LangGPT 是什么：结构化提示词的编程语言
LangGPT 是 GitHub 上开源的一种结构化提示词设计方法，定位为「面向大语言模型的编程语言」。注册或克隆项目后，用户会先看到 README 中的模板示例，例如 FitnessGPT 角色定义。该框架借鉴编程语言中的类与对象结构，将提示词分为模板和实例两层。模板定义角色、规则、工作流等固定结构，实例则填入具体内容。这种设计让提示词编写从自由文本变为填空式操作。
根据 SegmentFault 思否 2023 年 5 月的介绍，LangGPT 为大规模生产高质量 prompt 提供了可能。它强调系统性、灵活性和交互友好性。项目在 GitHub 上开源，曾进入全球趋势热榜前十。社区用户可提交模板或修改文档，推动提示词共享。
双层框架：类与对象如何映射到 Prompt
LangGPT 的双层结构直接类比面向对象编程。模板相当于类，定义了角色属性、规则、工作流等字段。实例相当于对象，是填入具体参数后的可执行提示词。例如，一个「诗人」模板包含角色描述、技能、约束等模块。用户填写姓名、风格、输出格式后，就得到一个具体诗人实例。
这种映射降低了学习成本。用户不需要理解底层模型机制，只需按字段填写。模板可复用，同一模板能生成多个不同实例。官方文档指出，该设计让提示词编写「像面向对象编程一样直观」。
模板、变量、命令：三个核心语法元素
LangGPT 定义了三个核心语法元素：模板、变量、命令。模板提供结构化骨架，例如 Role、Profile、Rules、Workflow 等模块。变量用尖括号标记，如 <VariableName>，代表动态内容。命令用于执行预定义行为，例如切换语言或重置对话。
变量是 LangGPT 区别于传统提示词技巧的关键。用户可以在模板中设置变量，然后在引用时修改。例如，FitnessGPT 模板中定义
#Age、#Gender、#Height变量。用户输入具体数值后，模型按变量位置生成定制方案。命令则让提示词具备可编程性，例如设置中英文切换。
开源与社区：GitHub 趋势榜前十的项目
LangGPT 项目完全开源，托管在 GitHub。根据公开数据，它曾进入 GitHub 全球趋势热榜前十。仓库包含 Docs、examples、templates 等目录。用户可提交 issue 或 pull request 参与改进。
社区贡献体现在多个方面。有人提交韩语翻译，有人修复移动端问题，有人添加自定义采样参数。GitHub 提交记录显示，贡献者包括 quzard、idawnwon、Kamilake 等。这种开放模式加速了框架迭代。
LangGPT 功能和实际使用：从模板到 Reminder
LangGPT 的功能围绕模板、变量、工作流和 Reminder 展开。模板让用户按固定结构填写，变量实现动态内容引用，工作流定义交互步骤，Reminder 缓解长期记忆缺失。这些功能共同降低提示词编写门槛。
根据 SegmentFault 思否的总结，LangGPT 有五个优点：系统性、灵活性、可编程性、交互友好性、模块化配置。其中 Reminder 功能专门解决对话过长时模型遗忘早期指令的问题。
系统性模板：填鸭式编写降低门槛
模板是 LangGPT 的核心。用户不需要从零设计提示词，只需选择合适模板并填空。例如，角色模板包含 Author、Version、Language、Description 等字段。用户填写后，模型就能按角色设定响应。
这种填鸭式编写降低了学习成本。传统提示词技巧依赖经验和试错，而模板提供了明确结构。官方示例 FitnessGPT 展示了完整流程：定义角色、列出规则、创建工作流。用户照抄格式即可。
变量引用：像编程一样修改 Prompt 内容
变量让提示词内容可动态修改。LangGPT 使用尖括号标记变量，例如 <VariableName>。用户可以在模板中声明变量，然后在引用时赋值。这种方式类似于编程中的参数传递。
例如，一个翻译模板可以定义 <SourceLanguage> 和 <TargetLanguage> 变量。用户使用时只需修改这两个值，无需重写整个提示词。官方文档指出，变量简化了角色内容引用和属性修改。
工作流与 Reminder：定义交互并缓解记忆缺失
工作流定义角色与用户的交互步骤。例如，FitnessGPT 的工作流包括：接收用户信息、询问目标、生成计划、确认调整。用户按步骤操作，模型按流程响应。
Reminder 用于缓解长期记忆缺失。当对话过长时，模型可能遗忘早期指令。Reminder 在提示词中重复关键约束，例如「始终以 JSON 格式输出」。这能保持对话连贯性。
LangGPT 怎么用：从选模板到测试调整
