【Langchain】 ChatPromptTemplate：从“手动拼字符串“到“专业模板“的进化之路

零基础看懂 ChatPromptTemplate从手动拼字符串到专业模板的进化之路一句话总结ChatPromptTemplate 是 LangChain 中专门用来组装聊天消息的模板引擎它能让你像填空题一样把变量插进预设的对话结构里告别手动拼接字符串的混乱时代。一、为什么需要它先看一个翻车现场想象你要让 AI 扮演一个暴躁的代码审查员审查一段代码。最原始的做法是手动拼字符串# ❌ 原始人写法手动拼接极易出错languagePythoncodedef add(a, b): return a bpromptf 你是一个暴躁的代码审查员。 请用{language}的视角审查以下代码{code}要求1. 指出问题 2. 骂得狠一点 问题在哪角色、指令、代码全混在一起改一处可能牵一发而动全身如果对话有历史记录拼接起来更是灾难无法复用每次都要重新写一遍格式二、ChatPromptTemplate 是什么它是 LangChain 提供的聊天消息组装器核心思想把对话拆成角色 内容的消息块留出变量占位符最后统一填充。fromlangchain.promptsimportChatPromptTemplate# ✅ 现代写法结构清晰像填空题templateChatPromptTemplate.from_messages([(system,你是一个{personality}的代码审查员。),# 系统消息设定角色(human,请用{language}的视角审查这段代码\n{code}),# 人类消息用户输入])对比一目了然维度 手动拼接字符串 ChatPromptTemplate结构 一锅粥 分角色、分消息块复用 复制粘贴 定义一次多次填充维护 改一处崩全局 改模板不影响调用逻辑扩展 地狱难度 轻松加消息、加变量三、核心概念三种消息角色聊天模型如 GPT-4、Claude只认三种身份牌system—— “幕后导演”设定 AI 的身份、语气、规则。用户看不到但 AI 全程照做。fromlangchain.promptsimportChatPromptTemplate templateChatPromptTemplate.from_messages([(system,你是一位{style}的厨师只做{ cuisine }菜。),(human,我想学做{ dish }),])# 填充变量生成最终消息列表messagestemplate.invoke({style:严厉,cuisine:川菜,dish:麻婆豆腐})print(messages)# 输出# [# SystemMessage(content你是一位严厉的厨师只做川菜。),# HumanMessage(content我想学做麻婆豆腐)# ]human/user—— “提问的顾客”就是用户的输入。可以带变量也可以纯文本。templateChatPromptTemplate.from_messages([(system,你是翻译官把用户的话翻译成{target_lang}。),(human,{user_input}),# 变量占位])resulttemplate.invoke({target_lang:日语,user_input:今天天气真好})# HumanMessage(content今天天气真好)ai/assistant—— “假装 AI 已经说过的话”这是精髓 用来构造少样本示例Few-shot让 AI 模仿特定格式。templateChatPromptTemplate.from_messages([(system,你是一个情感分析器只输出正面或负面。),# 假装这是上一轮对话用户问AI 答(human,这部电影太棒了),(ai,正面),(human,浪费了我两个小时。),(ai,负面),# 真正的用户输入(human,{text}),])resulttemplate.invoke({text:主角演技炸裂})# 模型看到历史示例后大概率输出正面四、四种创建方式从简到繁方式 1元组列表最常用推荐⭐fromlangchain.promptsimportChatPromptTemplate templateChatPromptTemplate.from_messages([(system,你是{role}擅长{skill}。),(human,请帮我{task}),])messagestemplate.invoke({role:前端专家,skill:React,task:优化一个渲染卡顿的组件})方式 2Message 对象更灵活可加额外参数fromlangchain.promptsimportChatPromptTemplatefromlangchain.prompts.chatimportSystemMessagePromptTemplate,HumanMessagePromptTemplate system_templateSystemMessagePromptTemplate.from_template(你是{role}语气要{tone}。)human_templateHumanMessagePromptTemplate.from_template(帮我{task})chat_promptChatPromptTemplate.from_messages([system_template,human_template])方式 3字符串直接转适合单轮简单场景fromlangchain.promptsimportChatPromptTemplate# 只有一个消息时默认当作 human 消息templateChatPromptTemplate.from_template(把这句话翻译成{lang}{text})messagestemplate.invoke({lang:英语,text:你好世界})方式 4混合使用历史记录 新输入fromlangchain_core.messagesimportAIMessage,HumanMessage# 从真实的聊天历史构造history[HumanMessage(content你好),AIMessage(content你好有什么可以帮你的吗),]templateChatPromptTemplate.from_messages([(system,你是客服机器人。),*history,# 展开历史记录(human,{new_question}),# 最新问题])messagestemplate.invoke({new_question:怎么退款})五、实战案例从简单到复杂案例 1带格式的代码审查基础用法fromlangchain.promptsimportChatPromptTemplate templateChatPromptTemplate.from_messages([(system,你是一位{style}的{language}代码审查专家。 