2.3.4 更丰富的初始化参数类型-大赛人网

前面讲了ChatPromptTemplate的两种创建方式。我们看到不管使用实例初始化方法，还是使用from_messages()，参数类型都是列表类型。列表中的元素可以是多种类型，前面我们主要测试了元组类型。
源码：

def __init__(self,
messages: Sequence[BaseMessagePromptTemplate | BaseMessage |
BaseChatPromptTemplate | tuple[str | type, str | list[dict] | list[object]] |
str | dict[str, Any]],
*,
template_format: Literal["f-string", "mustache", "jinja2"] = "fstring",
**kwargs: Any) -> None

@classmethod def from_messages(cls,
messages: Sequence[BaseMessagePromptTemplate | BaseMessage
| BaseChatPromptTemplate | tuple[str | type, str | list[dict] | list[object]]
| str | dict[str, Any]],
template_format: Literal["f-string", "mustache", "jinja2"]
= "f-string")
-> ChatPromptTemplate

结论：参数是列表类型，列表的元素可以是字符串、字典、字符串构成的元组、消息类型、提示词模板
类型、消息提示词模板类型等
类型1：str列表类型
列表参数格式是str类型（不推荐），因为默认角色都是human

#1.导入相关依赖
from langchain_core.prompts import ChatPromptTemplate
# 2.定义聊天提示词模版
chat_template = ChatPromptTemplate.from_messages(
[
"Hello, {name}!" # 等价于 ("human", "Hello, {name}!")
]
)
# 3. 使用invoke执行
messages = chat_template.invoke({"name":"小谷AI"})
# 4.打印格式化后的聊天提示词模版内容
print(messages)

messages=[HumanMessage(content=’Hello, 小谷AI!’, additional_kwargs={},response_metadata={})]

类型2：tuple列表类型
列表参数格式是元组类型

# 示例: 元组形式的消息
prompt = ChatPromptTemplate.from_messages([
("system", "你的名字是{role}."),
("human", "很高兴认识你"),
])
print(prompt.invoke({"role":"小智"}))

messages=[SystemMessage(content=’你的名字是小智.’, additional_kwargs={},response_metadata={}), HumanMessage(content=’很高兴认识你’,
additional_kwargs={}, response_metadata={})]

类型3：dict列表类型
列表参数格式是dict类型

# 示例: 字典形式的消息
prompt = ChatPromptTemplate.from_messages([
{"role": "system", "content": "你的名字是{role}."},
{"role": "human", "content":"很高兴认识你"},
])
print(prompt.invoke({"role":"小智"}))

messages=[SystemMessage(content=’你的名字是小智.’, additional_kwargs={},
response_metadata={}), HumanMessage(content=’很高兴认识你’,
additional_kwargs={}, response_metadata={})]

类型4：Message列表类型

from langchain_core.messages import SystemMessage,HumanMessage
chat_prompt_template = ChatPromptTemplate.from_messages([
SystemMessage(content="我是一个贴心的智能助手"),
HumanMessage(content="我的问题是:人工智能英文怎么说？")
])
messages = chat_prompt_template.invoke({})
print(messages)
print(type(messages))

messages=[SystemMessage(content=’我是一个贴心的智能助手’, additional_kwargs={},
response_metadata={}), HumanMessage(content=’我的问题是:人工智能英文怎么说？’,
additional_kwargs={}, response_metadata={})]
<class ‘langchain_core.prompt_values.ChatPromptValue’>

注意：在XxxMessage中不能有占位符。即：

from langchain_core.messages import SystemMessage,HumanMessage
chat_prompt_template = ChatPromptTemplate.from_messages([
SystemMessage(content="我是一个贴心的智能助手"),
HumanMessage(content="我的问题是:{word}英文怎么说？")
])
messages = chat_prompt_template.invoke({"word":"人工智能"})
print(messages)
print(type(messages))

messages=[SystemMessage(content=’我是一个贴心的智能助手’, additional_kwargs=
{}, response_metadata={}), HumanMessage(content=’我的问题是:{word}英文怎么说？’, additional_kwargs={}, response_metadata={})]
<class ‘langchain_core.prompt_values.ChatPromptValue’>

类型5：MessagePromptTemplate列表类型
LangChain提供不同类型的MessagePromptTemplate。最常用的是
SystemMessagePromptTemplate 、HumanMessagePromptTemplate 和
AIMessagePromptTemplate ，分别创建系统消息、人工消息和AI消息。

基本概念：
HumanMessagePromptTemplate，专用于生成用户消息（HumanMessage）的模板类

模板化：支持使用变量占位符，可以在运行时填充具体值
格式化：能够将模板与输入变量结合生成最终的聊天消息
输出类型：生成 HumanMessage 对象（ content + role=”human” ）
设计目的：简化用户输入消息的模板化构造，避免重复定义角色

