【Agent智能体项目实战七】ChatPromptTemplate的使用

一、前言

在大模型应用开发中，提示词（Prompt）是核心，而可复用、可扩展的通用提示词模板能大幅提升开发效率，尤其在需要多轮对话、角色设定、上下文记忆的场景下至关重要。

本文基于一段LangChain + 阿里云通义千问的实战代码，讲解如何搭建标准化提示词模板，实现带对话历史的AI作诗功能，并提炼通用设计思路，方便迁移到客服、文案、问答等各类场景。

---

二、环境依赖与API配置

1. 核心依赖库

代码主要依赖以下两个核心包：

import os
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi

• langchain_core：LangChain核心库，提供提示词模板、消息占位符等基础能力。
• langchain_community：社区集成模块，封装通义千问等第三方大模型调用接口。
• os：用于配置环境变量，传入通义千问API Key。

2. 通义千问API Key配置

通义千问（DashScope）需要通过环境变量传入密钥：

os.environ["DASHSCOPE_API_KEY"] = "sk-apikey"

注意：实际开发中，API Key建议通过.env文件管理，避免硬编码泄露。

---

三、通用提示词模板（ChatPromptTemplate）核心设计

1. 模板整体结构

代码中使用ChatPromptTemplate.from_messages构建结构化多角色提示模板，这是LangChain中最通用、最推荐的提示词组织方式：

chat_prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个边塞诗人，可以作诗"),
        MessagesPlaceholder("history"),
        ("human", "请再来一首边塞诗"),
    ]
)

2. 三大核心模块解析

（1）System 系统角色设定

("system", "你是一个边塞诗人，可以作诗")

• 作用：定义AI身份、能力边界、输出风格。
• 通用性：可替换为“客服”“翻译”“代码助手”“文案策划”等任意角色，是通用提示词的身份基座。

（2）MessagesPlaceholder 历史消息占位符

MessagesPlaceholder("history")

• 这是通用多轮对话模板的关键，用于动态注入对话历史，实现上下文记忆。
• 无需手动拼接历史，LangChain自动解析history变量，兼容多轮用户/AI消息。

（3）Human 用户当前提问

("human", "请再来一首边塞诗")

• 用户本轮输入指令，可根据场景动态替换。
• 在通用模板中，可进一步抽离为变量，实现完全动态化。

---

四、对话历史（history_data）格式规范

代码中定义了标准的多轮对话历史格式：

history_data = [
    {"role": "human", "content": "你来作一首唐诗"},
    {"role": "ai", "content": "床前明月光..."},
    {"role": "human", "content": "再来作一首唐诗"},
    {"role": "ai", "content": "锄禾日当午..."},
]

• 格式：[{"role":"human/ai", "content":"内容"}, ...]
• 该格式高度通用，可直接对接LangChain、OpenAI、通义千问等主流大模型。
• 优势：多轮对话可无限追加，模板无需修改，扩展性极强。

---

五、提示词模板调用与渲染

prompt_text = chat_prompt_template.invoke({"history": history_data})
print(prompt_text.to_string())

• invoke()：传入history变量，完成模板填充。
• to_string()：将结构化消息转为字符串，便于调试查看完整Prompt。
• 这一步是通用模板的核心价值：一次定义，多次调用，自动拼接上下文。

---

六、大模型流式调用（stream）

model = ChatTongyi(model="qwen3-max")
response = model.stream(input=prompt_text)
for chunk in response:
    print(chunk.content, end="", flush=True)

• 使用ChatTongyi加载通义千问qwen3-max模型。
• stream()流式输出：逐字返回结果，提升用户体验，适用于长文本生成。
• 该流式调用逻辑通用，可无缝迁移到其他LLM。

---

七、通用提示词模板提炼（可直接复用）

基于本段代码，我们可以抽离出适用于所有场景的通用Prompt模板：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 通用多轮对话提示词模板
prompt = ChatPromptTemplate.from_messages([
    # 1. 系统角色（可自定义）
    ("system", "你是一个专业的{role}，请按照要求完成任务"),
    # 2. 动态历史消息占位符
    MessagesPlaceholder(variable_name="chat_history"),
    # 3. 用户当前提问
    ("human", "{user_input}"),
])

# 调用方式
formatted_prompt = prompt.invoke({
    "role": "边塞诗人",
    "chat_history": history_data,
    "user_input": "请创作一首边塞诗"
})

模板优势

1. 高度通用：支持任意角色、任意任务。
2. 支持多轮对话：自动管理上下文。
3. 易维护：结构清晰，便于扩展系统规则。
4. 兼容主流大模型：LangChain生态无缝对接。

---

八、完整代码运行效果

执行代码后，模板会自动拼接系统提示+历史对话+当前指令，通义千问将基于边塞诗人设定，结合历史对话风格，流式输出一首新的边塞诗。

示例输出（仅供参考）：

大漠风沙卷戍楼，寒星冷月照边州。 男儿仗剑安家国，不破匈奴誓不休。

---

九、总结与扩展

1. 本文核心：讲解了LangChain ChatPromptTemplate 的通用用法，实现带上下文的提示词工程。
2. 适用场景：智能客服、AI写作、代码生成、翻译、教育答疑等。
3. 扩展方向：
   • 加入Few-Shot案例提示。
   • 增加输出格式约束（JSON/诗歌/散文）。
   • 接入向量数据库实现长文档记忆。
4. 最佳实践：提示词模板化、历史消息标准化、API密钥环境化。

---

本文代码可直接运行，只需替换自己的DASHSCOPE_API_KEY即可快速体验。提示词模板是大模型应用的基础，掌握这种通用结构，能极大提升LLM开发效率。