LangChain 1.2 入门（十六）：提示词模板 ChatPromptTemplate 与高级用法

提示词是操作大模型的接口。字符串拼接也能拼出提示词，但变量一多就难读、难维护、容易拼错；正式项目需要模板化。LangChain 1.x 的 ChatPromptTemplate 输出的不是一段字符串，而是可直接交给聊天模型的消息列表。

16.1 为什么推荐提示词模板

先看字符串拼接：

topic = "Python"
difficulty = "初学者"

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}")

优点是简单直接、上手快，适合临时 demo；缺点是变量多时可读性差、修改容易出错、没有变量校验，也难以支持多轮对话、RAG、Few-shot 等复杂场景。

换成 PromptTemplate：

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}。"
)
prompt = template.format(difficulty=difficulty, topic=topic)
response = model.invoke(prompt)

模板的结构清晰、变量占位明确、可复用、能自动校验变量，也更容易接入 LangChain 的调试和追踪。代价是有一定学习成本，对极简单场景显得偏重。

开发建议：小项目或临时脚本用字符串拼接；正式开发、AI 应用用提示词模板。

16.2 提示词机制演进

旧时代：LLM + PromptTemplate。模型接口对应早期的 LLM 类，面向文本补全模型：输入一个字符串，模型续写文本。PromptTemplate 的职责是接收变量、渲染模板、输出一个完整字符串。

from langchain.prompts import PromptTemplate

prompt_template = PromptTemplate.from_template("请给我一个关于{topic}的{type}解释。")
prompt = prompt_template.format(type="详细", topic="量子力学")
print(prompt)

这时如果要模拟多轮聊天，只能在字符串里手动拼接角色，例如 "Human：你好\nAI：你好！有什么我能帮忙的吗？\nHuman：..."。结构混乱，模型也容易混淆对话边界。

新时代：ChatModel + ChatPromptTemplate。现代聊天模型原生支持角色概念，输入是结构化的消息列表。ChatPromptTemplate 接收变量，输出 List[BaseMessage]，可以直接交给聊天模型。

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

ChatPromptTemplate 中常见的角色字符串：

16.3 ChatPromptTemplate 的使用

16.3.1 两种实例化方式

方式 1（推荐）：from_messages()。传入由元组构成的列表，每个元组代表一条带角色的消息。

from langchain_core.prompts import ChatPromptTemplate

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}"),
])
prompt = chat_template.invoke({"name": "小明", "user_input": "你叫什么名字？"})
print(prompt)

方式 2：使用实例初始化方法。直接把消息列表传给构造函数，底层与 from_messages() 等价。

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

16.3.2 模板调用的三种方式

方式 1：invoke()。返回 ChatPromptValue 对象，里面是消息列表，可以直接交给模型。

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

方式 2：format()。返回格式化后的字符串，适合打印或传给只接受字符串的接口。

prompt = prompt_template.format(name="小谷AI", user_input="你能帮我做什么?")
print(type(prompt))  # str
print(prompt)
# 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...
# Human: 你能帮我做什么?

方式 3：format_messages()。直接返回消息列表。

prompt = prompt_template.format_messages(name="小谷AI", user_input="你能帮我做什么?")
print(type(prompt))  # list
print(prompt)

16.3.3 结合 LLM 调用

from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model
import os

load_dotenv(override=True)
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个数学家，你可以计算任何算式"),
    ("human", "{text}"),
])
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？"
})
output = model.invoke(prompt_value)
print(output.content)  # 18 + 38 = 56 岁

16.3.4 六种参数类型

ChatPromptTemplate 的参数是列表，列表元素可以是以下多种类型：

类型 1：str 列表。默认角色都是 human，不推荐，因为无法区分角色。

chat_template = ChatPromptTemplate.from_messages(["Hello, {name}!"])
messages = chat_template.invoke({"name": "小谷AI"})
# [HumanMessage(content='Hello, 小谷AI!')]

类型 2：tuple 列表。最常用，格式为 (role, content)。

prompt = ChatPromptTemplate.from_messages([
    ("system", "你的名字是{role}."),
    ("human", "很高兴认识你"),
])
print(prompt.invoke({"role": "小智"}))

类型 3：dict 列表。用 role/content 字典描述消息。

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"}))

类型 4：Message 列表。直接传入已经实例化的 SystemMessage、HumanMessage 等。

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({})

注意：Message 对象里不能有占位符。下面这种写法不会替换 {word}：

# 错误：占位符不会被渲染
HumanMessage(content="我的问题是:{word}英文怎么说？")

# 正确：需要变量时改用 tuple 或 dict
("human", "我的问题是:{word}英文怎么说？")

类型 5：MessagePromptTemplate 列表。用 SystemMessagePromptTemplate、HumanMessagePromptTemplate、AIMessagePromptTemplate 创建带变量的消息模板。

from langchain_core.prompts import (
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
    SystemMessagePromptTemplate,
)

