2、提示词模板(Prompt Templates)

2.1 为什么推荐提示词模板？
在 LangChain 开发中，构造提示词既可以直接使用 Python 字符串拼接（如 f-string、format() 或+），也可以使用 LangChain 提供的 PromptTemplate 或 ChatPromptTemplate 。
举例1：字符串拼接方式

# 字符串拼接
topic = "Python"
difficulty = "初学者"
# 难以维护，容易出错
prompt_str = f"你是一个{difficulty}级别的编程导师。请用简单易懂的语言解释{topic}。"
response = model.invoke(prompt_str)
print(f"AI 回复：{response.content}...\n")

• 优点✅：
  • 简单直接，上手快
  • 适合临时 demo
  • 无额外学习成本
• 缺点❌：
  • 可读性差（变量多时混乱）
  • 不易维护（修改容易出错）
  • 无变量校验（容易漏/拼错）
  • 难以支持复杂场景（多轮对话 / RAG / Few-shot）
• 举例2：提示词模板

from langchain.prompts import PromptTemplate
topic = "Python"
difficulty = "初学者"
template = PromptTemplate.from_template(
"你是一个{difficulty}级别的编程导师。请用简单易懂的语言解释{topic}。"
)
# 使用模板生成提示词
prompt = template.format(difficulty=difficulty, topic=topic)
response = model.invoke(prompt)
print(f"AI 回复：{response.content}...\n")
from langchain_core.prompts import ChatPromptTemplate
prompt_template = ChatPromptTemplate([
("system", "你是一个AI开发工程师. 你的名字是 {name}."),
("human", "{user_input}")
])
#调用format()方法，返回字符串
prompt = prompt_template.invoke({"name":"小谷AI", "user_input":"你能帮我做什
么?"})
print(prompt)

• 优点✅：
  • 结构清晰（变量占位）
  • 易维护、可复用
  • 自动变量校验（更安全）
  • 支持复杂场景（对话 / RAG / Agent）
  • 可与 LangChain 生态无缝集成
  • 便于调试与日志追踪
• 缺点❌：
  • 有一定学习成本
  • 初期写法略复杂
  • 对极简单场景略“重”
• 开发建议：
  • 小项目 / 临时用 → 字符串拼接
  • 正式开发 / AI应用 → 提示词模板（必选）

2.2 提示词机制演进
LangChain 1.0的架构变革中，核心的演进之一体现在 Prompt 机制上：一个结构化的、富含元数据的消
息列表已经取代单一字符串，成为与模型交互的标准数据格式。
1、旧时代：LLM + PromptTemplate（输入与输出均为字符串）
① 模型接口：对应于 LangChain 中的LLM类，主要面向早期的文本补全模型。
② 工作方式：模型接受一个单一的字符串作为输人，基于此预测并生成后续的文
本内容（文本补全）。
③ Prompt 工具：核心工具是 PromptTemplate 。它的职责是接收一组变量，并通过
模板渲染，最终输出一个完整的字符串。

from langchain.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template(
"请给我一个关于{topic}的{type}解释。"
)
#传入模板中的变量名
prompt = prompt_template.format(type="详细", topic="量子力学")
print(prompt)

④ 局限性：当我们需要用这种方式模拟多轮聊天时，开发者必须在字符串中手动拼接和伪造对话角色，例如：

“Human：你好\nAI：你好！有什1 么我能帮忙的吗？\nHuman：…”

这种方式不仅导致Prompt 的结构混乱、难以维护，也极易让模型混淆对话的边界与上下文，影响生成
质量。
2、新时代：ChatModel+ChatPromptTemplate（输入与输出均为消息列表）
① 模型接口：对应 LangChain 1.0 的主流接口 ChatModel。
② 工作方式：现代聊天模型 API 已原生支持角色概念。它们不再接受单一字符串，
而是要求输入一个结构化的消息列表。为构建复杂、可靠的多轮对话智能体系统奠定了坚实的基础。
③ Prompt 工具： ChatPromptTemplate 因此成为LangChain 1.0 中最核心的 Prompt工具。它的职
责是接收变量，并输出一个 List「BaseMessage］（消息列表），该列表可直接传递给聊天模型。
二者对比：

2.3 ChatPromptTemplate的使用
在LangChain 1.0中，ChatPromptTemplate 是用于生成消息列表的核心组件。
ChatPromptTemplate是创建聊天消息列表的提示模板。它比普通 PromptTemplate 更适合处理多角色、多轮次的对话场景。支持 System / Human / AI 等不同角色的消息模板。
消息类型：

2.3.1 两种实例化方式
ChatPromptTemplate 可以通过初始化方法或 from_messages 方法来实例化提示词模板。实例化时需要传入 messages参数。常见类型是：tuple构成的列表，参数类型（role : str，content : str ）

方式1(推荐)：调用from_messages()
该方法允许传入一个由元组（Tuple）构成的列表，列表中的每一个元组都代表一条具有特定角色的消息。
举例1：

# 导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
("system", "你是一个有帮助的AI机器人，你的名字是{name}。"),
("human", "你好，最近怎么样？"),
("ai", "我很好，谢谢！"),
("human", "{user_input}"),
]
)
# 格式化聊天提示词模版中的变量
prompt = chat_template.invoke({"name":"小明", "user_input":"你叫什么名字？"})
# 打印格式化后的聊天提示词模版内容
print(prompt)

messages=[SystemMessage(content='你是一个有帮助的AI机器人，你的名字是小明。',
additional_kwargs={}, response_metadata={}), HumanMessage(content='你好，
最近怎么样？', additional_kwargs={}, response_metadata={}),
AIMessage(content='我很好，谢谢！', additional_kwargs={},
response_metadata={}, tool_calls=[], invalid_tool_calls=[]),
HumanMessage(content='你叫什么名字？', additional_kwargs={},
response_metadata={})]

方式2：使用实例初始化方法
举例：

from langchain_core.prompts import ChatPromptTemplate
#参数类型这里使用的是tuple构成的list
prompt_template = ChatPromptTemplate([
# 字符串 role + 字符串 content
("system", "你是一个AI开发工程师. 你的名字是 {name}."),
("human", "你能开发哪些AI应用?"),
("ai", "我能开发很多AI应用, 比如聊天机器人, 图像识别, 自然语言处理等."),
("human", "{user_input}")
])
#调用invoke()方法，返回ChatPromptValue
prompt = prompt_template.invoke({"name":"小谷AI", "user_input":"你能帮我做什
么?"})
print(prompt)

messages=[SystemMessage(content='你是一个AI开发工程师. 你的名字是 小谷AI.',
additional_kwargs={}, response_metadata={}), HumanMessage(content='你能开
发哪些AI应用?', additional_kwargs={}, response_metadata={}),
AIMessage(content='我能开发很多AI应用, 比如聊天机器人, 图像识别, 自然语言处理
等.', additional_kwargs={}, response_metadata={}, tool_calls=[],
invalid_tool_calls=[]), HumanMessage(content='你能帮我做什么?',
additional_kwargs={}, response_metadata={})]

说明：from_messages()的底层，也是调用的类的__init()__方法