当前位置：首页 > news >正文

LangChain 中 ChatPromptTemplate 的几种使用方式

news 2025/11/9 11:35:20

0 ChatPromptTemplate作用

ChatPromptTemplate是创建聊天消息列表的提示模板。它比普通 PromptTemplate 更适合处理多角色、多轮次的对话场景。

1 两种实例化方式

ChatPromptTemplate 有两种实例化方式，一个是使用ChatPromptTemplate的构造方法，另一个是使用其from_messages()方法,两种方式实例化效果一样，单纯写法不同。

1.1 构造方法实例化

from langchain_core.prompts import ChatPromptTemplateprompt_template = ChatPromptTemplate([("system", "你是私人助理小贝"),("human", "你是谁？")
])prompt = prompt_template.invoke({})
print(prompt)

1.2 from_messages()方法实例化

from langchain_core.prompts import ChatPromptTemplateprompt_template = ChatPromptTemplate.from_messages([("system", "你是私人助理小贝"),("human", "你是谁？")
])
prompt = prompt_template.invoke({})print(prompt)

2 模版的调用方式

2.1 调用方式的区别对比

调用ChatPromptTemplate共有四种方式，分别是invoke() 、 format() 、 format_messages() 、 format_prompt()，它们的主要区别是返回的类型不同。

方式	返回类型	参数类型
invoke	ChatPromptValue	字典
format	str	变量
invoke	list	变量
invoke	ChatPromptValue	变量

2.2 代码示例

from langchain_core.prompts import ChatPromptTemplateprompt_template = ChatPromptTemplate([("system", "你是私人助理小贝"),("human", "你是谁？")
])prompt_by_invoke = prompt_template.invoke({})
prompt_by_format = prompt_template.format()
prompt_by_format_messages = prompt_template.format_messages()
prompt_by_format_prompt = prompt_template.format_prompt()print("---------------prompt_by_invoke")
print(type(prompt_by_invoke))
print(prompt_by_invoke)print("---------------prompt_by_format")
print(type(prompt_by_format))
print(prompt_by_format)print("---------------prompt_by_format_messages")
print(type(prompt_by_format_messages))
print(prompt_by_format_messages)print("---------------prompt_by_format_prompt")
print(type(prompt_by_format_prompt))
print(prompt_by_format_prompt)

2.3 运行结果

请添加图片描述

2.4 小结和使用建议

ChatPromptValue可以调用to_messages()和to_string()将ChatPromptValue转换成消息list类型和字符串类型，所以直接使用invoke()进行调用即可

2 模版的参数类型

上述示例仅使用了元祖的方式构建ChatPromptTemplate列表，实际上ChatPromptTemplate列表的元素可以是多种参数类型，以下将探究tuple、str、dict、Message、BaseChatPromptTemplate五种类型

2.1 tuple

prompt_template = ChatPromptTemplate([("system", "你是私人助理小贝"),("human", "你是谁？")
])

2.2 str

注意，此种方式创建的消息，只会默认为是HumanMessage，所以不推荐

prompt_template = ChatPromptTemplate(["你好"
])

2.3 dict

prompt_template = ChatPromptTemplate([{"role":"system", "content": "你是私人助理小贝"},{"role":"human", "content": "你是谁？"}
])

2.4 Message

prompt_template = ChatPromptTemplate([SystemMessage("你是私人助理小贝"),HumanMessage("你是谁？")
])

2.5 BaseChatPromptTemplate

使用 BaseChatPromptTemplate，可以理解为ChatPromptTemplate里嵌套了 ChatPromptTemplate。

system_prompt_template = ChatPromptTemplate([("system", "你是私人助理小贝")])
human_prompt_template = ChatPromptTemplate([("human", "你是谁？")])prompt_template = ChatPromptTemplate([system_prompt_template,human_prompt_template
])

3 结合大模型使用模板

3.1 代码

import os
import dotenv
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate
from langchain_openai import ChatOpenAIdotenv.load_dotenv()os.environ["OPENAI_BASE_URL"] = os.getenv("QWEN_BASE_URL")
os.environ["OPENAI_API_KEY"] = os.getenv("QWEN_API_KEY")# 获取对话模型
chat_model = ChatOpenAI(model="qwen-plus",streaming=True
)prompt_template = ChatPromptTemplate([("system", "你是私人助理小贝"),("human", "我是Jevon"),("ai", "你好Jevon"),("human", "我是谁？")
])prompt = prompt_template.invoke({})
# 调用模型
response = chat_model.stream(prompt)# 流式输出
for chunk in response:print(chunk.content, end='', flush=True)

3.2 运行效果

因为消息模版的存在，使得大模型有了记忆力
请添加图片描述

4 MessagesPlaceholder

4.1 概念以及应用场景

当你不确定消息提示模板使用什么角色，或者希望在格式化过程中插入消息列表时，该怎么办? 这就需要使用 MessagesPlaceholder，负责在特定位置添加消息列表。即一个占位符，后续调用消息模板时可以将消息列表填充进去。

使用场景:多轮对话系统存储历史消息以及Agent的中间步骤处理此功能非常有用。

4.2 代码示例

import os
import dotenv
from langchain_core.prompts import PromptTemplate, ChatPromptTemplate, MessagesPlaceholder
from langchain_openai import ChatOpenAIdotenv.load_dotenv()os.environ["OPENAI_BASE_URL"] = os.getenv("QWEN_BASE_URL")
os.environ["OPENAI_API_KEY"] = os.getenv("QWEN_API_KEY")# 获取对话模型
chat_model = ChatOpenAI(model="qwen-plus",streaming=True
)prompt_template = ChatPromptTemplate([("system", "你是私人助理小贝"),MessagesPlaceholder('history'),("human", "{question}")
])prompt = prompt_template.invoke({"history":[("human", "我是Jevon"),("ai", "你好Jevon")],"question": "我是谁？"
})
# 调用模型
response = chat_model.stream(prompt)# 流式输出
for chunk in response:print(chunk.content, end='', flush=True)