SystemMessagePromptTemplate、AIMessagePromptTemplate：类似于上面，不再赘述
举例1：

# 导入聊天消息类模板
from langchain_core.prompts import ChatPromptTemplate,
HumanMessagePromptTemplate, SystemMessagePromptTemplate
# 创建消息模板
system_message_prompt = SystemMessagePromptTemplate.from_template("你是一个
{role}")
human_message_prompt = HumanMessagePromptTemplate.from_template("给我解释
{concept}，用浅显易懂的语言")
# 组合成聊天提示模板
chat_prompt = ChatPromptTemplate.from_messages([
system_message_prompt,
human_message_prompt
])
# 格式化提示
formatted_messages = chat_prompt.invoke({"role":"物理学家","concept":"相对
论"})
print(formatted_messages)

messages=[SystemMessage(content=’你是一个物理学家’, additional_kwargs={},
response_metadata={}), HumanMessage(content=’给我解释相对论，用浅显易懂的语
言’, additional_kwargs={}, response_metadata={})]

类型6：BaseChatPromptTemplate列表类型
使用 BaseChatPromptTemplate，可以理解为ChatPromptTemplate里嵌套了
ChatPromptTemplate。
举例1：带参数

from langchain_core.prompts import ChatPromptTemplate
# 使用 BaseChatPromptTemplate（嵌套的 ChatPromptTemplate）
nested_prompt_template1 = ChatPromptTemplate.from_messages([
("system", "我是一个人工智能助手，我的名字叫{name}")
])
nested_prompt_template2 = ChatPromptTemplate.from_messages([
("human", "很高兴认识你,我的问题是{question}")
])
prompt_template = ChatPromptTemplate.from_messages([
nested_prompt_template1,nested_prompt_template2
])
prompt_template.invoke({"name":"小智","question":"你为什么这么帅？"})

ChatPromptValue(messages=[SystemMessage(content=’我是一个人工智能助手，我的名
字叫小智’, additional_kwargs={}, response_metadata={}),
HumanMessage(content=’很高兴认识你,我的问题是你为什么这么帅？’,
additional_kwargs={}, response_metadata={})])

举例2：不带参数

from langchain_core.prompts import ChatPromptTemplate
# 使用 BaseChatPromptTemplate（嵌套的 ChatPromptTemplate）
nested_prompt_template1 = ChatPromptTemplate.from_messages([("system", "我是
一个人工智能助手")])
nested_prompt_template2 = ChatPromptTemplate.from_messages([("human", "很高兴
认识你")])
prompt_template = ChatPromptTemplate.from_messages([
nested_prompt_template1,nested_prompt_template2
])
prompt_template.invoke({})

ChatPromptValue(messages=[SystemMessage(content=’我是一个人工智能助手’,
additional_kwargs={}, response_metadata={}), HumanMessage(content=’很高兴
认识你’, additional_kwargs={}, response_metadata={})])

举例3：综合使用

from langchain_core.prompts import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
from langchain_core.messages import SystemMessage, HumanMessage
# 示例 1: 使用 BaseMessage（已实例化的消息）
system_msg = SystemMessage(content="你是一个AI工程师。")
human_msg = HumanMessage(content="你好！")
# 示例 2: 使用 BaseMessagePromptTemplate
system_prompt = SystemMessagePromptTemplate.from_template("你是一个{role}.")
human_prompt = HumanMessagePromptTemplate.from_template("{user_input}")
# 示例 3: 使用 BaseChatPromptTemplate（嵌套的 ChatPromptTemplate）
nested_prompt = ChatPromptTemplate.from_messages([("system", "嵌套提示词")])
prompt = ChatPromptTemplate.from_messages([
system_msg, # MessageLike (BaseMessage)
human_msg, # MessageLike (BaseMessage)
system_prompt, # MessageLike (BaseMessagePromptTemplate)
human_prompt, # MessageLike (BaseMessagePromptTemplate)
nested_prompt, # MessageLike (BaseChatPromptTemplate)
])
prompt.invoke({"role":"人工智能专家","user_input":"介绍一下大模型的应用场景"})

ChatPromptValue(messages=[SystemMessage(content=’你是一个AI工程师。’,
additional_kwargs={}, response_metadata={}), HumanMessage(content=’你
好！’, additional_kwargs={}, response_metadata={}),
SystemMessage(content=’你是一个人工智能专家.’, additional_kwargs={},
response_metadata={}), HumanMessage(content=’介绍一下大模型的应用场景’,
additional_kwargs={}, response_metadata={}), SystemMessage(content=’嵌套
提示词’, additional_kwargs={}, response_metadata={})])

文章版权归作者所有，未经允许请勿转载。

THE END

LangChain
# LangChain