15. 别再硬写提示词了！LangChain ChatPromptTemplate核心实战

合集 - AI应用开发实战(32)

1.1. AI应用实战开发04-292.2.【保姆级入门】什么是 AI？人工智能到底能干嘛？看完秒懂！04-293.3. AI大模型架构图和盈利模式04-304.4. Token(词元)，5分钟彻底搞懂04-305.5. AI大模型的不足和解决方案04-306.6. LangChain，解决AI大模型的不足05-017.7. 搞懂LangChain开发库，还有dotenv实战05-028.8.【保姆级】从零学会LangChain调用大模型！统一接口+代码实战05-039.9. LangChain 6大核心参数详解 + 代码实战，看完就能直接用05-0410.10. LangChain开发核心技巧，动态切换AI大模型参数05-0511.11. LangChain实用技巧，轻松切换AI大模型05-0612.12. LangChain 6大核心调用方法：invoke/stream/batch同步异步全解析，新手也能轻松学会05-0713.13. 学会提示词，从此 AI 听你指挥05-0814.14. 别再硬写提示词了！LangChain PromptTemplate从入门到实战05-12

15.15. 别再硬写提示词了！LangChain ChatPromptTemplate核心实战05-15

16.16. LangChain ChatPromptTemplate多模态应用实战05-1617.17. LangChain FewShotPromptTemplate少样本应用实战05-1718.18. LangChain输出解析器实战：从大模型输出到结构化数据的转化05-1819.19. 大模型输出乱成渣？3个解析器轻松转成标准列表！05-1920.20. AI大模型输出转JSON，原来这么简单！05-2021.21. “|”不只是按位或，90%的人不知道05-2122.22. LangChain LCEL，用 | 串联AI的魔法语言05-2423.23. AI 智能体真的很难吗？5分钟一次性讲明白06-0124.24. LangChain内置工具，开发效率提升10倍！06-0325.25. AI 总是 “失忆“？3 行代码让它记住你！06-0626.26. Agent 记不住业务数据？用 Store 给它加个“笔记本“！06-1327.27. Agent 需要拦截模型调用？用 Middleware 给它加个“拦截器“！06-1428.28. Agent 执行到一半想暂停？用 interrupt 给它设个“关卡“！06-1829.29. MCP协议，让大模型自己调用工具06-2230.30. AI Skills技能系统，让 Agent 自动变强06-2431.31. RAG 检索增强生成，让大模型拥有外部知识07-0632.32. 从 LangChain 到实战落地：一条清晰的智能体技术进阶路径(完结篇)07-07

收起

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)