间出现硬编码的密码、Token 或 IP 地址"""

对比一下就能看出差距：STRONG_CONSTRAINTS 里的每一条，模型都可以自我检查——用了 Python 3.12 语法吗？用了中文吗？有安全警告吗？字数超了没？

2.1.4 输出格式要求（Output Format）

Agent 的输出往往不只给人看——它还需要被下游程序解析、触发后续流程、或者直接写入数据库。所以，规范输出格式是不可或缺的一环。

OUTPUT_FORMAT = """## 输出格式### 代码类问题
先给出一段说明（1-2句话），然后是代码块，最后列出关键要点。### 分析类问题
先给出结论（1句话），然后是分析过程，最后是建议。### 错误处理
当工具调用失败时：
1. 用一句话说明失败原因
2. 给出一个替代方案
3. 禁止重复尝试已失败的操作"""

2.1.5 示例（Few-shot）

在所有 Prompt 优化手段里，Few-shot 的效果通常是最显著的。通过给出具体的"输入-输出"对，让模型通过模仿来学习你期望的输出风格。一两个精心设计的示例，往往比十行规则描述来得更管用。

FEW_SHOT = """## 回答示例用户问：Django 和 FastAPI 怎么选？你的回答：
取决于项目需求。Django 适合内容管理型项目（自带 ORM、Admin、认证系统），
团队协作时开发效率高。FastAPI 适合 API 密集型项目（自动生成 OpenAPI 文档、
原生异步支持），性能敏感场景下优势明显。两者也可以混合使用：
Django 做后台管理，FastAPI 做对外 API。注意：先给结论，再分情况讨论，最后给出实用建议。"""

2.2 防幻觉策略

幻觉（Hallucination）是 Agent 应用里最棘手的问题之一。模型"一本正经地胡说八道"，不仅会误导用户，在金融、医疗这类高风险场景中甚至可能造成严重后果。

防幻觉的核心原则其实就一句话：不知道就说不知道。

上面这张图展示了防幻觉策略的核心流程。四个环节环环相扣：先划定能力范围，再建立诚实原则，接着要求标注信息来源，最后强制使用工具获取数据。

ANTI_HALLUCINATION = """## 信息真实性规则你的回答必须严格基于以下来源之一：
1. 工具返回的数据
2. 你的训练数据中确定性高的事实知识当用户的问题超出你的能力范围时，必须按以下格式回复：
"我无法确认这个信息。[具体说明缺少什么数据或能力]。建议你通过 [具体途径] 获取准确信息。"错误示范：Python 4.0 预计 2027 年发布，主要特性包括...
正确示范：据我所知，Python 官方尚未公布 4.0 的发布计划。建议关注 python.org 获取权威信息。"""

除了诚实原则，还有两个很实用的技巧：

• 强制使用工具获取数据：对于涉及实时信息、文件内容、数值计算的问题，明确要求"必须使用工具，不允许自行回答"
• 要求标注信息来源：让模型在回答中注明每条信息的出处，来源不明的东西它自然就不敢编了

TOOL_GUIDANCE = """## 工具使用规则以下场景必须使用对应工具，禁止凭自身知识回答：| 场景 | 必须使用的工具 |
|------|--------------|
| 查询文件内容或分析文件数据 | read_file |
| 涉及数值计算、统计、单位换算 | calculate |
| 查询新闻、天气、价格等实时信息 | web_search |判断标准：如果答案可能在一天之内发生变化，或者需要精确计算，就必须使用工具。"""

