Python开发AI智能体(三)———Langchain定义提示词模板

前言

上篇文章给大家介绍AI项目检测平台LangSmish以及开源框架Langchain的使用，并且带领大家编写了一个案例。

这篇文章将介绍在Langchain框架中如何定义提示词模板

---

一、什么是提示词模板？

提示词模板（Prompt Template） 是大语言模型（LLM）应用开发中的核心概念，本质是 预定义的提示结构框架。它通过将 静态文本 与 动态变量 结合，实现标准化、可复用的提示生成机制。它提示词可以是一个简单的问题、一段描述、一个命令或任何形式的文本输入。其核心目的是为模型提供上下文和方向，以确保生成的内容符合用户需求。

二、ChatPromptTemplate.from_messages 方法

1.什么是ChatPromptTemplate.from_messages

LangChain框架中的ChatPromptTemplate是用来构建聊天型提示模板的类，而from_messages是它的一个类方法。ChatPromptTemplate.from_messages 是 LangChain 框架中用于构建 多角色对话模板 的核心方法。它允许你组合不同角色（如系统、用户、AI等）的消息模板，生成符合大语言模型（如 glm-4-flash）输入格式的提示。

2.核心功能

• 多角色消息组合 - 将系统指令、用户输入、AI回复等消息按顺序组合
• 动态变量插入 - 支持通过模板语法插入动态内容
• 格式标准化 - 自动转换为模型需要的消息格式（如 OpenAI 的消息数组）

3.为什么要用ChatPromptTemplate.from_messages 方法

1.角色分离

明确区分系统指令（system）、用户输入（human）、AI回复（assistant）等不同角色消息，避免的混乱

prompt_template = ChatPromptTemplate.from_messages([
    ('system','请将下面内容翻译成英语'), #系统角色设定
    ('human',"今天天气很好")，         #用户输入
    ("assistant", "已翻译完成：")      # 定义期望的AI回复位置
])

2.上下文序列化

天然支持对话历史管理，通过有序组合消息实现多轮对话逻辑。对话历史这个知识点我将在后续文章中做详细介绍，这里先作为了解

prompt_template = ChatPromptTemplate.from_messages([
    ('system','当前对话主题:我的姓名张三'), #系统角色设定
     MessagesPlaceholder("history"),  # 动态插入历史消息
    ('human',"我叫什么")，         #用户输入
   
])

3.模板变量系统

使用 {variable} 语法实现内容动态化，更灵活

prompt_template = ChatPromptTemplate.from_messages([
    ('system','请将下面内容翻译成{language}'),
    ('human',"{text}")
])
#可以动态生成不同语言的提示模板
chain.invoke({'language':'English','text':'今天天气很好'})

4.混合静态动态内容

自由组合固定内容与可变部分，适应复杂业务需求

prompt_template = ChatPromptTemplate.from_messages([
    ('system','请将下面内容翻译成英语'),
    ('human',"{text}")
])
#可以动态生成不同语言的提示模板
chain.invoke({'text':'今天天气很好'})

三、代码编写

1.调用AI检测平台和智谱AI

这一步在上一篇文章中已经做了详细了的介绍，这里就不过多进行叙述了

# 调用AI检测平台（langSmith）
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = 'XXXXXXXXX'
os.environ["LANGCHAIN_PROJECT"] = "智谱AI"

#调用智谱AI API
os.environ["ZHIPUAI_API_KEY"] = "XXXXXXXXXXX"

2.调用第三方库

#pip install langchain_community
#调用第三方库
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import StrOutputParser

3.创建单一链

#调用大语言模型
model = ChatZhipuAI(model_name='glm-4-flash')

# 创建返回的数据解析器
parser = StrOutputParser()

# 定义提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    ('system','请将下面内容翻译成{language}'),
    ('human',"{text}")
])

#得到链
chain = prompt_template | model |parser

4.调用链

language = input('请输入你要选择的语言')
text= input('请输入你要翻译的句子')
language = '"'+language+'"'
text = '"'+text+'"'
print(chain.invoke({'language':language,'text':text}))

5.完整代码

# 调用AI检测平台（langSmith）
import os
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = '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'
os.environ["LANGCHAIN_PROJECT"] = "智谱AI"

#调用智谱AI API
os.environ["ZHIPUAI_API_KEY"] = "8a950f79c0674586b210fd9b7b9f5da0.olngH5NqnZyIj6Zo"

#安装第三方库集成
#pip install langchain_community
#调用第三方库
from langchain_core.prompts import ChatPromptTemplate
from langchain_community.chat_models import ChatZhipuAI
from langchain_core.output_parsers import StrOutputParser

#调用大语言模型
model = ChatZhipuAI(model_name='glm-4-flash')

# 创建返回的数据解析器
parser = StrOutputParser()

# 定义提示词模板
prompt_template = ChatPromptTemplate.from_messages([
    ('system','请将下面内容翻译成{language}'),
    ('human',"{text}")
])

#得到链
chain = prompt_template | model |parser

#调用chain
language = input('请输入你要选择的语言')
text= input('请输入你要翻译的句子')
language = '"'+language+'"'
text = '"'+text+'"'
print(chain.invoke({'language':language,'text':text}))

6.运行结果