使用 LangGPT 的流程分为八步：理解核心概念、选择模板、填写内容、使用变量、定义工作流、初始化角色、测试调整、使用助手。注册后通常会看到 README 中的快速启动示例。
用户首先需要熟悉 Markdown 语法。官方文档建议使用 GPT-4 或 Claude 作为底层模型。然后从 templates 目录选择合适模板，按字段填写。
理解核心概念：模板、变量、工作流
使用前必须掌握三个概念。模板是结构化骨架，变量是动态内容标记，工作流是交互步骤定义。三者共同构成 LangGPT 提示词。
模板提供字段结构，例如 Role、Profile、Rules。变量用尖括号标记，例如 <Age>。工作流用编号列表定义，例如「1. 接收输入 2. 生成输出」。理解这三个概念后，用户就能上手编写。
选择并填写模板：以角色模板为例
选择模板取决于任务类型。例如，想要模型扮演诗人，就选诗人角色模板。模板通常包含角色描述、技能、规则、工作流等字段。
以 FitnessGPT 为例，用户填写 Author、Version、Language、Description。然后在 Rules 中列出约束，例如「不要打破角色设定」。最后在 Workflow 中定义步骤。填写完成后，提示词即可使用。
定义工作流与初始化角色
工作流是角色与用户的交互步骤。例如，客服角色工作流包括：问候用户、询问问题、提供解决方案、确认满意度。用户按步骤响应，模型按流程执行。
初始化角色是可选步骤。它在交互开始前执行，例如让模型先自我介绍。官方文档提到，初始化行为可以在角色开始与用户交互前设置。这能让对话更自然。
测试、调整与使用 LangGPT 助手
编写完成后，将提示词输入大语言模型测试。根据输出调整字段内容或工作流步骤。例如，如果模型输出偏离角色设定，就修改 Rules 中的约束。
LangGPT 助手可以辅助生成模板。用户描述需求，助手输出相应提示词模板。这进一步降低了编写门槛。测试和调整是迭代过程，通常需要多轮。
LangGPT 与主流工具对比：结构化 vs 自由式
LangGPT 与传统提示词技巧、CRISPE 等结构化方法、通用提示词库存在明显差异。核心区别在于系统性和可复用性。传统技巧依赖经验，CRISPE 模块化程度较低，提示词库只是静态收藏。
以下表格对比三个维度：
| 特性维度 | 结构化程度 | 可复用性 | 交互定义 |
|---|---|---|---|
| LangGPT | 高（双层框架） | 高（模板+变量） | 支持工作流 |
| 传统提示词技巧 | 低（自由文本） | 低（每次重写） | 不支持 |
| CRISPE | 中（单层框架） | 中（固定模块） | 不支持 |
对比传统提示词技巧：系统性与可复用性
传统提示词技巧提供原则和建议，例如「明确指令」「提供示例」。但缺乏系统性，用户需要自己组织内容。同一任务每次都要重写提示词，适应性差。
LangGPT 通过模板和变量解决这个问题。模板提供固定结构，变量实现内容复用。用户只需修改变量值，就能生成新提示词。官方文档指出，传统方法「缺乏系统性和适应性」。
对比 CRISPE 等结构化方法：模块化程度差异
CRISPE 是另一种结构化提示词方法，包含 Capacity、Role、Insight、Statement、Personality、Experiment 六个模块。但它只有单层结构，模块固定，无法扩展。
LangGPT 采用双层结构，支持扩展模块。用户可以根据需求添加新模块。这种设计提高了灵活性。例如，用户可以添加「输出格式」模块，而 CRISPE 没有对应字段。
对比通用提示词库：从静态收藏到动态生成
通用提示词库是静态收藏，用户从中挑选现成提示词。但库中提示词无法调整，遇到新任务就失效。用户只能继续收藏，不能生成。
LangGPT 提供生成框架。用户基于模板创建新提示词，通过变量调整内容。它不是简单收藏，而是动态生成工具。官方定位是「为大规模生产高质量提示词奠定基础」。
LangGPT 适合什么场景：从内容创作到客服
LangGPT 主要面向五类典型场景：内容创作、代码编写、数据分析、教育辅导与客户服务。每个场景都能通过模板和变量快速构建提示词。
内容创作场景中，作家和营销人员可以用模板生成文章大纲或广告文案。代码编写场景中，程序员可以用模板生成代码片段。
内容创作与代码编写：结构化生成大纲与代码片段
内容创作场景下，用户选择「文案专家」模板，填写产品信息、目标受众、语气风格。模型按模板生成广告文案。作家可以用「故事大纲」模板生成章节结构。
代码编写场景下，程序员选择「代码助手」模板，定义编程语言、框架、代码风格。模型按模板生成代码片段。变量可以指定函数名、参数类型。这比自由文本提示更精确。
数据分析与教育辅导：查询语句与个性化材料
数据分析场景中，分析师用模板定义数据表结构、查询需求、输出格式。模型生成 SQL 查询语句。变量可以指定表名、字段名。这减少了语法错误。
