LangChain 提示词模板
概要
ChatPromptTemplate 解决一个具体问题：把用户输入和固定约束组装成结构化的消息列表。直接在代码里拼接字符串，提示词散落各处无法统一管理，变量硬编码换场景就要改代码。from_messages() 定义消息骨架——{变量} 是占位符，invoke() 填入具体值，生成 ChatModel 直接消费的 消息列表。提示词从此可以像函数一样被调用、复用、组合。
一、基础使用
模板的核心思想就一个：骨架和内容分离。system 消息定角色和约束，user 消息放每次不同的业务输入，占位符 {变量} 标记变化的部分。
from_messages() 支持三种消息格式（元组、字典、消息对象），与消息系统中介绍的完全一致。
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}，请用{style}的风格回答问题。"),
("user", "{input}"),
])
messages = prompt.invoke({
"role": "Python 技术顾问",
"style": "简洁",
"input": "装饰器的原理是什么？",
})
# messages 是 List[BaseMessage]，可直接传给 ChatModelfrom langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
MessagesPlaceholder(variable_name="history"),
("user", "{input}"),
])
# 历史消息从外部传入——数据库、缓存、前端会话皆可
history = [
("user", "我叫小明"),
("assistant", "你好小明，有什么可以帮你的？"),
]
两个模板对应两种场景：基础模板所有变量都由 invoke 传入，适合单轮问答；MessagesPlaceholder 在模板中留一个"消息列表插槽"，适合多轮对话——历史由外部管理，模板只管结构。
二、初始化参数类型
from_messages() 接受 6 种参数，按是否需要变量替换归为两类。日常只用 tuple，其余按场景查。
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}。"), # 2-元组：(role, content)
("user", "{input}"),
])
# ("tool", "content", tool_call_id) # tool 消息需 3-元组prompt = ChatPromptTemplate.from_messages([
{"role": "system", "content": "你是一个{role}。"},
{"role": "user", "content": "{input}"},
])
# 与 OpenAI Chat API 的 messages 格式一致，序列化友好prompt = ChatPromptTemplate.from_messages([
"你是一个乐于助人的助手。", # 等价于 ("human", "...")
("human", "{input}"),
])
# 纯字符串自动视为 human 消息from langchain_core.messages import SystemMessage
prompt = ChatPromptTemplate.from_messages([
SystemMessage(content="你是一个助手。"), # 固定内容，不含 {变量}
("user", "{input}"),
])
# BaseMessage 是具体消息实例，不会做变量替换# xxxMessagePromptTemplate
from langchain_core.prompts import (
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
)
prompt = ChatPromptTemplate.from_messages([
SystemMessagePromptTemplate.from_template("你是一个{role}。"),
HumanMessagePromptTemplate.from_template("{input}"),
])
# 需要显式指定消息类型时使用# 子模板：可独立测试、跨 prompt 复用
role_prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}。"),
])
# 父模板：组合子模板 + 业务变量
prompt = ChatPromptTemplate.from_messages([
role_prompt,
("user", "{input}"),
])
# 多个 prompt 共享同一套 system 约束时最有用| 类型 | 变量替换 | 使用场景 |
|---|---|---|
tuple ("role", "content") | ✅ | 日常首选，最简洁 |
dict {"role": ..., "content": ...} | ✅ | 对接 OpenAI API，需序列化存储时 |
| str | ✅ | 快速测试，仅 human 消息 |
| MessagePromptTemplate | ✅ | 需显式控制消息类型时 |
| BaseChatPromptTemplate | ✅ | 模板组合复用 |
| BaseMessage | ❌ | 固定不变的 system 指令 |
表中按推荐度排序——从上到下是日常使用频率。
三、与 ChatModel 配合
模板只生成消息列表，不调用模型。连接模型只需 LCEL 管道 |：
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
model = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}。"),
("user", "{input}"),
])
chain = prompt | model
response = chain.invoke({"role": "代码审查专家", "input": "解释 SOLID 原则"})
