导读
环境：OpenEuler、Windows 11、WSL 2、Python 3.12.3 langchain 0.3
背景：前期忙碌的开发阶段结束，需要沉淀自己的应用知识，过一遍LangChain
时间：20250212
说明：技术梳理
提示词模板理论说明
提示模板将用户输入和参数转换为语言模型的指令，以此来实现模型的响应，帮助它理解上下文并生成相关且连贯的基于语言的输出。其接受一个字典作为输入，其中每个键代表提示模板中要填充的一个变量。它会输出一个PromptValue，这个参数值可以传递给LLM或ChatModel，也可以转换为字符串或消息列表，存在此值的原因是为了便于在字符串和消息之间切换。
提示下模板的分类
字符串模板
用于格式化单个字符串，通常用于更简单的输入，该模板由字符串模板组成。它接受用户提供的参数集，可用于生成语言模型的提示。模板可以使用f-strings（默认）、jinja2或mustache语法进行格式化，建议使用f-string方式（安全方面考虑）
from langchain_core.prompts import PromptTemplate
prompt_template = PromptTemplate.from_template("Tell me a joke about {topic}")
prompt_template.invoke({"topic": "cats"})聊天工具模板
用于格式化消息列表。这些“模板”由模板本身的列表组成
from langchain_core.prompts import ChatPromptTemplate
prompt_template = ChatPromptTemplate([
("system", "You are a helpful assistant"),
("user", "Tell me a joke about {topic}")
])
prompt_template.invoke({"topic": "cats"})在上面的例子中，这个ChatListTemplate在被调用时将构造两条消息。第一个是系统消息，它没有要格式化的变量。第二个是HumanMessage，它将由用户传入的topic变量格式化。
信息占位符
用于在特定位置添加消息列表
在上面的聊天模板中，我们看到了如何格式化两条消息，每条消息都是一个字符串。但是，如果我们希望用户传递一个消息列表，并将其插入特定的位置，这时需要使用MessagesPlaceholder的方式
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage
prompt_template = ChatPromptTemplate([
("system", "You are a helpful assistant"),
MessagesPlaceholder("msgs")
])
prompt_template.invoke({"msgs": [HumanMessage(content="hi!")]})这将产生两条消息的列表，第一条是系统消息，第二条是我们传入的HumanMessage。如果我们传入了5条消息，那么它总共会产生6条消息（系统消息加上传入的5条消息）。这对于将消息列表插入特定位置非常有用
上述示例为显式使用，下面为隐式使用
prompt_template = ChatPromptTemplate([
("system", "You are a helpful assistant"),
("placeholder", "{msgs}") # <-- This is the changed part
])实战演示
PromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 调用一个大模型，qwen的开源，可以自己获取
translate_llm = ChatOpenAI(base_url="https://llm.xxx.xxxx.com/v1/",openai_api_key="sk-xxxxxxxxxx",model_name="qwen2.5-instruct")
# 创建一个提示词模板，变量即为用户输入的英文
translate_prompt = PromptTemplate.from_template("请将英文翻译为中文, 问题：{input}")
print("translate_prompt:", translate_prompt)
# 构造链，最终以字符串格式输出
model = translate_prompt | translate_llm | StrOutputParser()
# 调用链
response = model.invoke({"input":"hello"})
print("response:", response)
# 输出打印内容
(venv) jack@desktop-legion-7000k:~/lang_test$ python translate_tt.py
translate_prompt: input_variables=['input'] input_types={} partial_variables={} template='请将英文翻译为中文, 问题：{input}'
response: 翻译：你好以上示例可以成功执行，由此可以看出：translate_prompt是一个对象，其属性template为自定义的字符串
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 调用一个大模型，qwen的开源，可以自己获取
translate_llm = ChatOpenAI(base_url="https://llm.ams.lenovo.com/v1/",openai_api_key="sk-Vie3w5wRtkawW",model_name="qwen2.5-instruct")
# 创建一个提示词模板，变量即为用户输入的英文
translate_prompt = PromptTemplate.from_template("请将英文翻译为中文, 问题：{input}")
# 调用链
response = translate_prompt.invoke({"input":"hello"})
print("response:", response)
# 输出内容
response: text='请将英文翻译为中文, 问题：hello'此处没有使用模型以及chain，输出内容为替换后的字符串
ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 调用一个大模型，qwen的开源，可以自己获取
translate_llm = ChatOpenAI(base_url="https://llm.xxxxxx.com/v1/",openai_api_key="sk-xxxxxxxx",model_name="qwen2.5-instruct")
# 创建一个提示词模板，变量即为用户输入的英文
translate_prompt = ChatPromptTemplate.from_messages(
[("system", "你是一个专业的翻译助手，将用户输入的英文翻译为中文"), ("human", "{input}")]
)
print("translate_prompt:", type(translate_prompt))
print("translate_prompt:", translate_prompt)
# 构造链，最终以字符串格式输出
model = translate_prompt | translate_llm | StrOutputParser()
# 调用链
response = model.invoke({"input":"hello"})
print("response:", response)# 输出内容
