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

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)