零基础看懂 ChatPromptTemplate：从"手动拼字符串"到"专业模板"的进化之路
一句话总结：ChatPromptTemplate 是 LangChain 中专门用来组装聊天消息的"模板引擎"，它能让你像填空题一样，把变量插进预设的对话结构里，告别手动拼接字符串的混乱时代。
一、为什么需要它？先看一个"翻车现场"
想象你要让 AI 扮演一个"暴躁的代码审查员"，审查一段代码。最原始的做法是手动拼字符串：
# ❌ 原始人写法：手动拼接，极易出错language="Python"code="def add(a, b): return a + b"prompt=f""" 你是一个暴躁的代码审查员。 请用{language}的视角审查以下代码：{code}要求：1. 指出问题 2. 骂得狠一点 """问题在哪？
- 角色、指令、代码全混在一起，改一处可能牵一发而动全身
- 如果对话有"历史记录"，拼接起来更是灾难
- 无法复用，每次都要重新写一遍格式
二、ChatPromptTemplate 是什么？
它是 LangChain 提供的"聊天消息组装器"，核心思想：
把对话拆成"角色 + 内容"的消息块，留出变量占位符，最后统一填充。
fromlangchain.promptsimportChatPromptTemplate# ✅ 现代写法：结构清晰，像填空题template=ChatPromptTemplate.from_messages([("system","你是一个{personality}的代码审查员。"),# 系统消息：设定角色("human","请用{language}的视角审查这段代码：\n{code}"),# 人类消息：用户输入])对比一目了然：
维度 手动拼接字符串 ChatPromptTemplate
结构 一锅粥 分角色、分消息块
复用 复制粘贴 定义一次，多次填充
维护 改一处崩全局 改模板不影响调用逻辑
扩展 地狱难度 轻松加消息、加变量
三、核心概念：三种"消息角色"
聊天模型（如 GPT-4、Claude）只认三种身份牌：
system—— “幕后导演”
设定 AI 的身份、语气、规则。用户看不到，但 AI 全程照做。
fromlangchain.promptsimportChatPromptTemplate template=ChatPromptTemplate.from_messages([("system","你是一位{style}的厨师，只做{ cuisine }菜。"),("human","我想学做{ dish }"),])# 填充变量，生成最终消息列表messages=template.invoke({"style":"严厉","cuisine":"川菜","dish":"麻婆豆腐"})print(messages)# 输出：# [# SystemMessage(content='你是一位严厉的厨师，只做川菜。'),# HumanMessage(content='我想学做麻婆豆腐')# ]human/user—— “提问的顾客”
就是用户的输入。可以带变量，也可以纯文本。
template=ChatPromptTemplate.from_messages([("system","你是翻译官，把用户的话翻译成{target_lang}。"),("human","{user_input}"),# 变量占位])result=template.invoke({"target_lang":"日语","user_input":"今天天气真好"})# HumanMessage(content='今天天气真好')ai/assistant—— “假装 AI 已经说过的话”
这是精髓！ 用来构造"少样本示例（Few-shot）"，让 AI 模仿特定格式。
template=ChatPromptTemplate.from_messages([("system","你是一个情感分析器，只输出'正面'或'负面'。"),# 👇 假装这是上一轮对话：用户问，AI 答("human","这部电影太棒了！"),("ai","正面"),("human","浪费了我两个小时。"),("ai","负面"),# 👇 真正的用户输入("human","{text}"),])result=template.invoke({"text":"主角演技炸裂"})# 模型看到历史示例后，大概率输出：正面四、四种创建方式（从简到繁）
方式 1：元组列表（最常用，推荐⭐）
fromlangchain.promptsimportChatPromptTemplate template=ChatPromptTemplate.from_messages([("system","你是{role}，擅长{skill}。"),("human","请帮我{task}"),])messages=template.invoke({"role":"前端专家","skill":"React","task":"优化一个渲染卡顿的组件"})方式 2：Message 对象（更灵活，可加额外参数）
fromlangchain.promptsimportChatPromptTemplatefromlangchain.prompts.chatimportSystemMessagePromptTemplate,HumanMessagePromptTemplate system_template=SystemMessagePromptTemplate.from_template("你是{role}，语气要{tone}。")human_template=HumanMessagePromptTemplate.from_template("帮我{task}")chat_prompt=ChatPromptTemplate.from_messages([system_template,human_template])方式 3：字符串直接转（适合单轮简单场景）
fromlangchain.promptsimportChatPromptTemplate# 只有一个消息时，默认当作 human 消息template=ChatPromptTemplate.from_template("把这句话翻译成{lang}：{text}")messages=template.invoke({"lang":"英语","text":"你好世界"})方式 4：混合使用（历史记录 + 新输入）
fromlangchain_core.messagesimportAIMessage,HumanMessage# 从真实的聊天历史构造history=[HumanMessage(content="你好"),AIMessage(content="你好！有什么可以帮你的吗？"),]template=ChatPromptTemplate.from_messages([("system","你是客服机器人。"),*history,# 展开历史记录("human","{new_question}"),# 最新问题])messages=template.invoke({"new_question":"怎么退款？"})五、实战案例：从简单到复杂
案例 1：带格式的代码审查（基础用法）
