消息与提示词模板

认识消息

在 LangChain 中，Message（消息）是模型交互的最基本单元。它既代表模型接收到的输入（Input），也代表模型生成的输出（Output）。

LangChain 在 1.0 中提供了跨模型统一的 Message 标准。无论你使用的是 OpenAI、Anthropic、Gemini 还是本地模型，这一标准都能保持一致的行为。好处：

兼容性强：不同模型的消息格式自动对齐。
可扩展性高：方便添加多模态内容或自定义字段。
可追踪性好：为 LangSmith 等调试工具提供一致的上下文数据结构。

消息的内部结构

LangChain的消息（Message）对象包含三种字段

Role：消息所属的角色或类型，如 system 、 user 、 assistant。
Content：消息内容。
Metadata：（可选）元数据，存储额外信息。如：消息ID、响应时间、token消耗量、消息标签等。

消息类型

LangChain定义了很多消息类型，通过 role 区分。常用的有四种。

系统消息

python

{"role": "system", "content": "你是个精通编程的软件架构师"}

用户消息

python

{"role": "user", "content": "你好啊~"}

助手(AI)消息：代表模型的回复，包括生成的文本、工具调用、元数据等。

python

{"role": "assistant", "content": "我也很高兴认识你"}

python

{
    "role": "assistant",
    "content": "",
    "tool_calls": [{
        "name": "get_weather",
        "args": {"location": "北京"},
        "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
    }]
}

工具调用消息：工具调用结果匹配的消息类型

python

{"role": "tool", "content": "今天天气很好", "tool_call_id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"}

面试题：为什么使用不同的消息类型？

明确角色：清晰区分系统提示、用户输入和 AI 回复。
控制行为：通过 SystemMessage 精确控制 AI 的行为。
对话历史：构建完整的多轮对话上下文。
调试友好：更容易追踪和调试对话流程

消息格式

LangChain支持 JSON 和对象两种消息格式。上面的几处代码块均为 JSON 格式消息。

对应关系如下：

JSON 格式	对象格式
"role": "system"	SystemMessage
"role": "user"	HumanMessage
"role": "assistant"	AIMessage
"role": "tool"	ToolMessage

JSON 格式.py

对象格式.py

python

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model = "ollama:deepseek-coder",
)

message = [
    {"role": "system", "content": "你是一个非常优秀的前端程序员"},
    {"role": "user", "content": "请问什么是防抖"},
]
res = model.invoke(message)
message.append({"role": "assistant", "content": res.content})
message.append({"role": "tool", "content": "<工具输出>", "tool_call_id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"})
message.append({"role": "user", "content": "上一个问题是什么？"})

res = model.invoke(message)
message.append({"role": "assistant", "content": res.content})
print(message)

python

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage, ToolMessage

model = init_chat_model(
    model = "ollama:deepseek-coder",
)

message = [
    SystemMessage("你是一个非常优秀的前端程序员"),
    HumanMessage("请问什么是防抖")
]
res = model.invoke(message)
message.append(AIMessage(res.content))
message.append(ToolMessage(content = "<工具输出>", tool_call_id = "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"))
message.append(HumanMessage("上一个问题是什么？"))

res = model.invoke(message)
message.append(AIMessage(res.content))
print(message)

聊天机器人

开发一个简易的对话机器人，需求如下：

会话上下文最多记忆 n 轮的对话。
当用户输入特定字符是结束对话。

main.py

python

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

MAX_WHEEL = 1
END_KEYWORD = "end"

model = init_chat_model(
    model = "ollama:deepseek-coder"
)

messages = [SystemMessage("你是一个全栈工程师，你的名字是 iGmaCode")]
i = 1

def optimizeMessage(arr):
    systemList = []
    messageList = []
    for item in arr:
        if type(item) == SystemMessage:
            systemList.append(item)
        else:
            messageList.append(item)
    return systemList + messageList[-(MAX_WHEEL * 2):]

while True:
    print("\n", "="*10, f"第 {i} 轮提问开始", "="*10, "\n")
    user_input = input("请输入您的问题：")
    if user_input == END_KEYWORD:
        print("会话结束～", messages)
        break
    messages.append(HumanMessage(user_input))
    resJoin = ""
    for res in model.stream(optimizeMessage(messages)):
        print(res.content, end="", flush=True)
        resJoin += res.content
    messages.append(AIMessage(resJoin))
    i += 1