教育辅导场景中，教师用模板生成个性化练习题。变量指定学生年级、知识点、难度。模型按模板输出题目和解析。学生也可以用模板生成学习材料。
客户服务：构建智能客服系统
客户服务场景中，用户设计客服角色提示词。模板包含角色描述、常见问题、响应规则、升级流程。模型按模板响应客户咨询。
工作流定义客服交互步骤：问候、询问、解决、确认。Reminder 保持客服语气一致。这能提高服务质量，减少人工介入。
LangGPT 更新了哪些新东西：近期版本与功能变化
根据 GitHub 提交记录，LangGPT 近期更新包括打字机光标优化、清空聊天历史、自定义 temperature/top_p、移动端修复、多语言支持。这些更新集中在 v2.10.7 到 v2.11.0 版本。
v2.11.0 添加了自定义采样参数，v2.10.9 添加了 socks5 代理认证。移动端修复和韩语翻译也在近期完成。
v2.11.0 增强：自定义采样参数与复制反馈
v2.11.0 版本添加了自定义 temperature 和 top_p 参数。temperature 控制输出随机性，top_p 控制候选词范围。用户可以在设置中调整这两个值。
该版本还优化了复制代码反馈效果。用户点击复制按钮后，界面反馈更清晰。贡献者 quzard 提交了相关代码。
BugFix 与多语言：移动端修复与韩语翻译
近期 BugFix 涉及四类问题：移动端、默认语言、ESM 与 PWA。贡献者 idawnwon 修复了默认语言错误。
多语言方面，Kamilake 添加了韩语翻译。这扩大了用户群体。移动端体验问题部分修复，但仍有用户反馈。
LangGPT 的局限性与已知问题：用户吐槽与缺失功能
LangGPT 存在几个已知问题。插件功能依赖 OpenAI API 函数调用，移动端体验不完善，文档不够清晰。这些问题来自 GitHub issue 和社区反馈。
插件功能基于 LangChain 实现，需要 OpenAI API 函数调用。转发 GitHub Copilot 接口无法使用插件。移动端问题在多个版本中反复出现。
插件功能依赖 OpenAI API：转发接口无法调用
LangGPT 的插件功能基于 LangChain 实现，调用 OpenAI API 函数。如果用户使用转发 GitHub Copilot 接口或类似模拟接口，插件无法正常工作。官方 README 明确警告了这一点。
这意味着使用非官方接口的用户无法使用搜索、RAG 等插件。他们只能使用基础对话功能。这限制了部分用户的功能体验。
移动端体验与文档问题：用户反馈汇总
移动端体验问题在 GitHub issue 中多次被提及。例如，界面布局错乱、按钮点击不灵敏。部分问题在 v2.10.7 和 v2.11.0 中修复，但仍有残留。
文档问题包括说明不清晰、示例过少。新用户可能不知道如何配置环境变量。官方文档更新速度慢于代码迭代。
LangGPT 的集成生态：API、插件与 Webhook 扩展
LangGPT 支持 API 调用和基于 LangChain 的插件功能。社区还提出了 Webhook 扩展需求。这些集成能力扩展了工具的应用范围。
API 支持让用户通过程序调用 LangGPT。插件功能实现搜索、RAG 等能力。Webhook 需求目前尚未实现。
API 与插件：LangChain 函数调用实现搜索等能力
LangGPT 通过 API 与外部服务交互。插件功能基于 LangChain 实现，支持搜索、RAG、语音输入等。搜索插件优先级为 GoogleCustomSearch、SerpAPI、BingSerpAPI 等。
RAG（检索增强生成，让 AI 能查询外部知识库后再回答）功能需要配置嵌入模型。如果不配置，WebBrowser 和 PDFBrowser 插件无法使用。语音输入需要 HTTPS 访问。这些功能扩展了 LangGPT 的应用场景。
Webhook 扩展：社区需求与未来方向
GitHub issue #575 提出了增加 openapi 和 webhook 支持的需求。用户希望 LangGPT 能通过 Webhook 与其他服务集成。该 issue 目前仍处于 Open 状态。
Webhook 支持将允许 LangGPT 接收外部事件触发。例如，当有新数据时自动生成报告。目前尚无官方实现时间表。
参考资料
- SegmentFault 思否（2023-05-20）— 介绍 LangGPT 的系统性、灵活性、交互友好性及关键语法。
- CSDN（2024-09-13）— 提供 LangGPT-tools 的安装与使用示例。
- GitHub（2023-10-11）— 记录 v2.11.0 等版本的自定义采样参数、移动端修复、韩语翻译等更新。