审查规则 1. 检查是否有空指针风险 2. 检查是否有性能隐患 3. 用{style}的语气给出建议),(human,请审查以下代码 {language} {code} ),])# 使用messagestemplate.invoke({style:温和但犀利,language:Java,code: public String getName(User user) { return user.getProfile().getName(); } })# 可以直接传给模型# response model.invoke(messages)案例 2动态 Few-shot 学习让 AI 模仿格式假设你要让 AI 从非结构化文本中提取人物-关系对并且严格按 JSON 格式输出templateChatPromptTemplate.from_messages([(system,你是一个信息抽取助手。从文本中提取人物关系只输出 JSON 数组不要解释。),# 示例 1(human,文本小明是小红的哥哥他们一起去了公园。),(ai,[{person1: 小明, relation: 哥哥, person2: 小红}]),# 示例 2(human,文本张三是李四的老板王五是他们公司的客户。),(ai,[{person1: 张三, relation: 老板, person2: 李四}, {person1: 王五, relation: 客户, person2: 公司}]),# 真实输入(human,文本{input_text}),])resulttemplate.invoke({input_text:曹操是刘备的敌人关羽是刘备的结拜兄弟。})# AI 会模仿前面的 JSON 格式输出而不是胡说八道案例 3多轮对话记忆结合历史记录fromlangchain_core.messagesimportAIMessage,HumanMessage# 假设这是从数据库取出的历史记录chat_history[HumanMessage(content我想订一张去上海的机票),AIMessage(content好的请问您想哪天出发),HumanMessage(content明天),AIMessage(content明天上午 9 点有一班可以吗),]templateChatPromptTemplate.from_messages([(system,你是航空公司客服叫小助手。),*chat_history,(human,{input}),])messagestemplate.invoke({input:可以帮我订了吧})# 模型能根据上下文理解可以指的是上午 9 点那班案例 4条件分支根据变量动态改变提示词templateChatPromptTemplate.from_messages([(system,你是{level}教程作者用{level}的语言解释概念。),(human,请解释什么是{concept}),])# 同一套模板不同变量 完全不同的风格beginnertemplate.invoke({level:零基础,concept:递归})# 系统消息你是零基础教程作者用零基础的语言解释概念。experttemplate.invoke({level:资深工程师,concept:递归})# 系统消息你是资深工程师教程作者用资深工程师的语言解释概念。六、高级技巧技巧 1部分填充Partial Variables有些变量是固定的不想每次调用都传templateChatPromptTemplate.from_messages([(system,你是{role}使用{language}回答问题。),(human,{question}),])# 先绑定固定变量partial_templatetemplate.partial(rolePython 专家,language中文)# 之后只需要传变化的 questionmessagespartial_template.invoke({question:怎么写装饰器})技巧 2管道组合Pipeline可以把模板和模型串成流水线fromlangchain_openaiimportChatOpenAI modelChatOpenAI(modelgpt-4)# 模板 模型 一个完整的链chaintemplate|model# 直接传入变量自动经过模板格式化再传给模型responsechain.invoke({role:诗人,language:中文,question:写一首关于春天的诗})技巧 3MessagePlaceholder插入任意消息列表当你不知道历史记录有多少条时fromlangchain.promptsimportMessagesPlaceholder templateChatPromptTemplate.from_messages([(system,你是客服机器人。),MessagesPlaceholder(variable_namehistory),# 这里会插入任意数量的消息(human,{input}),])# history 可以传一个消息列表messagestemplate.invoke({history:[HumanMessage(content你好),AIMessage(content您好有什么可以帮您),HumanMessage(content查一下订单),],input:订单号 12345})七、常见坑与解决方案坑 现象 解决变量名写错KeyError: langauge仔细检查占位符{}里的名字忘记invoke得到的是模板对象不是消息 必须调用.invoke(variables)单双引号混乱 JSON 里的引号和 f-string 冲突 用from_messages的元组写法避免手动转义历史记录顺序错 AI 回答错乱 确保是 human/ai/human/ai 交替变量是列表/对象 直接插进去变成object先用json.dumps()转成字符串八、总结一张图看懂流程┌─────────────────┐ ┌──────────────────┐ ┌─────────────┐ │ 定义模板 │ → │ 填充变量 │ → │ 发给模型 │ │ │ │ │ │ │ │ system: 你是{role}│ │ role医生 │ │ SystemMessage│ │ human: 帮我{task} │ │ task看报告 │ │ HumanMessage │ │ │ │ │ │ │ │ ChatPromptTemplate│ │ .invoke() │ │ model.invoke()│ └─────────────────┘ └──────────────────┘ └─────────────┘核心口诀角色分清楚变量留占位调用 invoke 填直接丢给模型算。