【LangChain】langchain_core.prompts.ChatPromptTemplate 类：为聊天模型设计的提示模板类

langchain_core.prompts.ChatPromptTemplate 是 LangChain 框架中专为聊天模型设计的提示模板类，用于创建结构化、动态的消息序列。它支持定义系统消息、用户消息和助手消息，并允许在消息中插入变量，广泛应用于对话系统、问答链和代理应用。本文将从定义、核心功能、创建方法、应用场景、示例代码和注意事项等方面，系统讲解 ChatPromptTemplate 的功能与使用方法。

---

一、定义与作用

1. 什么是 ChatPromptTemplate？

ChatPromptTemplate 是 LangChain 中 BaseChatPromptTemplate 的子类，专门为聊天模型（如 OpenAI 的 GPT 系列、Anthropic 的 Claude 等）设计。聊天模型通常期望接收一系列消息（而非单一字符串），每条消息具有特定角色（如“system”、“human”、“ai”）。ChatPromptTemplate 允许开发者定义包含多个消息的模板，并在消息内容中插入变量占位符，从而生成动态提示。

• 核心功能：

  • 定义结构化的消息序列，支持系统、用户和助手角色。
  • 支持动态变量替换，适应不同用户输入和上下文。
  • 实现 Runnable 接口，与 LangChain 的链、模型和代理无缝集成。
  • 提供灵活的对话历史管理，适合多轮对话场景。

• 设计目标：

  • 简化聊天模型的提示管理，降低开发者手动构造消息序列的复杂性。
  • 提供模块化接口，支持复杂工作流（如 RAG、代理系统）。
  • 确保跨模型兼容性，适配多种 LLM 提供商。

2. 为什么需要 ChatPromptTemplate？

在 LLM 应用中，聊天模型需要明确的指令和上下文来生成相关输出。ChatPromptTemplate 通过模板化消息序列，解决了以下问题：

• 动态性：允许根据用户输入或上下文动态填充提示。
• 一致性：确保系统消息和对话历史的格式统一。
• 复用性：支持模板保存和复用，减少重复编码。
• 扩展性：通过 MessagesPlaceholder 等机制，轻松管理对话历史或工具调用。

从官方文档来看，ChatPromptTemplate 是 LangChain 提示模块的核心组件，广泛用于对话系统、问答链和工具集成场景。

---

二、核心功能与属性

ChatPromptTemplate 作为一个提示模板类，没有直接的“属性”暴露给用户，而是通过其构造函数和方法定义消息结构和行为。以下是其核心功能和相关属性的说明：

1. 消息结构

ChatPromptTemplate 的核心是消息序列，每个消息由角色和内容组成：

• 角色：常见角色包括：
  • system：系统消息，定义模型的行为或角色（如“你是一个 helpful assistant”）。
  • human：用户消息，表示用户输入。
  • ai：助手消息，表示模型的回复。
• 内容：消息内容可以是静态字符串或包含变量占位符的模板（如 {user_input}）。

2. 关键方法

ChatPromptTemplate 提供多种方法，支持提示的创建、格式化和处理：

• format_messages(**kwargs)：将变量替换为实际值，返回 BaseMessage 对象列表。
• invoke(input)：根据输入变量生成 PromptValue 对象，可直接传递给聊天模型。
• partial(**kwargs)：创建部分填充变量的模板，适合设置默认值。
• append(message)：向模板追加单个消息。
• extend(messages)：批量添加多个消息。
• save(file_path)：将模板序列化为文件，便于复用。
• 流式和批量处理：作为 Runnable 接口的实现，支持 stream（流式输出）、batch（批量处理）和 astream_events（事件流）。

3. 输入模式

• input_schema：模板定义的输入变量（如 {user_input}、{name}）自动构成输入模式。
• partial_variables：通过 partial 方法设置的默认变量。

---

三、创建 ChatPromptTemplate 的方法

ChatPromptTemplate 提供了多种创建方式，灵活适应不同场景。以下是主要方法：

1. 使用构造函数

直接传递消息元组列表，每个元组包含角色和消息内容：

from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate([
    ("system", "你是一个名叫 {name} 的 helpful assistant。"),
    ("human", "{user_input}")
])

2. 使用 from_messages 方法

通过 from_messages 方法从消息列表创建模板，支持元组或消息对象：

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个 helpful assistant。"),
    ("human", "你好！"),
    ("ai", "你好！我能帮你什么？"),
    ("human", "{user_input}")
])

from_messages 是最常用的创建方式，适合定义复杂的消息序列。

3. 使用 from_template 方法

从单个字符串模板创建，自动视为人类消息：

template = ChatPromptTemplate.from_template("告诉我关于 {topic} 的信息。")

这会生成一个仅包含人类消息的模板，变量为 {topic}。

4. 结合 MessagesPlaceholder

使用 MessagesPlaceholder 动态插入对话历史或外部消息：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个 helpful assistant。"),
    MessagesPlaceholder("history"),
    ("human", "{input}")
])

