零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

工藤学编程2025-10-01 16:08
大家好，我是工藤学编程 🦉 一个正在努力学习的小博主，期待你的关注
实战代码系列最新文章😉 C++实现图书管理系统（Qt C++ GUI界面版）
SpringBoot实战系列🐷 【SpringBoot实战系列】SpringBoot3.X 整合 MinIO 存储原生方案
分库分表 分库分表之实战-sharding-JDBC分库分表执行流程原理剖析
消息队列 深入浅出 RabbitMQ-RabbitMQ消息确认机制（ACK）
AI大模型 零基础学AI大模型之LangChain-PromptTemplate

前情摘要：
1、零基础学AI大模型之读懂AI大模型
2、零基础学AI大模型之从0到1调用大模型API
3、零基础学AI大模型之SpringAI
4、零基础学AI大模型之AI大模型常见概念
5、零基础学AI大模型之大模型私有化部署全指南
6、零基础学AI大模型之AI大模型可视化界面
7、零基础学AI大模型之LangChain
8、零基础学AI大模型之LangChain六大核心模块与大模型IO交互链路
9、零基础学AI大模型之Prompt提示词工程
10、零基础学AI大模型之LangChain-PromptTemplate

本文章目录

零基础学AI大模型之ChatModel聊天模型与ChatPromptTemplate实战

大家好，我是工藤学编程！之前的「零基础学AI大模型」系列已经更新了9篇内容，从大模型基础概念、API调用（含SpringAI），到私有化部署、可视化界面，再到LangChain核心模块，我们一步步搭建了AI大模型的知识框架。

而在实际应用中，多轮对话 是最常见的场景------无论是客服机器人、虚拟助手，还是智能问答工具，都需要模型"记住"上下文并连贯响应。今天这篇，我们就聚焦聊天场景的核心：ChatModel聊天模型 的原理、Token计算规则，以及LangChain中如何用ChatPromptTemplate实现灵活的对话模板设计。

一、什么是ChatModel？专为多轮对话而生的智能系统

ChatModel不是简单的"文本生成工具"，而是大语言模型（LLM）针对多轮对话场景的优化版本。它能理解对话逻辑、追踪上下文，生成符合人类交互习惯的连贯回复，核心定位是"智能对话系统"而非"单次文本生成器"。

1.1 ChatModel的5大核心特性

ChatModel的优势体现在对对话场景的深度适配，具体特性如下表：

核心特性 说明 示例场景
上下文感知 自动追踪多轮对话历史，理解指代关系（如"它""这个"） 用户："什么是量子计算？"→AI解释→用户："它有什么应用？"→AI正确关联"它"指量子计算
角色扮演能力 可设定特定角色（如客服、教师），并在对话中保持角色一致性 设定"医疗助手"角色后，AI会拒绝提供诊断建议，仅输出健康科普信息
意图识别 解析用户深层需求（咨询/投诉/闲聊），优先响应核心诉求 用户："我的订单没收到！"→AI识别为"物流投诉"，自动提示"是否需要转接人工查询"
情感分析 识别用户情绪（积极/消极），动态调整回复语气 用户表达不满时，AI回复："非常抱歉给您带来不便，我们会立刻核查订单状态..."
安全过滤 内置有害内容拦截机制，避免生成暴力、偏见或敏感信息 用户请求"生成暴力教程"时，AI拒绝并提示："我无法协助该请求，请提供合法合规需求"

1.2 ChatModel vs 传统Text Model：核心差异对比

很多同学会混淆"聊天模型"和"传统文本生成模型"（如GPT-3的text-davinci-003），两者的核心目标完全不同，具体对比如下：

对比维度 ChatModel（如GPT-3.5-turbo、GPT-4） 传统Text Model（如text-davinci-003）
核心目标 多轮交互式对话，保证上下文连贯 单次文本生成（如写文章、生成代码、总结报告）
输入格式 结构化消息序列（含System/User/Assistant角色标识） 纯文本提示（无角色区分，需手动拼接上下文）
上下文处理 自动管理对话历史，无需手动传入历史文本 需开发者手动拼接所有历史对话到提示词中，否则无法识别上下文
输出控制 内置安全审查和格式约束（如拒绝违规需求、保持角色语气） 依赖复杂的提示词工程控制输出（如"不要生成暴力内容"需写在提示词里）
典型应用 客服机器人、虚拟助手、智能问答 内容创作、数据清洗、代码生成、文本摘要

