langchain系列（二）- 提示词模板以及消息

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"})

少量示例模板

为大型语言模型提供少量这样的示例称为少量示例提示，这是引导生成的一种简单而强大的方法，在某些情况下可以显著提高模型性能。少量示例提示模板可以从一组示例构建，也可以从负责从定义的集合中选择子集的示例选择器类构建。

此处有详细介绍：langchain系列 - FewShotPromptTemplate 少量示例-CSDN博客

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.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 = 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: 
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

其中，system也可以使用如下方式实现

from langchain_core.messages import SystemMessage

translate_prompt = ChatPromptTemplate.from_messages(
    [SystemMessage(content="你是一个专业的翻译专家，将用户输入的内容翻译为中文"), 
    ("human", "{input}")
     ]
)

 content的内容推测是无法实现格式化的，测试未通过。如下：

translate_prompt = ChatPromptTemplate.from_messages(
    [
        SystemMessage(content="你是一个专业的翻译专家，将用户输入的内容翻译为中文"), 
        HumanMessage(content="{input}")
     ]
)

文中演示的为systemmessage，还有 AIMessage, HumanMessage, ChatMessage, FunctionMessage, ToolMessage五个，大家可以自己测试，下面也会说一下

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: 
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=, 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

源码prompt说明

树状图

详细说明

注：此处均为源码扒下来并翻译为中文

BasePromptTemplate

所有提示模板的基类，返回提示。

PipelinePromptTemplate

提示模板 用于将多个提示模板组合在一起。当您想要重用部分提示时，这可能很有用。

PipelinePrompt 由两个主要部分组成：

- final_prompt：这是返回的最终提示

- pipeline_prompts：这是一个元组列表，包括

字符串 （'name'） 和提示模板。

每个 PromptTemplate 都将被格式化，然后传递

将 future prompt 模板作为变量替换为

与 'name' 同名

BaseChatPromptTemplate

聊天提示模板的基类

AutoGPTPrompt

ChatPromptTemplate

聊天模型的提示模板，用于为聊天模型创建灵活的模板化提示

AgentScratchPadChatPromptTemplate

StringPromptTemplate

公开 format 方法的 String prompt，返回一个 prompt

PromptTemplate

语言模型的提示模板，提示模板由字符串模板组成。它接受一组参数，来自可用于为语言模型生成提示的用户，可以使用 f-strings （默认） 或 jinja2 语法对模板进行格式化

FewShotPromptTemplate

包含少量示例的提示模板

FewShotPromptWithTemplates

包含少量示例的提示模板

ImagePromptTemplate

多模态模型的图像提示模板

-----------------------------------------------------------------

BaseMessagePromptTemplate

消息提示模板的基类

MessagesPlaceholder

假定 variable 的提示模板已经是消息列表，一个占位符，可用于传入消息列表。

BaseStringMessagePromptTemplate

使用字符串提示模板的消息提示模板的基类

ChatMessagePromptTemplate

聊天消息提示模板

_StringImageMessagePromptTemplate

人工消息提示模板。这是用户发送的消息（源码中注释确实相同）

HumanMessagePromptTemplate

人工消息提示模板。这是用户发送的消息

AIMessagePromptTemplate

AI 消息提示模板。这是从 AI 发送的消息

SystemMessagePromptTemplate

系统消息提示模板，这是一条不发送给用户的消息。

Messages

LangChain中的message指的是功能角色间的信息传递所需的文本内容，如：

用户输入的是HumanMessage，其最终传输时封装为类似HumanMessage（content="hello"）

其他如system等也是类似的

属性说明

所有消息都有 role、content 和 response_metadata 属性。

role

描述了谁在说这条消息。标准角色是 'user'、'assistant'、'system' 和 'tool'。

LangChain 为不同角色提供了不同的消息类。

content

描述了消息的内容，可以是字符串或是字典列表

name

可选，用于区分具有相同角色的多个发言者

response_metadata

包含有关响应的附加元数据。

这里的数据通常是特定于每个大模型供应商的。 这里可能存储诸如日志概率和令牌使用等信息。

消息类型

SystemMessage

用于引导AI行为的消息，定义AI的角色、功能信息，是作为一系列输入消息中的第一条传递的。

AIMessage

来自AI的消息，是由聊天模型作为对提示的响应返回的，此消息代表模型的输出，包括模型返回的原始输出以及LangChain框架添加的标准字段（例如，工具调用，使用情况元数据）。

HumanMessage

从人类传递到模型的消息

ChatMessage

可分配任意说话人的消息

FunctionMessage

用于将执行工具的结果传递回模型的消息。

FunctionMessage 是 ToolMessage 架构的旧版本，而不包含 tool_call_id 字段。

tool_call_id 字段用于将工具调用请求与工具调用响应。这在聊天模型能够以并行请求多个工具调用。

ToolMessage

用于将执行工具的结果传递回模型的消息。

ToolMessage 包含工具调用的结果。通常，结果在 'content' 字段。

未完待续。。。根据后续的blog添加示例吧