# response 是 AIMessage，需通过 .content 拿文本
print(response.content)from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
model = ChatOpenAI(model="gpt-4o-mini")
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}。"),
("user", "{input}"),
])
chain = prompt | model | StrOutputParser()
result = chain.invoke({"role": "代码审查专家", "input": "解释 SOLID 原则"})
# result 直接是字符串，无需 .content
print(result)两种链的区别只有一点：是否需要 AIMessage 的元数据。StrOutputParser 把 AIMessage 提取为纯字符串，适合直接展示、入库、API 返回。需要访问 tool_calls、response_metadata 或做消息级操作时，保留 AIMessage，不加 parser。
TIP
prompt | model | parser 是 LangChain 中最常见的三件套。掌握了这个模式，后续学 Tools（prompt | model.bind_tools(...) | ...）和 Agent 就是在此基础上的自然扩展。
四、高级特性
模板定义好骨架之后，变量从三条路径进入：invoke() 传参（每次变化的业务数据）、partial() 固化（定义时就确定的全局配置）、MessagesPlaceholder 插入（外部维护的消息列表）。第一条路径在第一章已演示，这里展开后两条。
1. partial — 固化不变变量
语气风格、输出格式这类配置在应用启动时就确定了，每次 invoke 都传一遍既啰嗦又容易漏。partial 把它们固化在模板里：
from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个{role}，请用{style}的风格回答。"),
("user", "{input}"),
])
# 固化全局配置，invoke 只需传业务变量
prompt = prompt.partial(style="简洁专业")
messages = prompt.invoke({
"role": "Python 顾问",
"input": "装饰器原理？",
})partial_variables 构造参数与此等价——选哪个只是风格偏好。
变量名冲突
partial 固化的变量不能与 invoke 传入的变量重名——LangChain 优先使用 partial 值，invoke 中的同名变量被静默忽略。从命名上彻底区分：style、tone、format 用 partial；input、topic、question 用 invoke。
2. MessagesPlaceholder — 消息列表插槽
第一章用 tuple 列表快速演示了基础用法。生产环境中的对话历史通常以 HumanMessage / AIMessage 对象形式存在——它们携带 content_blocks（多模态内容）、tool_calls（工具调用记录）等元数据，tuple 无法表达这些信息。
from langchain_core.messages import HumanMessage, AIMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的助手。"),
MessagesPlaceholder(variable_name="history"),
("user", "{input}"),
])
history = [
HumanMessage(content="我叫小明"),
AIMessage(content="你好小明！"),
]
messages = prompt.invoke({"history": history, "input": "我叫什么名字？"})prompt = ChatPromptTemplate.from_messages([
("system", "你是一个助手。"),
MessagesPlaceholder(variable_name="history", optional=True),
("user", "{input}"),
])
messages = prompt.invoke({"input": "你好"})
# 不传 history 不报错，占位符位置为空| 参数 | 类型 | 默认值 | 说明 |
|---|---|---|---|
| variable_name | str | — | invoke 时用此键名传入消息列表 |
| optional | bool | False | 为 True 时可不传，占位处为空 |
| n_messages | int | None | 限制恰好 N 条消息，超出抛 ValueError |
TIP
n_messages 用于硬限制历史轮数（如设为 10 保留最近 5 轮对话），防止 token 消耗随对话增长失控。optional=True 适合首次对话没有历史的场景，但注意不传变量不报错，占位处为空——如果后续链逻辑依赖该位置有内容，模型行为可能异常。
小结
提示词模板解决的本质问题是消息结构的复用——骨架和内容分离，同一套 prompt 适配不同输入、不同对话历史、不同全局配置。在 LangChain 工作流中，prompt | model | parser 是最基础的组装单元：Tools 在此之上给模型绑定函数调用能力，Agent 在此基础上加入自主决策循环。返回概念总览可回顾整体架构。
📖 相关资源
- ChatPromptTemplate API — 完整 API 参考
- Prompt Templates 概念文档 — 官方概念说明
- MessagesPlaceholder API — 完整参数与用法
- LCEL 协议文档 — LangChain Expression Language 详解