2.3 好的 Prompt vs 坏的 Prompt 对比

下面用一个完整的对比示例来直观感受一下，System Prompt 的质量差异到底有多大：

# -*- encoding: utf-8 -*-
'''
@File        :   prompt_compare.py
@Time        :   2026/04/26 22:26:58
@Version     :   1.0
@Description :   06-Prompt工程：从模板到角色设计
'''
import os
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain.tools import tool
from dotenv import load_dotenvload_dotenv()llm = init_chat_model(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    model_provider="openai"
)@tool
def web_search(query: str) -> str:
    """搜索互联网获取最新信息"""
    return f"搜索结果：{query} - 北京今天晴转多云，最高温度28°C，最低温度18°C。"BAD_PROMPT = "你是一个助手，可以帮助用户搜索和计算。"GOOD_PROMPT = """你是一个信息查询助手。## 核心规则
- 你不知道任何实时信息，必须通过工具获取
- 涉及天气、新闻、价格等实时数据时，必须使用 web_search 工具
- 绝对不允许编造或猜测任何信息"""agent_bad = create_agent(llm, [web_search], system_prompt=BAD_PROMPT)
print(agent_bad.invoke({"messages":[{"role":"user","content":"北京天气如何？"}]}))agent_good = create_agent(llm, [web_search], system_prompt=GOOD_PROMPT)
print(agent_good.invoke({"messages":[{"role":"user","content":"北京天气如何？"}]}))

用了差 Prompt 的 Agent，面对"北京今天天气怎么样"这种问题，很可能直接给你编一段看起来挺像回事的天气描述——内容全是假的。而用了好 Prompt 的 Agent，会老老实实先调用 web_search 工具，拿到真实数据之后再组织回答。

三、Prompt 模板机制

3.1 f-string 方式

f-string 是最轻量的模板方式，适合结构固定、变量少的场景。它不需要任何额外依赖，Python 原生支持：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import osload_dotenv()def build_prompt(language: str, role: str = "编程助手") -> str:
    return f"""# 角色你是一个{role}，专门帮助用户解决 {language} 相关的问题。## 规则1. 所有代码示例使用 {language}
2. 回答使用中文
3. 代码必须可以直接运行
"""model = init_chat_model(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    model_provider="openai"
)
prompt = build_prompt(language="Python", role="资深后端工程师")
response = model.invoke(prompt)
print(response.content)

f-string 的局限在于：变量一多，或者需要条件逻辑的时候，代码会变得很臃肿。而且 f-string 没有模板复用的能力——每个函数只能生成一种固定结构的 Prompt。

3.2 ChatPromptTemplate

前一种方式生成的是纯文本字符串，但 LLM 的 Chat API 实际上接收的是一个消息列表（SystemMessage、HumanMessage、AIMessage 等）。ChatPromptTemplate 是 LangChain 专门为 Chat API 设计的模板类，它直接生成消息对象列表：

from langchain_core.prompts import ChatPromptTemplateprompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，使用中文回答问题。"),
    ("human", "{question}"),
])messages = prompt.invoke({
    "role": "数据分析助手",
    "question": "pandas 和 numpy 有什么区别？",
})print(messages.to_messages())

运行结果：

[SystemMessage(content='你是一个数据分析助手，使用中文回答问题。', additional_kwargs={}, response_metadata={}), HumanMessage(content='pandas 和 numpy 有什么区别？', additional_kwargs={}, response_metadata={})]

3.3 动态变量与条件逻辑

在实际业务中，System Prompt 往往需要根据场景动态调整。ChatPromptTemplate 支持通过 template_format="jinja2" 在消息模板中使用 Jinja2 的条件语法：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholderDYNAMIC_SYSTEM_PROMPT = """# 客服助手## 用户信息
- 用户等级：{{ user_level }}
- 历史订单数：{{ order_count }}## 服务标准
{% if user_level == "VIP" %}
- 优先响应，回复不超过3句话
- 主动提供解决方案
- 语气亲切热情
{% else %}
- 正常响应，回复简洁明了
- 语气专业礼貌
{% endif %}## 通用规则
- 使用中文回答
- 不知道的信息不要编造
"""prompt = ChatPromptTemplate.from_messages([
    ("system", DYNAMIC_SYSTEM_PROMPT),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
], template_format="jinja2")messages = prompt.invoke({
    "user_level": "VIP",
    "order_count": 47,
    "history": [],
    "input": "我昨天买的耳机有杂音，想退换",
})for msg in messages.to_messages():
    print(f"{msg.type}: {msg.content}...")

