LangChain 能力详解!：核心组件入门——消息、提示词模板与 Few-Shot 少样本!

目录

一、核心组件概述

二、Messages：聊天模型中的消息

1. LangChain 中的消息类型

2. AIMessage 中有哪些内容

三、多轮对话与历史消息

1. 没有历史消息时

2. 手动携带历史消息

3. 历史消息为什么需要管理

4. 使用 trim_messages 裁剪消息

四、PromptTemplate：字符串提示词模板

1. 模板的核心结构

2. 模板为什么重要

五、ChatPromptTemplate：聊天消息模板

六、MessagesPlaceholder：消息占位符

七、Few-Shot：少样本提示

1. Few-Shot 示例

2. Few-Shot 的适用场景

3. Few-Shot 的注意点

八、Few-Shot 示例选择器

1. 语义相似度选择

2. MMR：最大边际相关性

九、总结

LangChain 的核心并不只是“调用模型”。
它更重要的价值，是将消息、提示词、模型、解析器、检索器等能力标准化，让开发者可以像搭积木一样构建 LLM 应用。

一、核心组件概述

LangChain 中有很多核心组件，例如：

• Messages；
• Prompt Templates；
• Output Parsers；
• Document Loaders；
• Text Splitters；
• Embeddings；
• Vector Stores；
• Retrievers。

这些组件看起来很多，但本质上都围绕一个目标：

让大模型的输入更规范 让大模型的输出更稳定 让大模型能够使用外部知识 让整个调用流程更容易组合和维护

本篇先学习前三个基础组件：

消息 Messages ↓ 提示词模板 PromptTemplate ↓ 少样本提示 Few-Shot Prompting

二、Messages：聊天模型中的消息

聊天模型并不是简单接收一段字符串，而是接收一组消息。每条消息通常包括：

• 角色 Role；
• 内容 Content；
• 元数据 Metadata；
• 工具调用信息 Tool Calls；
• Token 使用信息 Usage Metadata。

常见角色如下：

1. LangChain 中的消息类型

LangChain 对不同模型厂商的消息格式进行了统一封装。

示例：

from langchain_core.messages import ( SystemMessage, HumanMessage, AIMessage ) messages = [ SystemMessage(content="你是一名专业的 Java 后端工程师。"), HumanMessage(content="什么是 IOC？"), AIMessage(content="IOC 是控制反转，是 Spring 的核心思想之一。"), HumanMessage(content="那 DI 又是什么？") ]

将消息交给模型：

from langchain_openai import ChatOpenAI model = ChatOpenAI(model="gpt-4o-mini") result = model.invoke(messages) print(result.content)

2.AIMessage中有哪些内容

模型调用后返回的通常是AIMessage。其中常用属性包括：

print(result.content) print(result.response_metadata) print(result.usage_metadata) print(result.tool_calls)

含义如下：

如果模型没有调用工具，tool_calls通常为空列表。

三、多轮对话与历史消息

很多人第一次接触 LLM 时都会问：

模型能记住我上一句话吗？

严格来说，模型并不会自动保存会话记忆。每次调用模型时，模型只能看到本次请求发送给它的内容。

1. 没有历史消息时

from langchain_openai import ChatOpenAI from langchain_core.messages import HumanMessage model = ChatOpenAI(model="gpt-4o-mini") result1 = model.invoke([ HumanMessage(content="你好，我叫小明") ]) print(result1.content) result2 = model.invoke([ HumanMessage(content="我叫什么名字？") ]) print(result2.content)

第二次调用中，模型没有收到“小明”这条信息，所以无法回答。

2. 手动携带历史消息

from langchain_core.messages import ( HumanMessage, AIMessage ) messages = [ HumanMessage(content="你好，我叫小明"), AIMessage(content="你好，小明，很高兴认识你。"), HumanMessage(content="我叫什么名字？") ] result = model.invoke(messages) print(result.content)

这样模型才能根据历史消息回答：

你叫小明。

3. 历史消息为什么需要管理

多轮对话越多，消息列表会越长。

系统消息 + 第一轮用户问题 + 第一轮模型回答 + 第二轮用户问题 + 第二轮模型回答 + ...