---

四、常见用途与应用场景

ChatPromptTemplate 在 LangChain 的多个模块中广泛应用，以下是典型场景和实际用途：

1. 构建对话系统

• 场景：为聊天机器人定义提示模板，管理系统指令和用户输入。
• 示例：创建一个简单的问答机器人：

  from langchain_core.prompts import ChatPromptTemplate
  from langchain_openai import ChatOpenAI
  
  template = ChatPromptTemplate.from_messages([
      ("system", "你是一个知识渊博的助手，回答要简洁准确。"),
      ("human", "{question}")
  ])
  
  model = ChatOpenAI(model="gpt-4o")
  chain = template | model
  response = chain.invoke({"question": "法国的首都是什么？"})
  print(response.content)
  

  输出：法国的首都是巴黎。

2. 管理对话历史

• 场景：在多轮对话中，通过 MessagesPlaceholder 插入历史消息。
• 示例：构建一个支持对话历史的聊天系统：

  from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
  from langchain_core.messages import HumanMessage, AIMessage
  
  template = ChatPromptTemplate.from_messages([
      ("system", "你是一个 helpful assistant。"),
      MessagesPlaceholder("history"),
      ("human", "{input}")
  ])
  
  history = [
      HumanMessage(content="你好，我叫小明。"),
      AIMessage(content="你好，小明！很高兴认识你。")
  ]
  prompt_value = template.invoke({
      "history": history,
      "input": "告诉我关于巴黎的信息。"
  })
  print(prompt_value.messages)
  

  输出：

  [
      SystemMessage(content='你是一个 helpful assistant。'),
      HumanMessage(content='你好，我叫小明。'),
      AIMessage(content='你好，小明！很高兴认识你。'),
      HumanMessage(content='告诉我关于巴黎的信息。')
  ]
  

3. 检索增强生成 (RAG)

• 场景：在 RAG 系统中，结合检索到的文档生成提示。
• 示例：为 RAG 系统定义提示模板：

  template = ChatPromptTemplate.from_messages([
      ("system", "根据以下文档回答问题：\n{context}"),
      ("human", "{question}")
  ])
  
  context = "巴黎是法国的首都，位于塞纳河畔。"
  prompt_value = template.invoke({
      "context": context,
      "question": "巴黎在哪里？"
  })
  

4. 代理与工具调用

• 场景：为代理定义初始提示，包含工具说明和用户输入。
• 示例：为代理设置提示模板：

  template = ChatPromptTemplate.from_messages([
      ("system", "你是一个智能助手，可以使用工具：{tools}"),
      ("human", "{input}")
  ])
  

---

五、示例代码：完整工作流

以下是一个结合对话历史和 RAG 的完整示例，展示 ChatPromptTemplate 的实际应用：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage
from langchain_openai import ChatOpenAI

# 1. 创建提示模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个 helpful assistant，基于以下上下文回答：\n{context}"),
    MessagesPlaceholder("history"),
    ("human", "{input}")
])

# 2. 准备对话历史和上下文
context = "巴黎是法国的首都，人口约220万。"
history = [
    HumanMessage(content="巴黎是哪个国家的首都？"),
    AIMessage(content="巴黎是法国的首都。")
]

# 3. 生成提示
prompt_value = template.invoke({
    "context": context,
    "history": history, 
    "input": "巴黎有多少人口？"
})

# 4. 调用模型
model = ChatOpenAI(model="gpt-4o")
response = model.invoke(prompt_value)
print(response.content)

输出示例：

巴黎的人口大约为220万。

---

六、注意事项与最佳实践

1. 角色选择：

   • 确保角色（“system”、“human”、“ai”）与模型支持的格式一致。例如，某些模型可能不支持“ai”角色。
   • 系统消息通常用于定义模型行为，建议放在消息序列开头。

2. 变量管理：

   • 使用 partial 方法预填充变量时，检查变量名是否与后续输入冲突。
   • 确保所有占位符变量在 invoke 时都有值，否则会抛出异常。

3. 对话历史管理：

   • 使用 MessagesPlaceholder 时，传入的对话历史需为 BaseMessage 对象（如 HumanMessage、AIMessage）。
   • 控制历史消息的长度，避免上下文超出模型的令牌限制。

4. 性能优化：

   • 对于大规模输入，使用 batch 或 stream 方法，减少延迟。
   • 在复杂链中，尽量复用模板实例，减少重复创建的开销。

5. 安全性：

   • 避免直接将用户输入注入模板，防止提示注入攻击。
   • 如果使用 jinja2 模板（非默认），注意潜在的安全风险，优先使用 f-string 格式。

6. 版本兼容性：

   • 确保使用最新版本的 LangChain（如 0.2.x），因为提示模块的 API 在早期版本（如 0.1.x）可能有所不同。
   • 导入路径为 langchain_core.prompts，避免使用已弃用的模块。

---

七、总结

langchain_core.prompts.ChatPromptTemplate 是 LangChain 框架中用于聊天模型的核心提示工具，通过定义结构化的消息序列和动态变量，支持对话上下文管理、问答系统和代理应用。它提供了灵活的创建方法（如 from_messages）、强大的功能（如 partial 和 invoke）以及与 LangChain 生态系统的无缝集成。掌握 ChatPromptTemplate 的使用方法，可以帮助开发者高效构建复杂的 LLM 应用。

参考资源：

• LangChain 官方文档：ChatPromptTemplate
• LangChain 提示模板概念
• Medium：LangChain 提示工程指南