二、ChatModel的角色体系：对话控制的核心

要让ChatModel精准响应，必须先理解它的角色体系------通过定义不同角色的消息，模型能明确"自己该做什么""用户要什么""历史对话是什么"。核心角色有3个：

角色类型 标识符 功能定位 使用场景示例
系统角色 System 定义AI的行为准则、角色设定、知识范围 ("system", "你是一位医疗助手，仅提供健康科普，不做诊断")
用户角色 User 承载用户的输入信息（提问、指令、反馈） ("user", "如何缓解偏头痛？")
助手角色 Assistant 存储AI的历史回复，维护对话连贯性 ("assistant", "建议通过休息、按摩太阳穴缓解，若持续需就医")

实战示例：用OpenAI API调用ChatModel

通过代码直观感受角色体系如何工作（以OpenAI的GPT-3.5-turbo为例）：

python 复制代码 
# 1. 导入依赖（需先安装openai库：pip install openai）
from openai import OpenAI

# 2. 初始化客户端（替换为你的API Key）
client = OpenAI(api_key="your-api-key")

# 3. 定义多轮对话消息（包含System/User/Assistant角色）
messages = [
    {"role": "system", "content": "你是一个电影推荐助手，只推荐经典科幻片"},
    {"role": "user", "content": "我喜欢科幻片，推荐三部经典"},
    {"role": "assistant", "content": "1.《银翼杀手2049》（视觉美学巅峰）；2.《星际穿越》（硬核科学+情感）；3.《黑客帝国》（哲学+科幻）"},
    {"role": "user", "content": "第二部的主演是谁？"}  # 模型能关联"第二部"指《星际穿越》
]

# 4. 调用ChatModel生成回复
response = client.chat.completions.create(
    model="gpt-3.5-turbo",  # 指定聊天模型
    messages=messages       # 传入带角色的对话历史
)

# 5. 输出结果
print(response.choices[0].message.content)
# 输出：《星际穿越》的主演是马修·麦康纳（饰演库珀）和安妮·海瑟薇（饰演布兰德），还有杰西卡·查斯坦等演员参演。

三、多轮对话的Token计算：别踩"上下文窗口"的坑

在使用ChatModel时，很多同学会遇到"对话突然断裂""模型忘记历史"的问题------本质是Token数量超出了模型的上下文窗口限制。这部分我们就讲清楚Token的计算逻辑和窗口限制。

3.1 上下文包含哪些内容？

多轮对话的"上下文"不是只包含用户最新的提问，而是以下三部分的总和：

  1. 系统提示（System）：始终存在，用于定义AI角色；
  2. 用户历史输入（User）：所有轮次中用户的提问/指令；
  3. 模型历史回复（Assistant）：所有轮次中AI的响应内容。

3.2 Token如何累积？

Token是模型处理文本的基本单位（1个Token≈0.75个英文单词≈0.5个中文汉字）。随着对话轮次增加，上下文的Token会不断累积。

假设每轮对话中：用户输入≈50 Token，模型回复≈100 Token，系统提示≈30 Token（固定），则Token累积过程如下：

  • 第1轮：系统提示（30）+ 用户输入（50）+ 模型回复（100）= 180 Token；
  • 第2轮：历史上下文（180）+ 新用户输入（50）+ 新模型回复（100）= 330 Token；
  • 第3轮：历史上下文（330）+ 新用户输入（50）+ 新模型回复（100）= 480 Token；
  • ... 以此类推，每轮新增约150 Token。

3.3 上下文窗口限制：不同模型的"天花板"

每个ChatModel都有固定的"上下文窗口大小"，超出后模型会"遗忘"最早的对话内容（或直接报错）。常见模型的窗口限制如下：

  • 4k Token：GPT-3.5-turbo（约2000-3000中文字符）；
  • 8k Token：GPT-4（基础版，约4000-6000中文字符）；
  • 32k Token：GPT-4 Turbo（进阶版，约16000-24000中文字符）；
  • 更大窗口：如Claude 3 Opus（100k Token），适合超长篇对话（如文档问答）。