问题在于：

• 上下文窗口有限；
• Token 成本会持续增加；
• 太多旧消息会干扰当前任务；
• 模型可能无法聚焦真正重要的信息。

因此，历史消息管理通常包括：

• 保留最近几轮对话；
• 删除无关消息；
• 对旧对话做摘要；
• 按 Token 数量裁剪；
• 将会话状态存入 Redis、数据库或 LangGraph。

4. 使用trim_messages裁剪消息

from langchain_core.messages import ( HumanMessage, AIMessage, SystemMessage, trim_messages ) messages = [ SystemMessage(content="你是一个技术助手。"), HumanMessage(content="你好，我叫小明。"), AIMessage(content="你好，小明。"), HumanMessage(content="我喜欢学习 Python。"), AIMessage(content="Python 很适合入门编程。"), HumanMessage(content="我叫什么名字？") ] trimmer = trim_messages( max_tokens=100, strategy="last", token_counter=model, include_system=True ) trimmed_messages = trimmer.invoke(messages) result = model.invoke(trimmed_messages) print(result.content)

这里的核心思想是：

保留系统消息和较新的对话内容，适当裁剪过早的历史消息。

四、PromptTemplate：字符串提示词模板

如果项目中需要频繁生成类似提示词，手动拼接字符串会很麻烦。

city = "西安" prompt = f"请介绍一下{city}的历史，并列出三个著名景点。"

如果换一个城市，就要重新拼接。LangChain 提供了PromptTemplate。

from langchain_core.prompts import PromptTemplate prompt_template = PromptTemplate.from_template( "请使用{language}介绍{city}的历史，并列出三个著名景点。" ) prompt_value = prompt_template.invoke({ "language": "中文", "city": "西安" }) print(prompt_value.text)

输出：

请使用中文介绍西安的历史，并列出三个著名景点。

1. 模板的核心结构

PromptTemplate( template="请介绍{city}的历史", input_variables=["city"] )

• template：固定文本和变量占位符；
• input_variables：模板需要传入的变量名称。

2. 模板为什么重要

提示词模板的价值包括：

• 提高复用性；
• 统一 Prompt 格式；
• 将业务数据与提示词逻辑分离；
• 更方便版本管理和维护；
• 更容易构建复杂 LCEL 链。

五、ChatPromptTemplate：聊天消息模板

对于聊天模型，更常见的是ChatPromptTemplate。它可以一次性定义系统消息、用户消息、AI 消息等结构。

from langchain_core.prompts import ChatPromptTemplate prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是一名{role}。请使用简洁、专业的语言回答。"), ("human", "{question}") ]) prompt_value = prompt_template.invoke({ "role": "Python 开发工程师", "question": "什么是生成器？" }) messages = prompt_value.to_messages() print(messages)

输出结果会包含：

SystemMessage(...) HumanMessage(...)

接下来可以将模板直接接入模型：

from langchain_openai import ChatOpenAI from langchain_core.output_parsers import StrOutputParser model = ChatOpenAI(model="gpt-4o-mini") chain = prompt_template | model | StrOutputParser() result = chain.invoke({ "role": "Python 开发工程师", "question": "什么是生成器？" }) print(result)

这就是 LCEL 的一个典型链式写法。

六、MessagesPlaceholder：消息占位符

有时 Prompt 中不只是插入一个字符串，而是需要动态插入多条消息。例如聊天历史：

系统消息 + 历史对话 + 当前用户问题

这时可以使用MessagesPlaceholder。

from langchain_core.prompts import ( ChatPromptTemplate, MessagesPlaceholder ) from langchain_core.messages import ( HumanMessage, AIMessage ) prompt_template = ChatPromptTemplate.from_messages([ ("system", "你是一名耐心的编程助手。"), MessagesPlaceholder(variable_name="history"), ("human", "{question}") ]) history = [ HumanMessage(content="什么是 Redis？"), AIMessage(content="Redis 是一个高性能内存数据库。") ] prompt_value = prompt_template.invoke({ "history": history, "question": "Redis 可以做缓存吗？" }) for message in prompt_value.to_messages(): print(message)