fromlangchain.promptsimportChatPromptTemplate template=ChatPromptTemplate.from_messages([("system","""你是一位{style}的{language}代码审查专家。 审查规则： 1. 检查是否有空指针风险 2. 检查是否有性能隐患 3. 用{style}的语气给出建议"""),("human","""请审查以下代码： ```{language} {code} ```"""),])# 使用messages=template.invoke({"style":"温和但犀利","language":"Java","code":""" public String getName(User user) { return user.getProfile().getName(); } """})# 可以直接传给模型# response = model.invoke(messages)案例 2：动态 Few-shot 学习（让 AI 模仿格式）
假设你要让 AI 从非结构化文本中提取"人物-关系"对，并且严格按 JSON 格式输出：
template=ChatPromptTemplate.from_messages([("system","你是一个信息抽取助手。从文本中提取人物关系，只输出 JSON 数组，不要解释。"),# 示例 1("human","文本：小明是小红的哥哥，他们一起去了公园。"),("ai",'[{"person1": "小明", "relation": "哥哥", "person2": "小红"}]'),# 示例 2("human","文本：张三是李四的老板，王五是他们公司的客户。"),("ai",'[{"person1": "张三", "relation": "老板", "person2": "李四"}, {"person1": "王五", "relation": "客户", "person2": "公司"}]'),# 真实输入("human","文本：{input_text}"),])result=template.invoke({"input_text":"曹操是刘备的敌人，关羽是刘备的结拜兄弟。"})# AI 会模仿前面的 JSON 格式输出，而不是胡说八道案例 3：多轮对话记忆（结合历史记录）
fromlangchain_core.messagesimportAIMessage,HumanMessage# 假设这是从数据库取出的历史记录chat_history=[HumanMessage(content="我想订一张去上海的机票"),AIMessage(content="好的，请问您想哪天出发？"),HumanMessage(content="明天"),AIMessage(content="明天上午 9 点有一班，可以吗？"),]template=ChatPromptTemplate.from_messages([("system","你是航空公司客服，叫小助手。"),*chat_history,("human","{input}"),])messages=template.invoke({"input":"可以，帮我订了吧"})# 模型能根据上下文理解"可以"指的是"上午 9 点那班"案例 4：条件分支（根据变量动态改变提示词）
template=ChatPromptTemplate.from_messages([("system","你是{level}教程作者，用{level}的语言解释概念。"),("human","请解释什么是{concept}"),])# 同一套模板，不同变量 = 完全不同的风格beginner=template.invoke({"level":"零基础","concept":"递归"})# 系统消息：你是零基础教程作者，用零基础的语言解释概念。expert=template.invoke({"level":"资深工程师","concept":"递归"})# 系统消息：你是资深工程师教程作者，用资深工程师的语言解释概念。六、高级技巧
技巧 1：部分填充（Partial Variables）
有些变量是固定的，不想每次调用都传：
template=ChatPromptTemplate.from_messages([("system","你是{role}，使用{language}回答问题。"),("human","{question}"),])# 先绑定固定变量partial_template=template.partial(role="Python 专家",language="中文")# 之后只需要传变化的 questionmessages=partial_template.invoke({"question":"怎么写装饰器？"})技巧 2：管道组合（Pipeline）
可以把模板和模型串成流水线：
fromlangchain_openaiimportChatOpenAI model=ChatOpenAI(model="gpt-4")# 模板 + 模型 = 一个完整的链chain=template|model# 直接传入变量，自动经过模板格式化再传给模型response=chain.invoke({"role":"诗人","language":"中文","question":"写一首关于春天的诗"})技巧 3：MessagePlaceholder（插入任意消息列表）
当你不知道历史记录有多少条时：
fromlangchain.promptsimportMessagesPlaceholder template=ChatPromptTemplate.from_messages([("system","你是客服机器人。"),MessagesPlaceholder(variable_name="history"),# 这里会插入任意数量的消息("human","{input}"),])# history 可以传一个消息列表messages=template.invoke({"history":[HumanMessage(content="你好"),AIMessage(content="您好！有什么可以帮您？"),HumanMessage(content="查一下订单"),],"input":"订单号 12345"})七、常见坑与解决方案
坑 现象 解决
变量名写错KeyError: 'langauge'仔细检查占位符{}里的名字
忘记invoke得到的是模板对象，不是消息 必须调用.invoke(variables)
单双引号混乱 JSON 里的引号和 f-string 冲突 用from_messages的元组写法，避免手动转义
历史记录顺序错 AI 回答错乱 确保是 human/ai/human/ai 交替
变量是列表/对象 直接插进去变成<object>先用json.dumps()转成字符串
八、总结：一张图看懂流程
┌─────────────────┐ ┌──────────────────┐ ┌─────────────┐ │ 定义模板 │ → │ 填充变量 │ → │ 发给模型 │ │ │ │ │ │ │ │ system: 你是{role}│ │ role="医生" │ │ SystemMessage│ │ human: 帮我{task} │ │ task="看报告" │ │ HumanMessage │ │ │ │ │ │ │ │ ChatPromptTemplate│ │ .invoke() │ │ model.invoke()│ └─────────────────┘ └──────────────────┘ └─────────────┘核心口诀：
角色分清楚，变量留占位，调用 invoke 填，直接丢给模型算。