translate_prompt: <class 'langchain_core.prompts.chat.ChatPromptTemplate'>
translate_prompt: input_variables=['input'] input_types={} partial_variables={} messages=[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], input_types={}, partial_variables={}, template='你是一个专业的翻译助手，将用户输入的英文翻译为中文'), additional_kwargs={}), HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input'], input_types={}, partial_variables={}, template='{input}'), additional_kwargs={})]
response: 你好从上述打印的translate_prompt中的
[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], input_types={}, partial_variables={}, template='你是一个专业的翻译助手，将用户输入的英文翻译为中文'), additional_kwargs={}), HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['input']可以看出：属性messages是一个模板列表，分别是系统和用户模板
LangChain的信息类型分为：system、user、assistant、tool、function
MessagesPlaceholder
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.output_parsers import StrOutputParser
from langchain_core.messages import HumanMessage
# 调用一个大模型，qwen的开源，可以自己获取
translate_llm = ChatOpenAI(base_url="https://llm.xxxxxx.com/v1/",openai_api_key="sk-xxxxxxxx",model_name="qwen2.5-instruct")
# 创建一个提示词模板，变量即为用户输入的英文
translate_prompt = ChatPromptTemplate.from_messages(
[("system", "你是一个专业的翻译助手，将用户输入的英文翻译为中文"), MessagesPlaceholder("input")]
)
print("translate_prompt:", type(translate_prompt))
print("translate_prompt:", translate_prompt)
# 构造链，最终以字符串格式输出
model = translate_prompt | translate_llm | StrOutputParser()
# 调用链
response = model.invoke({"input":[HumanMessage(content="hi!")]})
print("response:", response)# 输出内容
translate_prompt: <class 'langchain_core.prompts.chat.ChatPromptTemplate'>
translate_prompt: input_variables=['input'] input_types={'input': list[typing.Annotated[typing.Union[typing.Annotated[langchain_core.messages.ai.AIMessage, Tag(tag='ai')], typing.Annotated[langchain_core.messages.human.HumanMessage, Tag(tag='human')], typing.Annotated[langchain_core.messages.chat.ChatMessage, Tag(tag='chat')], typing.Annotated[langchain_core.messages.system.SystemMessage, Tag(tag='system')], typing.Annotated[langchain_core.messages.function.FunctionMessage, Tag(tag='function')], typing.Annotated[langchain_core.messages.tool.ToolMessage, Tag(tag='tool')], typing.Annotated[langchain_core.messages.ai.AIMessageChunk, Tag(tag='AIMessageChunk')], typing.Annotated[langchain_core.messages.human.HumanMessageChunk, Tag(tag='HumanMessageChunk')], typing.Annotated[langchain_core.messages.chat.ChatMessageChunk, Tag(tag='ChatMessageChunk')], typing.Annotated[langchain_core.messages.system.SystemMessageChunk, Tag(tag='SystemMessageChunk')], typing.Annotated[langchain_core.messages.function.FunctionMessageChunk, Tag(tag='FunctionMessageChunk')], typing.Annotated[langchain_core.messages.tool.ToolMessageChunk, Tag(tag='ToolMessageChunk')]], FieldInfo(annotation=NoneType, required=True, discriminator=Discriminator(discriminator=<function _get_type at 0x7fba0c05d440>, custom_error_type=None, custom_error_message=None, custom_error_context=None))]]} partial_variables={} messages=[SystemMessagePromptTemplate(prompt=PromptTemplate(input_variables=[], input_types={}, partial_variables={}, template='你是一个专业的翻译助手，将用户输入的英文翻译为中文'), additional_kwargs={}), MessagesPlaceholder(variable_name='input')]
response: 你好！与之前相比：属性messages是一个模板列表，分别是系统和信息占位符模板
关于提示词模板不止这三个，但是主要就这三类
![[SAP ABAP] OO ALV报表练习1](https://csdnimg.cn/release/blog_editor_html/release2.3.7/ckeditor/plugins/CsdnLink/icons/icon-default.png?t=O83A){kind=icon}