最终结构大致如下：

SystemMessage：你是一名耐心的编程助手。 HumanMessage：什么是 Redis？ AIMessage：Redis 是一个高性能内存数据库。 HumanMessage：Redis 可以做缓存吗？

消息占位符常用于：

• 多轮对话历史；
• RAG 检索结果；
• Few-Shot 示例；
• 工具调用结果；
• 动态注入系统上下文。

七、Few-Shot：少样本提示

Few-Shot Prompting，即少样本提示。它的思想是：

不只是告诉模型“做什么”，还给模型几个“正确示例”，让模型模仿示例完成任务。

例如，我们希望模型判断评论情绪。直接提问：

判断下面评论的情绪：物流很慢，但是商品质量很好。

模型可能会回答“中性”“积极”或“混合”，结果不一定稳定。如果先给它一些示例：

输入：商品很好，物流很快 输出：积极 输入：质量太差，再也不会买了 输出：消极 输入：物流很慢，但是商品质量很好 输出：

模型会更容易理解我们的分类规则和输出格式。

1. Few-Shot 示例

from langchain_core.prompts import ( ChatPromptTemplate, FewShotChatMessagePromptTemplate ) examples = [ { "input": "商品很好，物流很快", "output": "积极" }, { "input": "质量太差，再也不会买了", "output": "消极" }, { "input": "整体一般，没有特别惊喜", "output": "中性" } ] example_prompt = ChatPromptTemplate.from_messages([ ("human", "{input}"), ("ai", "{output}") ]) few_shot_prompt = FewShotChatMessagePromptTemplate( examples=examples, example_prompt=example_prompt ) final_prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个商品评论情绪分类助手，只返回：积极、消极或中性。"), few_shot_prompt, ("human", "{input}") ])

调用：

model = ChatOpenAI(model="gpt-4o-mini") chain = final_prompt | model | StrOutputParser() result = chain.invoke({ "input": "价格比较贵，但做工不错。" }) print(result)

2. Few-Shot 的适用场景

Few-Shot 很适合：

• 文本分类；
• 信息抽取；
• 格式化输出；
• 特定写作风格；
• 特定业务规则；
• 多步骤推理任务；
• 难以通过一句话描述清楚的任务。

3. Few-Shot 的注意点

Few-Shot 并不是示例越多越好。

示例过多会导致：

• Token 消耗上升；
• 调用成本提高；
• 上下文窗口被占用；
• 模型被无关示例干扰。

一个高质量示例应该具备：

• 与真实输入相似；
• 格式清晰；
• 覆盖典型情况；
• 包含边界情况；
• 不包含互相矛盾的规则。

八、Few-Shot 示例选择器

实际项目中，示例可能有几百条甚至几千条，不可能全部放进 Prompt。因此需要根据当前问题，挑选最适合的几个示例。

常见策略包括：

1. 语义相似度选择

例如有以下示例：

示例 1：如何学习 Python？ 示例 2：Python 入门应该看什么书？ 示例 3：Java 项目如何部署？

如果当前问题是：

Python 初学者如何开始学习？

那么应该优先选择示例 1 和示例 2。

语义相似度选择的核心是：

当前问题向量 ↓ 与示例库中的向量计算相似度 ↓ 挑选最相近的 K 个示例

2. MMR：最大边际相关性

如果只根据相似度选择，可能得到三条内容非常相近的示例。

MMR 的作用是：

既选择和当前问题相关的示例 又避免多个示例内容过于重复

它在 RAG 和 Few-Shot 中都很常见。

九、总结

本文学习了 LangChain 的前三个核心组件。

1. Messages：聊天模型输入和输出的标准单位；
2. PromptTemplate：构建可复用的字符串提示词；
3. ChatPromptTemplate：构建多角色消息模板；
4. MessagesPlaceholder：动态插入历史消息或上下文；
5. Few-Shot：通过示例约束模型行为；
6. 示例选择器：从大量示例中动态挑选最相关的内容。

下一篇将继续学习输出解析、RAG、文档加载、文本分割、向量化和检索器。