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")

chat_prompt = ChatPromptTemplate.from_messages([
    system_message_prompt,
    human_message_prompt,
])
formatted_messages = chat_prompt.invoke({"role": "物理学家", "concept": "相对论"})

类型 6：BaseChatPromptTemplate 列表。可以理解为 ChatPromptTemplate 里嵌套 ChatPromptTemplate。

from langchain_core.prompts import 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？"})

16.4 高级特性

16.4.1 部分变量预填充：partial()

某些变量在所有调用中都相同，可以用 partial() 预填充，创建模板变体。

from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，目标用户是{audience}"),
    ("user", "{task}"),
])

customer_support_template = template.partial(
    role="客服专员",
    audience="普通用户",
)
messages = customer_support_template.invoke({"task": "解释退款政策"})
print(messages)

同一套基础模板也可以为不同部门创建变体：

it_template = template.partial(department="IT 部门", role="技术支持")
sales_template = template.partial(department="销售部门", role="销售顾问")
sales_template.invoke({"task": "为什么每年年底汽车会促销"})

16.4.2 消息占位符

当你不确定消息模板使用什么角色，或希望在格式化时插入一组消息，就用消息占位符。它在多轮对话、Agent 中间步骤里非常常用。

方式 1：JSON 形式。用 ("placeholder", "{conversation}") 占位，调用时传入消息列表。

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个有用的AI助手"),
    ("placeholder", "{conversation}"),
])
prompt_value = template.invoke({
    "conversation": [
        ("human", "你好!"),
        ("ai", "今天我能帮你做什么？"),
        ("human", "你能给我做一个冰激凌吗？"),
        ("ai", "抱歉，我没有这样的能力"),
    ]
})
print(prompt_value)

方式 2：MessagesPlaceholder 实例。适合把已有的对话历史插到指定位置。

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "You are a helpful assistant"),
    MessagesPlaceholder("msgs"),
])
prompt_template.invoke({"msgs": [HumanMessage(content="hi!")]})

prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个非常友好的AI助手"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}"),
])
prompt_template.invoke({
    "history": [
        ("human", "5 + 2 = ?"),
        ("ai", "5 + 2 = 7"),
    ],
    "question": "结果再乘以4呢？",
})

16.4.3 可复用模板库

实际项目建议单独建一个模板库文件，把常用 Prompt 集中管理。

from langchain_core.prompts import ChatPromptTemplate

class PromptLibrary:
    """可复用的提示词模板库"""

    TRANSLATOR = ChatPromptTemplate.from_messages([
        ("system", "你是专业翻译，精通{source_lang}和{target_lang}"),
        ("user", "翻译以下文本：\n{text}"),
    ])

    CODE_REVIEWER = ChatPromptTemplate.from_messages([
        ("system", "你是{language}代码审查专家，重点关注{focus}"),
        ("user", "审查代码：\n```{language}\n{code}\n```"),
    ])

    SUMMARIZER = ChatPromptTemplate.from_messages([
        ("system", "你是内容摘要专家"),
        ("user", "将以下内容总结为{num}个要点：\n{content}"),
    ])

    TUTOR = ChatPromptTemplate.from_messages([
        ("system", "你是{subject}导师，学生水平：{level}"),
        ("user", "{question}"),
    ])

from templates import PromptLibrary

messages = PromptLibrary.TRANSLATOR.format_messages(
    source_lang="英语",
    target_lang="中文",
    text="Hello World",
)

16.4.4 模板组合

方法 1：字符串组合。把可复用的片段拼成完整的 system 内容。

role_part = "你是一个{domain}专家。"
style_part = "回答风格：{style}。"
constraint_part = "限制：{constraint}。"

full_system = role_part + style_part + constraint_part
template = ChatPromptTemplate.from_messages([
    ("system", full_system),
    ("user", "{question}"),
])

方法 2：使用 + 运算符。LangChain 1.0 支持直接组合两个 ChatPromptTemplate。

template1 = ChatPromptTemplate.from_messages([("system", "你是助手")])
template2 = ChatPromptTemplate.from_messages([("user", "{input}")])
combined = template1 + template2

16.5 小结

这一章把「消息」和「提示词模板」串了起来：消息负责承载角色与内容，ChatPromptTemplate 负责把变量渲染成消息列表。正式项目里，优先用模板而不是字符串拼接；多角色、多轮历史和复杂上下文，交给 ChatPromptTemplate 与消息占位符处理。

上一篇：Message 消息类型、字段与多轮对话；系列第一篇：为什么需要 LangChain。

本文根据公开课程课件整理，并结合 LangChain 官方文档核对与补充。