大家好，我是锋哥。最近连载更新《基于LangChain的RAG与Agent智能体》技术专题。
本课程主要介绍和讲解RAG，LangChain简介，接入通义千万大模型，Ollama简介以及安装和使用，OpenAI库介绍和使用，以及最重要的基于LangChain实现RAG与Agent智能体开发技术。同时也配套视频教程 《2027版 基于LangChain的RAG与Agent智能体开发视频教程》
LangChain框架提供了提示词模版类，方便我们构建大模型提示词。
模版的思想是： 数据+模版=最终提示词
在LangChain core核心包里，定义了三种类型的提示词模版，分别是通用提示词模版PromptTemplate，少样本提示词模板FewShotPromptTemplate，聊天会话提示词模版ChatPromptTemplate。这个三个提示词模版都继承自基础提示词模版BasePromptTemplate，BasePromptTemplate类拥有format格式化方法，以及BasePromptTemplate继承自Runnable类，Runnable类拥有invoke调用方法。
通用提示词模版PromptTemplate
我们通过通用提示词模版PromptTemplate，以及变量动态注入，生成我们需要的提示词。
我们来看一个简单示例：
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate
# 定义一个模板，包含两个变量：product 和 price
template = "请帮我写一段关于 {product} 的广告，重点是它的价格只有 {price} 元，吸引用户购买。"
# 创建 PromptTemplate 对象
prompt = PromptTemplate(
input_variables=["product", "price"], # 输入变量
template=template # 模板
)
# 通过 format 方法填充变量，生成最终提示词
final_prompt = prompt.format(product="智能手表", price="299")
print(final_prompt)
model = Tongyi(model="qwen-plus") # 创建模型
result = model.invoke(input=final_prompt) # 调用模型
print(result)
运行输出：
LangChain中的chain链式语法
在 LangChain 中，Chain（链）是一个核心组件，用于把不同的处理步骤串联起来，上一个组件的输出作为下一个组件的输入，形成一个可复用的处理流程。简单来说，它就是“输入 → 处理 → 输出”的流水线，但可以是多步的，每一步都可以是不同类型的操作。
LangChain Chain的链式语法 对象1 | 对象2 | ... | 对象 n 这个 | 链式符号 底层实现是吧 对象的 模式 __or()__魔法方法重写了。大家有兴趣的可以扩展研究学习下。
下面我们用LangChain的高级写法chain链式写法实现下。
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate
# 定义一个模板，包含两个变量：product 和 price
template = "请帮我写一段关于 {product} 的广告，重点是它的价格只有 {price} 元，吸引用户购买。"
# 创建 PromptTemplate 对象
prompt = PromptTemplate(
input_variables=["product", "price"], # 输入变量
template=template # 模板
)
model = Tongyi(model="qwen-plus") # 创建模型
# 创建链式调用
chain = prompt | model
# 调用模型
result = chain.invoke(input={"product": "智能手表", "price": "299"})
print(result)
运行输出：
少样本提示词模板FewShotPromptTemplate
FewShotPromptTemplate是支持少量样本的提示词模版。
我们来看下下面的简单示例：
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
# 定义几个示例，每个示例包含句子和对应的情感标签
examples = [
{"sentence": "今天天气真好，心情愉快！", "sentiment": "正面"},
{"sentence": "这部电影太无聊了，浪费时间。", "sentiment": "负面"},
{"sentence": "这家餐厅的食物非常美味，服务也很棒。", "sentiment": "正面"},
{"sentence": "产品质量很差，用了几天就坏了。", "sentiment": "负面"},
]
# 创建一个格式化示例的模板
example_prompt = PromptTemplate(
input_variables=["sentence", "sentiment"],
template="句子：{sentence}\n情感：{sentiment}"
)
# 创建 FewShotPromptTemplate 对象
few_shot_prompt = FewShotPromptTemplate(
examples=examples, # 传入示例列表
example_prompt=example_prompt, # 每个示例的格式化方式
prefix="请根据以下示例判断新句子的情感是正面还是负面：\n", # 前缀
suffix="句子：{input}\n情感：", # 后缀，包含变量 input
example_separator="\n\n", # 示例之间的分隔符
input_variables=["input"] # 定义输入变量
)
# 使用 format 方法填充新句子，生成完整的提示词
new_sentence = "这个手机性价比很高，值得购买。"
final_prompt = few_shot_prompt.format(input=new_sentence)
print(final_prompt)
# 创建模型
model = Tongyi(model="qwen-plus")
# 调用模型
result = model.invoke(input=final_prompt)
print(result)
运行输出：
我们采用Chain链式写法改下：
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
# 定义几个示例，每个示例包含句子和对应的情感标签
examples = [
{"sentence": "今天天气真好，心情愉快！", "sentiment": "正面"},
{"sentence": "这部电影太无聊了，浪费时间。", "sentiment": "负面"},
{"sentence": "这家餐厅的食物非常美味，服务也很棒。", "sentiment": "正面"},
{"sentence": "产品质量很差，用了几天就坏了。", "sentiment": "负面"},
]
# 创建一个格式化示例的模板
example_prompt = PromptTemplate(
input_variables=["sentence", "sentiment"],
template="句子：{sentence}\n情感：{sentiment}"
)
# 创建 FewShotPromptTemplate 对象
few_shot_prompt = FewShotPromptTemplate(
