2.3.2 模板调用的3种方式

对比： invoke() 、format() 、format_messages()
方式1：使用 invoke()
返回ChatPromptValue

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}")
])
prompt = prompt_template.invoke({"name":"小谷AI", "user_input":"你能帮我做什
么?"})
print(type(prompt))
print(prompt)
print(len(prompt.messages))

<class ‘langchain_core.prompt_values.ChatPromptValue’>
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={}),
HumanMessage(content=’你能帮我做什么?’, additional_kwargs={}, response_metadata={})]

方式2：使用format()
返回字符串

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}")
1
2
3
4
5
6
7
8
9
方式3：使用format_messages()
返回消息列表
2.3.3 结合LLM调用
举例：
])
#方式1：调用format()方法，返回字符串
prompt = prompt_template.format(name="小谷AI", user_input="你能帮我做什么?")
print(type(prompt))
print(prompt)

<class ‘str’>
System: 你是一个AI开发工程师. 你的名字是 小谷AI.
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: 你能帮我做什么?

方式3：使用format_messages()
返回消息列表

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", "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format_messages()方法，返回消息列表
prompt = prompt_template.format_messages(name="小谷AI", user_input="你能帮我做
什么?")
print(type(prompt))
print(prompt)

<class ‘list’>
[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={})]

2.3.3 结合LLM调用

举例：

from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
import os
from langchain.chat_models import init_chat_model
######1、提供大模型#########
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
model="gpt-5.4-mini",
model_provider="openai",
api_key=CLOSEAI_API_KEY,
base_url=CLOSEAI_BASE_URL
)
######2、提供提示词#########
chat_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个数学家，你可以计算任何算式"),
("human", "{text}"),
])
# 输入提示
prompt_value = chat_prompt.invoke({
"text":"我今年18岁，我的舅舅今年38岁，我的爷爷今年72岁，我和舅舅一共多少岁了？"
})
######3、结合提示词，调用大模型#########
# 得到模型的输出
output = model.invoke(prompt_value)
# 打印输出内容
print(output.content)

你今年 18 岁，舅舅今年 38 岁。
一共是：
18 + 38 = 56 岁
所以，你和舅舅一共 56 岁。