在昨天的實作中，我們已經學會如何使用 LangChain 建立基本的 LLM 應用程式，並將原本基於 OpenAI SDK 實作的 CLI 聊天機器人，重構為以 LangChain 為基礎的版本。今天，我們要更進一步，介紹 LangChain 提供的 提示模板（Prompt Templates） 功能。

提示模板是 LangChain 的核心概念之一。它能將動態輸入參數與靜態提示內容分開管理，使提示的設計更乾淨、可重複利用且更容易維護，並幫助我們開發 LLM 應用程式更具靈活性與延展性。

為什麼需要提示模板？

在與大型語言模型互動的過程中，提示詞（Prompt）扮演了關鍵的角色。你可以把它想像成我們對 AI 下的一段「指令腳本」，用來明確告訴模型：

• 它是誰（角色定位）。
• 它應該如何回答（語氣、風格）。
• 它需要處理什麼內容（任務說明）。

在最單純的情況下，我們可能會這樣撰寫一個 prompt：

const prompt = `請扮演一位 AI 助理，回答使用者問題：${userInput}`;

這樣的寫法雖然能正常運作，但隨著應用逐漸複雜，就會出現一些問題：

• 難以維護：提示內容一旦變長，任何小修改都可能破壞結構，導致回應失真。
• 缺乏彈性：需要插入多個動態參數（角色、語氣、輸出格式等）時，字串拼接方式會讓程式碼變得混亂。
• 不易重用：相同的提示邏輯可能在多處使用，如果沒有集中管理，就會產生重複程式碼，後續維護困難。

為了解決這些痛點，LangChain 提供了 提示模板（Prompt Templates）。這個功能內建於 @langchain/core 套件，可以將提示「函式化」：先定義好模板結構，再透過變數控制內容。

使用提示模板的好處包括：

• 程式碼更乾淨，不需要充滿一堆字串拼接。
• 提示邏輯獨立於程式邏輯之外，結構清晰。
• 一份模板可以重複使用，適用於不同場景。

提示模板是 LangChain 應用中非常重要的基礎工具之一。接下來，我們會實際操作這個工具，幫助你快速上手。

PromptTemplate：文字提示模板

在開發 LLM 應用時，提示詞（Prompt）的設計往往決定了模型回應的品質。我們經常需要針對不同情境調整提示內容，例如帶入使用者的問題、指定回答的語氣，或替換成特定的產品名稱。若僅依賴手動字串拼接，不但容易出錯，也會讓程式碼顯得冗長難維護。

這時候就能善用 LangChain 提供的 PromptTemplate。它是一種直觀的字串模板工具，可以將提示定義成帶有變數欄位的樣板，並在執行階段自動填入實際值。這樣不僅讓提示設計更結構化，也能在不同場景下重複使用，特別適合用在聊天格式的需求，例如單句任務指令、文字生成，或需要輸出為純文字提示的情境。

建立簡單模板

首先，從 @langchain/core/prompts 匯入 PromptTemplate：

import { PromptTemplate } from '@langchain/core/prompts';

接著，我們可以使用 new PromptTemplate() 明確定義提示的結構與需要帶入的變數：

const prompt = new PromptTemplate({
  template: '請以 {tone} 的語氣，幫我寫一篇推薦 {product} 的文案。',
  inputVariables: ['tone', 'product'],
});

在這個例子中：

• template 代表提示的文字內容，並透過 {tone} 和 {product} 定義可替換的變數位置。
• inputVariables 用來宣告模板中有哪些變數必須在執行階段提供。

更簡潔的寫法：PromptTemplate.fromTemplate()

如果模板內已經明確標示出 {} 裡的變數名稱，LangChain 也提供了更簡潔的靜態方法 fromTemplate()。它會自動解析出變數名稱，不需要再手動列出 inputVariables：

const prompt = PromptTemplate.fromTemplate(
  '請用 {tone} 的語氣，幫我寫一篇推薦 {product} 的文案。'
);

在這個例子中，fromTemplate() 會自動偵測到需要的變數為 tone 與 product。對於簡單場景來說，這種寫法更直觀，也能讓程式碼更簡潔。

套用變數：格式化模板內容

建立好模板後，我們可以使用 format() 方法來填入變數，產生完整的提示語：

const formatted = await prompt.format({
  tone: '幽默',
  product: '全自動咖啡機',
});

console.log(formatted);
// 輸出：請用 幽默 的語氣，幫我寫一篇推薦 全自動咖啡機 的文案。

這樣，我們就能根據不同輸入，動態產生格式一致的提示語，讓 AI 回應更穩定、指令更一致。

ChatPromptTemplate：聊天訊息模板

當我們與聊天模型（Chat Models）互動時，模型接收的並不是單一長字串，而是結構化的多段訊息，常見角色包含：

• 系統訊息（system）：設定 AI 的角色或行為方式。
• 使用者訊息（human／user）：代表真實使用者的輸入。
• AI 訊息（assistant/ai）：表示模型本身的回覆。

為了方便管理這些訊息並支援動態變數插入，LangChain 提供了專門用於聊天場景的模板工具 ChatPromptTemplate。它能幫助我們建立「多段式提示語」，依照不同情境填入內容，最後產生格式正確的輸入給聊天模型使用。

使用角色訊息元件建立聊天模板

LangChain 提供了不同類型的 MessagePromptTemplate 類別，可以用來組合聊天內容：

• SystemMessagePromptTemplate：用來設定 AI 的角色與行為規則。
• HumanMessagePromptTemplate：表示使用者的輸入。
• AIMessagePromptTemplate：表示 AI 過去的回覆。