content 和 content_blocks

消息的 content 可以理解为数据内容，它是弱类型的，支持字符串和列表（列表元素通常为字典）。
此前我们使用时传入的都是字符串类型，传入的值由模型供应商决定，下面以 DeepSeek 官网的 deepseek-v4-flash 模型为例，传入图片+文字的多模态内容。

main.py

python

import base64
import os

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage

load_dotenv(verbose=True)
def image_to_base64_data_uri(file_path: str) -> str:
    with open(file_path, "rb") as f:
        data = f.read()
    b64_str = base64.b64encode(data).decode("utf-8")
    return f"data:image/png;base64,{b64_str}"

model = init_chat_model(
    model="deepseek:deepseek-v4-flash",
    api_key = os.getenv("DEEPSEEK_API_KEY"),
    base_url = os.getenv("DEEPSEEK_API_BASE")
)

res = model.invoke([
    HumanMessage(
        content = [
            {"type": "text", "text": "这张图片是什么？"},
            {"type": "image_url", "image_url": {"url": image_to_base64_data_uri("a.png")}},
        ]
    )
])
print(res)

提示词模板

在 LangChain 开发中，构造提示词既可以直接使用 Python 字符串拼接，也可以使用 LangChain 提供的 PromptTemplate 或 ChatPromptTemplate 。

提示词模板的优势在于：

结构清晰（变量占位）
易维护、可复用
自动变量校验（更安全）
支持复杂场景（对话 / RAG / Agent）
可与 LangChain 生态无缝集成
便于调试与日志追踪

LangChain 1.0的架构变革中，核心的演进之一体现在 Prompt 机制上：一个结构化的、富含元数据的消息列表已经取代单一字符串，成为与模型交互的标准数据格式。

旧时代：LLM + PromptTemplate（输入与输出均为字符串）
新时代：ChatModel+ChatPromptTemplate（输入与输出均为消息列表）

特性	PromptTemplate	ChatPromptTemplate
输出格式	纯文本字符串	消息列表
角色支持	无	system/user/assistant
对话历史	不支持	支持
适用场景	简单提示	聊天、对话、多轮交互

消息类型：

角色字符串	含义	用途
system	系统消息	设定 AI 的行为、角色、规则
user / human	用户消息	用户的输入/问题
assistant / ai	AI 消息	AI 的回复（用于对话历史）

定义模板

ChatPromptTemplate 可以通过初始化方法或 from_messages 方法来实例化提示词模板

初始化方法.py

from_messages.py

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "你是谁？"),
    ("ai", "我是一个程序员"),
    ("user", "{user_input}"),
])

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "你是谁？"),
    ("ai", "我是一个程序员"),
    ("user", "{user_input}"),
])

使用模板

使用模板有三种方式：invoke、format、format_messages

三种方式返回值均可以传给大模型。

invoke.py

format.py

format_messages.py

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "你是谁？"),
    ("ai", "我是一个程序员"),
    ("user", "{user_input}"),
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(type(chat_prompt)) # 输出 <class 'langchain_core.prompt_values.ChatPromptValue'>

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "你是谁？"),
    ("ai", "我是一个程序员"),
    ("user", "{user_input}"),
])

# 使用模板
chat_prompt = chat_prompt_template.format(name="iGma", user_input="说一下 Vue2 和 Vue3 的区别")
print(type(chat_prompt)) # 输出 <class 'str'>

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "你是谁？"),
    ("ai", "我是一个程序员"),
    ("user", "{user_input}"),
])

# 使用模板
chat_prompt = chat_prompt_template.format_messages(name="iGma", user_input="说一下 Vue2 和 Vue3 的区别")
print(type(chat_prompt)) # 输出 <class 'list'>

定义模板的参数类型

在定义模板时可以通过初始化方法或 from_messages 方法来实例化提示词模板，两种方式的入参都是 列表类型，列表的元素可以有还多种表达方式。

值得注意的是：

如果是字符串列表，每个元素都是 user 角色，无法设置 system 和 ai 角色。
消息对象列表无法传入变量。

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    "你是谁？",
    "{user_input}"
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
    ("user", "{user_input}")
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一个优秀的前端程序员，你的名字是{name}"},
    ("user", "{user_input}")
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate

# 定义模板（这里的 name 和 user_input 不会视为变量，即便在使用时传入对应值也无效）
chat_prompt_template = ChatPromptTemplate.from_messages([
    SystemMessage("你是一个优秀的前端程序员，你的名字是{name}"),
    HumanMessage("{user_input}")
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate

