在使用LangChain与AI交互时，想要让对话更有条理、适配多角色、多轮次的沟通场景，ChatPromptTemplate这个工具绝对少不了。它本质上就是一个用来构建聊天消息列表的提示模板，能帮我们规范AI的交互逻辑，让每一次对话都更贴合预期。
如果你喜欢看视频学习，就看 《15. LangChain ChatPromptTemplate核心实战》。
prompt_template = ChatPromptTemplate.from_messages([ SystemMessagePromptTemplate.from_template("你是AI开发助手{name}，擅长编程开发。"), HumanMessagePromptTemplate.from_template("你能帮我做什么？"), AIMessagePromptTemplate.from_template("我可以帮你写代码、改bug。"), HumanMessagePromptTemplate.from_template("{user_question}") ])
使用这个模板时，写法可以灵活调整。如果只是简单传递消息内容，不需要额外附带参数，用字符串别名的写法会特别简洁，省去不少冗余操作。
prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是AI开发助手{name}，擅长编程。"), ("user", "你能帮我做什么？"), ("ai", "我可以帮你写代码、改bug。"), ("user", "{user_question}") ])
但如果追求更高的清晰性和可扩展性，想兼容一些高级功能，那字典写法就比元组简写更合适，后续维护和修改也会更方便。
prompt_template = ChatPromptTemplate.from_messages([ {"role": "system", "content": "你是AI开发助手{name}，擅长编程。"}, {"role": "user", "content": "你能帮我做什么？"}, {"role": "ai", "content": "我可以帮你写代码、改bug。"}, {"role": "user", "content": "{user_question}"} ])
这里要重点说一下不同字符串别名的用法，它们对应着不同的消息类，各有明确的用途和使用规则，记清楚这些能避免很多操作失误。
|
字符串别名 |
对应消息类 |
用途 |
使用规则 |
|
system |
SystemMessage |
给AI设定人设、规则和上下文 |
必在开头只能有1个 |
|
user/human |
HumanMessage |
代表用户的输入 |
与“ai”交替，不能连续出现2个 |
|
ai/assistant |
AIMessage |
表示AI的输出约束 |
跟在“user”后，不能连续出现2个 |
了解完这些基础规则，就到了实战环节，其实操作步骤很简单，一步步来就能上手。首先要做的就是导入ChatPromptTemplate类，这是所有后续操作的基础。接着，用from_messages方法创建这个类的实例，这个方法需要接收一个消息列表作为参数，列表里的每条消息都是包含role和content字段的字典，其中content里用大括号包裹的部分，就是我们后续要填充的变量占位符。通过system、user、ai这三种角色的搭配，我们就能轻松定义出完整的对话上下文，甚至可以加入回答范例，让AI更清楚该如何响应。
创建好实例后，调用invoke方法，传入一个包含具体填充值的字典，它就会自动替换掉所有的占位符，生成一个完整的PromptValue提示词对象。最后，把这个PromptValue对象传入已经初始化好的大语言模型的invoke方法，就能完成一次规范的AI交互了。
from langchain_core.prompts import ChatPromptTemplate prompt_template = ChatPromptTemplate.from_messages([ {"role": "system", "content": "你是AI开发助手{name}，擅长编程开发和技术问题解答。"}, {"role": "user", "content": "你能帮我做什么？"}, {"role": "ai","content": "我可以帮你写代码、改bug、设计技术方案。"}, {"role": "user", "content": "{user_question}"} ]) prompt_value = prompt_template.invoke( { "name": "神算子", "user_question": "用Python写一个简单的计算器程序" } ) res = llm.invoke(prompt_value, config=config) print(res.content)
除此之外，还有一个实用小技巧可以记一下。如果我们需要预先定义部分变量，不用每次都完整传入所有参数，借助partial方法就能轻松指定，后续使用时只需要补充剩余变量即可。
from langchain_core.prompts import ChatPromptTemplate prompt_template = ChatPromptTemplate.from_messages([ {"role": "system", "content": "你是AI开发助手{name}，擅长编程开发和技术问题解答。"}, {"role": "user", "content": "你能帮我做什么？"}, {"role": "ai", "content": "我可以帮你写代码、改bug、设计技术方案。"}, {"role": "user", "content": "{user_question}"} ]) partial_prompt = prompt_template.partial(name="神算子") prompt_value = partial_prompt.invoke( { "user_question": "用Python写一个简单的计算器程序" } ) res = llm.invoke(prompt_value, config=config) print(res.content)
要是想在模板中嵌入消息列表，比如多轮对话的历史消息，就可以使用MessagesPlaceholder，它的字符串别名是placeholder，用起来特别便捷，能很好地适配多轮交互场景。
from langchain_core.prompts import ChatPromptTemplate prompt_template = ChatPromptTemplate.from_messages([ {"role": "system", "content": "你是AI开发助手{name}，擅长编程开发和技术问题解答。"}, {"role": "placeholder", "content": "{chat_history}"}, {"role": "user", "content": "你能帮我做什么？"}, {"role": "ai", "content": "我可以帮你写代码、改bug、设计技术方案。"}, {"role": "user", "content": "{user_question}"} ]) partial_prompt = prompt_template.partial(name="神算子") prompt_value = partial_prompt.invoke( { "user_question": "用Python写一个简单的计算器程序", "history": [ {"role": "user", "content": "我想做个编程工具"}, {"role": "ai", "content": "我来帮你实现"} ] } ) res = llm.invoke(prompt_value, config=config) print(res.content)
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。