你可以使用這些元件組合出一個有結構的聊天提示。例如：

import {
  ChatPromptTemplate,
  SystemMessagePromptTemplate,
  HumanMessagePromptTemplate,
  AIMessagePromptTemplate,
} from '@langchain/core/prompts';

const chatPrompt = new ChatPromptTemplate({
  promptMessages: [
    SystemMessagePromptTemplate.fromTemplate('你是一位 {role}，請用 {style} 的語氣回答。'),
    HumanMessagePromptTemplate.fromTemplate('{question}'),
    AIMessagePromptTemplate.fromTemplate('好的，我了解了，我會依照你的需求回答。'),
  ],
  inputVariables: ['role', 'style', 'question'],
});

在這個例子中，我們建立了一組聊天訊息模板，裡面包含三個角色的訊息，並保留 role、style、question 這三個變數，讓我們在執行時再填入實際值。

更簡潔的寫法：ChatPromptTemplate.fromMessages()

除了使用建構式明確指定變數外，LangChain 也提供 ChatPromptTemplate.fromMessages() 這個簡化方式，讓你直接以陣列方式建立多段訊息模板：

import {
  ChatPromptTemplate,
  SystemMessagePromptTemplate,
  HumanMessagePromptTemplate,
  AIMessagePromptTemplate,
} from '@langchain/core/prompts';

const chatPrompt = ChatPromptTemplate.fromMessages([
  SystemMessagePromptTemplate.fromTemplate('你是一位 {role}，請用 {style} 的語氣回答。'),
  HumanMessagePromptTemplate.fromTemplate('{question}'),
  AIMessagePromptTemplate.fromTemplate('好的，我了解了，我會依照你的需求回答。'),
]);

這種寫法不需要手動列出 inputVariables，LangChain 會自動解析模板中 {} 內的變數名稱。

如果想進一步縮短程式碼，也可以直接使用角色名稱搭配字串的形式：

const chatPrompt = ChatPromptTemplate.fromMessages([
  ['system', '你是一位 {role}，請用 {style} 的語氣回答。'],
  ['human', '{question}'],
  ['ai', '好的，我了解了，我會依照你的需求回答。'],
]);

這種寫法直接用陣列表示角色與內容，不需要額外建立訊息模板物件，語法更精簡，也容易閱讀。

套用變數：產生結構化訊息陣列

當模板定義完成後，就能透過 formatMessages() 方法填入變數，產生符合聊天模型需求的訊息陣列：

const messages = await chatPrompt.formatMessages({
  role: '資深講師',
  style: '條列清楚',
  question: '請解釋 event loop 的運作方式',
});

接著，這個 messages 陣列就可以直接傳入像 ChatOpenAI 這樣的聊天模型：

const response = await model.invoke(messages);
console.log(response.content);

透過 ChatPromptTemplate，我們可以清楚定義每個角色的對話內容，並靈活插入變數。這不僅讓提示語更模組化、易於維護，也能確保對話結構始終符合模型的輸入格式。

插入多輪上下文：使用 MessagesPlaceholder

在多輪對話或需要延續記憶的應用場景中，往往需要保留前幾輪的訊息，並與當前的輸入一併傳給模型。為了支援這種情境，LangChain 提供了 MessagesPlaceholder，可以在模板中預留一個插槽，用來動態插入歷史訊息。

以下是一個範例：

import {
  ChatPromptTemplate,
  MessagesPlaceholder,
  HumanMessagePromptTemplate,
} from '@langchain/core/prompts';

const chatPrompt = new ChatPromptTemplate({
  promptMessages: [
    new MessagesPlaceholder('context'),
    HumanMessagePromptTemplate.fromTemplate('{question}'),
  ],
  inputVariables: ['context', 'question'],
});

在這裡，我們透過 context 變數作為上下文訊息的插槽，並在後面接上使用者目前的提問。

在執行時，只需要提供一組符合 BaseMessage[] 格式的訊息陣列，就能填入這段上下文：

import { SystemMessage, HumanMessage, AIMessage } from '@langchain/core/messages';

const messages = await chatPrompt.formatMessages({
  context: [
    new SystemMessage('你是一位技術助理。'),
    new HumanMessage('什麼是 HTTP？'),
    new AIMessage('HTTP 是一種網頁通訊協定。'),
  ],
  question: '那 HTTPS 呢？',
});

然後一樣將這組訊息傳給聊天模型推論：

const response = await model.invoke(messages);
console.log(response.content);

透過這樣的設計，我們可以更有條理地插入並管理對話歷史，讓提示語保持乾淨且具彈性。特別是在需要處理記憶或多輪聊天的情境中，它能協助我們打造結構清晰、容易維護且可持續擴充的對話流程。

小結

今天我們認識了 LangChain 的 提示模板（Prompt Templates），學會如何把動態輸入與靜態提示分離管理，讓設計更清晰可維護：

• PromptTemplate 能將提示拆分為模板與變數，並透過 format() 動態生成完整內容。
• PromptTemplate.fromTemplate() 會自動解析變數名稱，讓程式更直觀簡潔。
• ChatPromptTemplate 專為聊天模型設計，支援系統訊息、使用者訊息、AI 訊息等結構化角色管理。
• ChatPromptTemplate.fromMessages() 可用簡寫形式快速建立訊息模板，並透過 formatMessages() 輸出結構化訊息陣列，直接交給模型使用。
• MessagesPlaceholder 可插入歷史訊息，方便處理多輪對話與上下文記憶。

透過提示模板，我們能將提示邏輯與程式邏輯有效分離，打造更易維護且可擴展的 LLM 應用。