本页目录
LangChain v1Note 02

第 1 章：Prompt 与消息模板

学习目标

全部笔记查看源文档

学习目标

用 ChatPromptTemplate 把稳定指令、对话历史和本次问题组合为消息列表，而不是在每个节点手写 f-string。

核心机制

ChatPromptTemplate 是一个 Runnable：输入变量字典，输出可交给 chat model 的 ChatPromptValue。from_messages 接受角色和模板；MessagesPlaceholder 专门插入已有 HumanMessage、AIMessage、ToolMessage 列表；partial 预填不会随调用变化的变量。

prompt = ChatPromptTemplate.from_messages([
    ("system", "你面向 {audience} 回答。"),
    MessagesPlaceholder("history", optional=True),
    ("human", "{question}"),
]).partial(audience="Python 初学者")

数据流是 dict -> ChatPromptValue(messages) -> AIMessage。变量缺失会在格式化阶段报错；placeholder 的 optional=True 只适用于确实允许没有历史的场景。

与当前项目的关系

src/open_deep_research/prompts.py 目前存放普通字符串模板，节点用 .format(...) 后再创建 HumanMessage/SystemMessage。这是可行的，但当模板要混入多轮消息、工具消息或复用 partial 变量时，ChatPromptTemplate 更不易漏角色或漏变量。不要把 Runtime.context.api_keys、token、完整用户档案放入模板变量。

最小真实调用

运行 01_prompt_templates.py：

uv run python docs/langchain/examples/01_prompt_templates.py

它调用一次模型，验证 history 被保留为消息、audience/style 被 partial 预填，并通过 StrOutputParser 将最终 AIMessage.content 转成字符串。

常见误区

  • 把 MessagesPlaceholder 当字符串插槽：它应接收消息序列，不能直接接未序列化的工具结果 dict。
  • 把所有用户资料拼进 system prompt：只传模型回答需要的脱敏字段；身份和凭据仍在 Runtime.context。
  • 把模板当安全边界：模板只格式化数据，不能自动防 prompt injection 或数据泄露。

官方参考：ChatPromptTemplate。

相关资源

  • 查看示例代码：docs/langchain/examples/01_prompt_templates.py 
    """Chapter 1: prompt templates and message placeholders."""

import asyncio

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

from open_deep_research.configuration import Configuration


load_dotenv()


async def main():
    settings = Configuration.from_env()
    prompt = ChatPromptTemplate.from_messages(
        [
            ("system", "你是面向 {audience} 的 LangChain 助手。回答要 {style}。"),
            MessagesPlaceholder("history", optional=True),
            ("human", "{question}"),
        ]
    ).partial(audience="Python 初学者", style="简洁且准确")

    chain = prompt | init_chat_model(
        model=settings.research_model,
        max_tokens=120,
    ) | StrOutputParser()
    answer = await chain.ainvoke(
        {
            "history": [
                HumanMessage(content="我在学习 LangChain。"),
                AIMessage(content="好的。"),
            ],
            "question": "ChatPromptTemplate 的作用是什么？",
        }
    )
    print("模型回答: " + answer)


if __name__ == "__main__":
    asyncio.run(main())