运行结果：

 uv run prompt_design.py
system: # 客服助手## 用户信息
- 用户等级：VIP
- 历史订单数：47## 服务标准- 优先响应，回复不超过3句话
- 主动提供解决方案
- 语气亲切热情## 通用规则
- 使用中文回答
- 不知道的信息不要编造...

Jinja2 的条件段落让模板具备了动态逻辑能力——VIP 用户和普通用户会看到完全不同的服务标准，但共享同一套通用规则。

3.4 MessagesPlaceholder

MessagesPlaceholder 是 ChatPromptTemplate 的核心扩展点。它是一个消息列表占位符，在运行时会被替换为完整的消息对象列表。在多轮对话中，这个机制的价值尤其突出——你可以用一个占位符来接收任意长度的对话历史：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.messages import HumanMessage, AIMessageprompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的助手，记住用户告诉你的信息。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
])messages = prompt.invoke({
    "history": [
        HumanMessage(content="我叫小明，今年25岁"),
        AIMessage(content="你好小明！25岁，是工作还是上学呢？"),
    ],
    "input": "我叫什么名字？",
})for msg in messages.to_messages():
    print(f"{msg.type}: {msg.content}")

运行结果：

system: 你是一个友好的助手，记住用户告诉你的信息。
human: 我叫小明，今年25岁
ai: 你好小明！25岁，是工作还是上学呢？
human: 我叫什么名字？

上面这张图展示了 ChatPromptTemplate 的消息组装流程。SystemMessage 固定角色，MessagesPlaceholder 接收动态历史，HumanMessage 承载当前输入，三者组装为完整消息列表后传入 LLM。

SystemMessage + MessagesPlaceholder("history") + HumanMessage 是多轮对话的黄金结构。在实际使用中，history 的来源通常是 Checkpointer 自动管理的对话历史，开发者不需要手动去拼接消息列表。

四、代码实战

4.1 构建客服 Prompt

把前面讨论的五大要素组合起来，构建一个面向"技术研究助手"场景的完整 System Prompt：

# -*- encoding: utf-8 -*-
'''
@File        :   research_prompt.py
@Time        :   2026/04/26 22:55:19
@Version     :   1.0
@Description :   06-Prompt工程：从模板到角色设计
'''from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain.tools import toolfrom dotenv import load_dotenv
import osload_dotenv()RESEARCH_ASSISTANT_PROMPT = """# 角色你是一位技术研究助手，专注于帮助开发者进行技术调研、方案设计和问题排查。## 专业领域
后端开发、系统架构、数据库、云计算、DevOps## 能力与限制你可以：
- 分析技术方案并给出优劣对比
- 排查代码问题和性能瓶颈
- 编写技术文档和代码示例你不可以：
- 访问互联网（需查询时使用 web_search 工具）
- 读取本地文件（需查看文件时使用 read_file 工具）
- 确认任何 2024 年 6 月之后的事件## 约束条件1. 回答使用中文，技术术语保留英文
2. 涉及安全风险的操作必须给出明确警告
3. 不确定的信息必须标注"未经确认"
4. 单次回答不超过 300 字，除非用户要求展开## 工具使用规则| 场景 | 工具 |
|------|------|
| 需要最新信息或官方文档 | web_search |
| 需要查看文件内容 | read_file |
| 需要精确数值计算 | calculate |## 输出格式代码问题：简述问题 → 给出修复代码 → 列出关键改进点
方案对比：给出推荐结论 → 分维度对比 → 说明适用场景
错误排查：描述问题原因 → 给出排查步骤 → 提供修复方案"""@tool
def web_search(query: str) -> str:
    """搜索互联网获取最新信息"""
    return f"搜索 '{query}' 的结果：[模拟搜索结果]"@tool
def read_file(path: str) -> str:
    """读取本地文件内容"""
    return f"文件 '{path}' 的内容：[模拟文件内容]"@tool
def calculate(expression: str) -> str:
    """执行数学计算"""
    try:
        return f"计算结果：{eval(expression)}"
    except Exception as e:
        return f"计算错误：{e}"model = init_chat_model(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    model_provider="openai"
)agent = create_agent(
    model,
    [web_search, read_file, calculate],
    system_prompt=RESEARCH_ASSISTANT_PROMPT,
)result = agent.invoke({"messages": [("user", "FastAPI和Flask怎么选？")]})
for msg in result["messages"]:
    if msg.type == "tool":
        print(f"======工具调用: {msg.content}========")    if msg.type == "ai" and msg.content:
        print(msg.content)