examples=examples, # 传入示例列表
example_prompt=example_prompt, # 每个示例的格式化方式
prefix="请根据以下示例判断新句子的情感是正面还是负面：\n", # 前缀
suffix="句子：{input}\n情感：", # 后缀，包含变量 input
example_separator="\n\n", # 示例之间的分隔符
input_variables=["input"] # 定义输入变量
)
# 使用 format 方法填充新句子，生成完整的提示词
new_sentence = "这个手机性价比很高，值得购买。"
final_prompt = few_shot_prompt.format(input=new_sentence)
# print(final_prompt)
# 创建模型
model = Tongyi(model="qwen-plus")
# 调用模型
# result = model.invoke(input=final_prompt)
# print(result)
# 采用链式chain写法
chain = few_shot_prompt | model
result = chain.invoke(input=new_sentence)
print(result)
运行输出：
聊天会话提示词模版ChatPromptTemplate
ChatPromptTemplate 是 LangChain 中专为聊天模型（如 ChatGPT）设计的提示模板。与普通文本补全模型不同，聊天模型的输入是一系列消息，每条消息包含角色（如系统、人类、AI）和内容。ChatPromptTemplate 允许你以结构化方式定义这些消息，并支持动态插入变量，最终生成一组聊天消息供模型使用。
我们来看一个示例：
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. 定义聊天提示模板
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一个友好的AI助手，会结合对话历史回答用户问题。"), # 系统消息：设定AI基础角色
MessagesPlaceholder("history"), # 对话历史占位符：后续会被真实历史数据替换
("human", "我的新问题是：{user_question}") # 当前用户的提问（带变量占位）
])
# 2. 准备对话历史数据
history_data = [
("human", "你好，请问什么是LangChain？"),
("ai", "LangChain是构建大模型应用的框架，方便连接数据源和工具。"),
("human", "那它能做聊天机器人吗？"),
("ai", "可以！它提供对话管理、记忆等能力，很适合开发聊天机器人。")
]
# 3. 调用模板，传入对话历史 + 当前问题
prompt_value = chat_template.invoke({
"history": history_data,
"user_question": "LangChain和LangGraph的区别？"
})
# 4. 查看最终格式化后的完整提示
print("格式化后的完整对话消息：")
for msg in prompt_value.messages:
print(f"{msg.type}: {msg.content}")
# 定义模型
model = Tongyi(model="qwen-plus") # 创建模型
# result = model.invoke(input=prompt_value) # 调用模型 invoke完整输出
# print(result)
result = model.stream(input=prompt_value) # 调用模型 stream流式输出
for chunk in result:
print(chunk, end="", flush=True)
运行输出：
我们换成chain链式调用试下：
from langchain_community.llms.tongyi import Tongyi
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
# 1. 定义聊天提示模板（和图片结构一致）
chat_template = ChatPromptTemplate.from_messages([
("system", "你是一个友好的AI助手，会结合对话历史回答用户问题。"), # 系统消息：设定AI基础角色
MessagesPlaceholder("history"), # 对话历史占位符：后续会被真实历史数据替换
("human", "我的新问题是：{user_question}") # 当前用户的提问（带变量占位）
])
# 2. 准备对话历史数据（和图片红框结构一致）
history_data = [
("human", "你好，请问什么是LangChain？"),
("ai", "LangChain是构建大模型应用的框架，方便连接数据源和工具。"),
("human", "那它能做聊天机器人吗？"),
("ai", "可以！它提供对话管理、记忆等能力，很适合开发聊天机器人。")
]
# 3. 调用模板，传入对话历史 + 当前问题
# prompt_value = chat_template.invoke({
# "history": history_data,
# "user_question": "LangChain和LangGraph的区别？"
# })
# 4. 查看最终格式化后的完整提示
# print("格式化后的完整对话消息：")
# for msg in prompt_value.messages:
# print(f"{msg.type}: {msg.content}")
# 定义模型
model = Tongyi(model="qwen-plus") # 创建模型
# result = model.invoke(input=prompt_value) # 调用模型 invoke完整输出
# print(result)
# result = model.stream(input=prompt_value) # 调用模型 stream流式输出
# for chunk in result:
# print(chunk, end="", flush=True)
# chain链式调用
chain = chat_template | model
result = chain.stream(input={
"history": history_data,
"user_question": "LangChain和LangGraph的区别？"
})
for chunk in result:
print(chunk, end="", flush=True)
运行输出：
在 LangChain 中，format 方法和 invoke 方法用于不同的目的，理解它们的区别对于正确使用 LangChain 至关重要。下面是它们的主要区别：
| 方法 | format 方法 | invoke 方法 |
|---|---|---|
| 定义 | 用于格式化输入模板或字符串，处理占位符或参数替换 | 用于执行链操作，调用链中的多个组件并返回结果 |
| 用途 | 主要用于字符串和模板的格式化，准备数据 | 主要用于实际执行链操作，通常涉及模型推理或API调用 |
| 返回值 | 返回一个格式化后的字符串 | 返回链的最终执行结果，可能是一个对象、字典或其他数据结构 |
| 输入 | 传入格式化字符串和参数，替换占位符 | 接受输入数据并调用链中的函数或模型进行处理 |
| 场景 | 用于生成输入模板，构建动态内容的场景 | 用于执行实际的数据处理、推理或交互操作的场景 |
