一、背景

 Pipeline 设计初衷

设计目的：为了模块化重用提示词零件

• 把大提示词拆成小零件

• 零件可以在不同提示词中复用

• 自动组合零件成完整提示词

• # 原始思想：像搭积木一样组合提示词
  PipelinePromptTemplate(
      final_prompt=最终模板,
      pipeline_prompts=[("零件1", 零件1), ("零件2", 零件2)]  # 可重用的零件
  )

  

为什么被废弃

核心原因：过度设计，手写更简单

• 增加了不必要的复杂性

• 手写组合代码更直观易懂

• 维护成本高，调试困难

• 不符合 Python 的"简单优于复杂"哲学

二、两种替代方案

根据官方文档有两种替代方案

PipelinePromptTemplate — 🦜🔗 LangChain documentation

方案1：手写方式（便于理解）

from functools import partial

from langchain_core.prompts import ChatPromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.example_selectors.ngram_overlap import NGramOverlapExampleSelector
from langchain_community.vectorstores import Chroma,FAISS
from langchain.prompts import PromptTemplate,PipelinePromptTemplate,HumanMessagePromptTemplate,SystemMessagePromptTemplate,AIMessagePromptTemplate
from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain_openai import ChatOpenAI,OpenAIEmbeddings
import os

chat = ChatOpenAI(
    model="Qwen/Qwen2.5-72B-Instruct",
    temperature=0.3,
    openai_api_key=os.getenv('OPENAI_API_KEY'),
    openai_api_base="https://api.siliconflow.cn/v1"
)


# 1. 定义各个零件
hello_prompt = PromptTemplate.from_template('hello\n')
question_prompt = PromptTemplate.from_template('给我讲个{adj}的关于{content}的笑话\n')
partial_question = question_prompt.partial(adj='冷', content='特朗普')  # 预设参数
bye_prompt = PromptTemplate.from_template('bye')

# 2. 定义最终模板结构
final_template = '''{hello}{question}{bye}'''
final_prompt = PromptTemplate.from_template(final_template)

# 3. 手动组合各个零件
finalstr = final_prompt.format(
    hello=hello_prompt.format(),           # 渲染hello零件
    question=partial_question.format(),    # 渲染question零件（已预设参数）
    bye=bye_prompt.format()                # 渲染bye零件
)

# 4. 发送给模型
result = chat.invoke(finalstr)
print(result.content)

运行结果

hello
给我讲个冷的关于特朗普的笑话
bye
你好！这里有一个关于特朗普的冷笑话：

为什么特朗普的书永远不会在图书馆的“小说”区出现？

因为即使是图书馆也认为特朗普的故事太过离谱，只能放在“非小说”区。

希望这个笑话能让你会心一笑。再见！

进程已结束，退出代码为 0

方案2：官方推荐的循环方式

from functools import partial

from langchain_core.prompts import ChatPromptTemplate
from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
from langchain_community.example_selectors.ngram_overlap import NGramOverlapExampleSelector
from langchain_community.vectorstores import Chroma,FAISS
from langchain.prompts import PromptTemplate,PipelinePromptTemplate,HumanMessagePromptTemplate,SystemMessagePromptTemplate,AIMessagePromptTemplate
from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain_openai import ChatOpenAI,OpenAIEmbeddings
import os

chat = ChatOpenAI(
    model="Qwen/Qwen2.5-72B-Instruct",
    temperature=0.3,
    openai_api_key=os.getenv('OPENAI_API_KEY'),
    openai_api_base="https://api.siliconflow.cn/v1"
)


# 1. 定义零件字典
prompts = {
    "hello": PromptTemplate.from_template('hello\n'),
    "question": PromptTemplate.from_template('给我讲个{adj}的关于{content}的笑话\n').partial(adj='冷', content='特朗普'),
    "bye": PromptTemplate.from_template('bye')
}

# 2. 逐步构建输入：按顺序渲染每个零件，结果存入字典供后续使用
input_dict = {}
for key, prompt in prompts.items():
    # 对每个提示词零件调用invoke()执行渲染，to_string()转换为纯文本
    input_dict[key] = prompt.invoke(input_dict).to_string()
    # 第一次循环: input_dict = {"hello": "hello\n"}
    # 第二次循环: input_dict = {"hello": "hello\n", "question": "给我讲个冷的关于特朗普的笑话\n"}
    # 第三次循环: input_dict = {"hello": "hello\n", "question": "...", "bye": "bye"}

# 3. 最终组合：用最终模板格式化所有零件
final_prompt = PromptTemplate.from_template("{hello}{question}{bye}")
print(final_prompt.format(**input_dict))
chain = final_prompt | chat  # 创建执行管道：先渲染模板，再调用聊天模型

# 4. 执行管道
result = chain.invoke(input_dict)  # input_dict包含所有已渲染的零件文本
print(result.content)

运行结果

hello
给我讲个冷的关于特朗普的笑话
bye
你好！这里有一个关于特朗普的冷笑话：

为什么特朗普的书永远不会沉到水底？

因为它们总是被浮夸的封面（泡沫）所拯救。

再见！希望你今天过得愉快！

进程已结束，退出代码为 0

因为temperature设为了0.3所以两次输出的内容有一定随机性，结果不同

但构建的提示词是一样的

 三、总结

方面	PipelinePromptTemplate	替代方案
思想	模块化重用零件	✅ 保留
复杂度	高，需要学习特定类	✅ 低，用基础语法
灵活性	受限	✅ 高，可自定义逻辑
调试	困难	✅ 容易

结论：Pipeline 思想很好，但实现方式从"专用类"回归到"基础语法"，体现了简单优于复杂的设计原则！