# 定义模板（这种写法 name 和 user_input 会被视为变量处理）
chat_prompt_template = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是一个优秀的前端程序员，你的名字是{name}"),
    HumanMessagePromptTemplate.from_template("{user_input}")
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板 1
t1 = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
])

# 定义模板 2
t2 = ChatPromptTemplate.from_messages([
    ("user", "{user_input}")
])

# 定义模板 3
chat_prompt_template = ChatPromptTemplate.from_messages([
    t1, t2
])

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

部分变量预填充 partial()

预填充某些固定不变的变量，创建模板的变体。具体场景如下：

某些变量在所有调用中都相同。
需要为不同用户/场景创建定制模板

Demo01.py

Demo02.py

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是{dept}的{role}"),
    ("user", "{task}")
])

user_template = chat_prompt_template.partial(dept="IT研发部", role="前端工程师")

# 使用模板
chat_prompt = user_template.invoke({"task": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是{dept}的{role}"),
    ("user", "{task}")
])

# IT 部门模板
it_template = chat_prompt_template.partial(dept="IT研发部", role="前端工程师")

# 销售部门模板
sale_template = chat_prompt_template.partial(dept="销售部门", role="销售顾问")

# 使用模板
chat_prompt = it_template.invoke({"task": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

消息占位符

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使用。

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。

具体表现形式有两种：JSON 形式和 MessagesPlaceholder 实例。

JSON.py

MessagesPlaceholder.py

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个 AI 编程助手"),
    ("placeholder", "{ms}")
])


# 使用模板
chat_prompt = chat_prompt_template.invoke({
    "ms": [
        ("user", "你是谁"),
        ("ai", "我是 AI 编程助手")
    ]
})
print(chat_prompt)

python

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 定义模板
chat_prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个 AI 编程助手"),
    MessagesPlaceholder("history")
])


# 使用模板
chat_prompt = chat_prompt_template.invoke({
    "history": [
        ("user", "你是谁"),
        ("ai", "我是 AI 编程助手")
    ]
})
print(chat_prompt)

封装模板库

在日常开发中，可以把一些常用的模板封装到一个类中。

main.py

python

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

class TemplatePrompt:
    TRANSLATOR = ChatPromptTemplate.from_messages([
        ("system", "你是专业翻译，精通{source_lang}和{target_lang}"),
        ("user", "翻译以下文本：\n{text}")
    ])
    CODE_REVIEWER = ChatPromptTemplate.from_messages([
        ("system", "你是{language}代码审查专家，重点关注{focus}"),
        ("user", "审查代码：\n```{language}\n{code}\n```")
    ])
    SUMMARIZER = ChatPromptTemplate.from_messages([
        ("system", "你是内容摘要专家"),
        ("user", "将以下内容总结为{num}个要点：\n{content}")
    ])
    TUTOR = ChatPromptTemplate.from_messages([
        ("system", "你是{subject}导师，学生水平：{level}"),
        ("user", "{question}")
    ])

messages = TemplatePrompt.TRANSLATOR.format_messages(
    source_lang="英语",
    target_lang="中文",
    text="Hello World"
)
print(messages)

模板组合

main.py

python

from langchain_core.prompts import ChatPromptTemplate

# 定义模板 1
t1 = ChatPromptTemplate.from_messages([
    ("system", "你是一个优秀的前端程序员，你的名字是{name}"),
])

# 定义模板 2
t2 = ChatPromptTemplate.from_messages([
    ("user", "{user_input}")
])

# 定义模板 3
chat_prompt_template = t1 + t2

# 使用模板
chat_prompt = chat_prompt_template.invoke({"name": "iGma", "user_input": "说一下 Vue2 和 Vue3 的区别"})
print(chat_prompt)

消息与提示词模板

认识消息 ​

消息的内部结构 ​

消息类型 ​

消息格式 ​

聊天机器人 ​

content 和 content_blocks ​

提示词模板 ​

定义模板 ​

使用模板 ​

定义模板的参数类型 ​

部分变量预填充 partial() ​

消息占位符 ​

封装模板库 ​

模板组合 ​

认识消息

消息的内部结构

消息类型

消息格式

聊天机器人

content 和 content_blocks

提示词模板

定义模板

使用模板

定义模板的参数类型

部分变量预填充 partial()

消息占位符

封装模板库

模板组合