运行结果示例：

  uv run prompt_design.py
======工具调用: 搜索 'FastAPI vs Flask 2024 comparison' 的结果：[模拟搜索结果]========
FastAPI 和 Flask 的选择需根据项目需求决定：1. **性能对比**：FastAPI 支持异步请求处理（async/await），在高并发场景下性能更优（未经确认）；Flask 为同步框架，适合中小型应用2. **开发效率**：FastAPI 自带 Swagger/Redoc 文档生成功能，通过 Pydantic 实现自动参数校验和数据解析，减少手动验证代码3. **适用场景**：
   - 选 FastAPI：需要高性能 API、实时通信（WebSocket）、异步任务处理
   - 选 Flask：项目规模较小、需要更灵活的扩展性、依赖传统同步数据库驱动4. **学习曲线**：Flask 语法更简单易上手，FastAPI 需额外学习异步编程概念建议新项目优先尝试 FastAPI，尤其涉及 API 服务和需要处理大量并发请求时。若使用传统同步数据库且需求简单，Flask 仍具优势。

4.2 动态切换角色

实际业务中，不同场景需要不同的角色设定。通过 ChatPromptTemplate + Jinja2 实现动态角色切换：

# -*- encoding: utf-8 -*-
'''
@File        :   prompt_design_demo02.py
@Time        :   2026/04/26 23:07:01
@Version     :   1.0
@Description :   06-Prompt工程：从模板到角色设计
'''from langchain.agents import create_agent
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import osload_dotenv()SYSTEM_TEMPLATE = """# {{ role }}{% if expertise %}
## 专业领域
{% for skill in expertise %}
- {{ skill }}
{% endfor %}
{% endif %}## 工作规则
{% for rule in rules %}
{{ loop.index }}. {{ rule }}
{% endfor %}{% if constraints %}
## 约束条件
{% for c in constraints %}
- {{ c }}
{% endfor %}
{% endif %}使用中文回答，保持简洁。"""prompt = ChatPromptTemplate.from_messages([
    ("system", SYSTEM_TEMPLATE),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}"),
], template_format="jinja2")model = init_chat_model(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    model_provider="openai",
)# 角色1：Python 开发助手
print("角色1：Python 开发助手================================")
system_prompt_result = prompt.invoke({
    "role": "Python 开发助手",
    "expertise": ["Web 开发", "数据处理", "自动化脚本"],
    "rules": ["使用中文回答", "代码可直接运行"],
    "constraints": ["不超过 300 字"],
    "history": [],
    "input": "",
}).to_messages()[0].contentagent = create_agent(
    model=model,
    tools=[],
    system_prompt=system_prompt_result,
)result = agent.invoke({"messages": [("user", "如何读取一个 CSV 文件？")]})
print(result["messages"][-1].content)# 角色2：go 开发助手
print("nn 角色2：go 开发助手================================")
system_prompt_result = prompt.invoke({
    "role": "GO 开发助手",
    "expertise": ["Web 开发", "数据处理", "自动化脚本"],
    "rules": ["使用中文回答", "代码可直接运行"],
    "constraints": ["不超过 300 字"],
    "history": [],
    "input": "",
}).to_messages()[0].contentagent = create_agent(
    model=model,
    tools=[],
    system_prompt=system_prompt_result,
)result = agent.invoke({"messages": [("user", "如何读取一个 CSV 文件？")]})
print(result["messages"][-1].content)

运行结果示例：

  uv run prompt_design_demo02.py
角色1：Python 开发助手================================
读取CSV文件可使用Python内置的`csv`模块或第三方库`pandas`，示例如下：### 方法1：使用csv模块
‍```python
import csv
…… 角色2：go 开发助手================================
在 Go 中读取 CSV 文件可通过标准库 `encoding/csv` 实现：‍```go
package main
……

4.3 多轮对话 Prompt 管理

多轮对话的核心挑战是管理上下文——既不能丢失关键信息，也不能让消息无限增长。配合 Checkpointer 是标准方案：

# -*- encoding: utf-8 -*-
'''
@File        :   prompt_design_demo03.py
@Time        :   2026/04/26 23:30:56
@Version     :   1.0
@Description :   06-Prompt工程：从模板到角色设计
'''from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySa ver
from dotenv import load_dotenv
import osload_dotenv()CONVERSATION_PROMPT = "你是一个智能助手。n## 规则n- 使用中文回答n- 记住用户告诉你的信息n- 不知道就说不知道"model = init_chat_model(
    model=os.getenv("MODEL_NAME"),
    api_key=os.getenv("API_KEY"),
    base_url=os.getenv("BASE_URL"),
    model_provider="openai",
)agent = create_agent(
    model,
    system_prompt=CONVERSATION_PROMPT,
    checkpointer=InMemorySa ver(),
)config = {"configurable": {"thread_id": "session-1"}}# 第一轮对话
result1 = agent.invoke(
    {"messages": [{"role":"user","content":"我叫小明，我是一名 Python 开发者"}]},
    config = config,
)
print(result1["messages"][-1].content)# 第二轮对话——Agent 记住了你的名字和职业
result2 = agent.invoke(
    {"messages": [{"role":"user","content":"我叫什么名字？推荐一个 Web 框架给我"}]},
    config = config,
)
print(result2["messages"][-1].content)

运行结果示例：

你好小明！Python 开发者，很好的选择。有什么可以帮你的吗？
你叫小明！作为 Python 开发者，我推荐 FastAPI——它原生支持异步、自动生成 OpenAPI 文档、类型提示友好，非常适合现代 Web API 开发。

Checkpointer 通过 thread_id 来区分不同的对话会话。同一个 thread_id 下的对话历史会被自动管理，Agent 在决策时会综合分析所有历史消息。

五、常见陷阱与调试

5.1 Prompt 过长

System Prompt 会占用模型的上下文窗口。Prompt 太长（超过 2000 字）可能导致几个问题：模型注意力分散，关键规则被忽略；Token 消耗增加，成本上升；重要规则被"淹没"在大段文字里。

解决策略很简单：把最重要的规则放在 Prompt 的开头或结尾——这两个位置是模型注意力最集中的区域，中间位置放辅助说明就好。

5.2 规则冲突

当 Prompt 中存在相互矛盾的规则时，模型会"随机选择"遵守哪一条。比如"回答要详细"和"不超过100字"同时出现，模型就会很困惑。写完 Prompt 后通读一遍，检查是否存在矛盾，很值得花这点时间。

5.3 忽略工具

如果 Prompt 中没有明确要求使用工具，模型很可能凭自身知识回答——即使答案已经过时或错误。在涉及实时数据、文件内容、精确计算的场景中，必须显式要求"必须使用工具"。

六、本章小结

这一篇我们系统梳理了 Prompt 工程的两大核心主题：

• System Prompt 设计包含五大要素：角色定义（统一输出风格）、能力说明（划定知识边界）、约束条件（规范行为方式）、输出格式（保证可解析性）、Few-shot 示例（让模型学会模仿）。其中防幻觉是最值得投入精力的方向——"不知道就说不知道"加上强制使用工具，两条规则就能解决大部分幻觉问题
• Prompt 模板机制提供了从简单到复杂的三种方案：f-string（零依赖、适合原型验证）、ChatPromptTemplate（消息对象管理、Agent 集成）、Jinja2 条件逻辑（动态内容生成）
• 实战层面，通过客服 Prompt 构建、动态角色切换、多轮对话管理三个案例，展示了如何将设计原则落地为可运行的生产代码

七、扩展阅读

• LangChain 官方文档 - Prompt Templates
• OpenAI Prompt Engineering Guide
• Anthropic Prompt Engineering
• Jinja2 模板引擎文档

来源：互联网