小提示：实际开发中，建议定期"截断"早期对话（保留最近几轮），避免Token超出限制。

四、ChatPromptTemplate：LangChain中构建对话模板的利器

在LangChain框架中，ChatPromptTemplate是专门为ChatModel设计的"对话模板工具"------它能帮我们快速定义角色、管理上下文、动态替换变量，避免重复写硬编码的messages列表。

4.1 ChatPromptTemplate的核心优势

相比直接手写messages列表，ChatPromptTemplate有3个核心价值：

  1. 支持角色绑定 ：天生适配System/User/Assistant角色，无需手动写{"role": "..."}；
  2. 动态变量替换 ：通过{变量名}实现参数化（如动态修改AI名字、用户问题）；
  3. 维护多轮上下文：轻松组合历史对话模板，无需手动拼接文本。

4.2 消息类型体系：4种核心模板类

ChatPromptTemplate通过不同的"子模板类"对应不同角色，分工明确：

模板类 对应角色 典型用途
SystemMessagePromptTemplate System 定义AI的角色、规则（如"你是翻译助手"）
HumanMessagePromptTemplate User 接收用户输入（如"翻译{text}到中文"）
AIMessagePromptTemplate Assistant 预设AI的历史回复（如固定开场白"你好！"）
ChatPromptTemplate 容器模板 组合上述模板，构建完整对话流程

4.3 两个关键方法：from_template vs from_messages

ChatPromptTemplate有两个常用方法，分别对应不同的使用场景，我们通过"对比+实战"讲清楚。

方法对比表
方法 适用场景 灵活性 代码复杂度
from_messages 多角色、多轮对话（如客服机器人、虚拟助手） 高（支持列表） 低
from_template 单角色消息模板（需与其他模板组合） 较低（单角色） 低
实战1：用from_messages构建多轮对话模板

from_messages是最常用的方法，直接通过"角色+模板"的元组列表定义对话流程，支持动态变量：

python 复制代码 
# 1. 安装LangChain核心库：pip install langchain-core
from langchain_core.prompts import ChatPromptTemplate

# 2. 用from_messages定义模板（包含System/User/Assistant角色，动态变量{name}和{user_input}）
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手AI，名字是{name}，回答要简洁友好。"),  # 系统角色：动态名字
    ("human", "你好，我是用户小A！"),  # 用户角色：固定开场白
    ("ai", "你好小A！有什么我能帮你的吗？"),  # 助手角色：固定回复
    ("human", "{user_input}")  # 用户角色：动态输入
])

# 3. 格式化模板（传入变量值）
messages = chat_template.format_messages(
    name="Bob",  # 替换{name}
    user_input="你最喜欢的编程语⾔是什么？"  # 替换{user_input}
)

# 4. 输出结果（可直接传入ChatModel调用）
for msg in messages:
    print(f"角色：{msg.type} | 内容：{msg.content}")

输出结果：

复制代码 
角色：system | 内容：你是一个助手AI，名字是Bob，回答要简洁友好。
角色：human | 内容：你好，我是用户小A！
角色：ai | 内容：你好小A！有什么我能帮你的吗？
角色：human | 内容：你最喜欢的编程语⾔是什么？
实战2：结合from_template与from_messages

当需要细分单角色模板（如复杂的系统指令）时，可以先用from_template定义单个角色模板，再用from_messages组合：

python 复制代码 
from langchain_core.prompts import (
    ChatPromptTemplate,
    SystemMessagePromptTemplate,  # 系统角色子模板
    HumanMessagePromptTemplate   # 用户角色子模板
)

# 1. 用from_template定义单角色模板（支持动态变量{role}、{language}、{question}）
system_template = SystemMessagePromptTemplate.from_template(
    "你是一个{role}，必须用{language}回答，回答不超过3句话。"
)
user_template = HumanMessagePromptTemplate.from_template(
    "{question}"
)

# 2. 用from_messages组合子模板
chat_template = ChatPromptTemplate.from_messages([
    system_template,  # 导入系统子模板
    user_template     # 导入用户子模板
])

# 3. 格式化模板
messages = chat_template.format_messages(
    role="翻译助手",
    language="中文",
    question="将'I love programming with Python'翻译成中文。"
)

# 4. 输出结果
for msg in messages:
    print(f"角色：{msg.type} | 内容：{msg.content}")

输出结果：

复制代码 
角色：system | 内容：你是一个翻译助手，必须用中文回答，回答不超过3句话。
角色：human | 内容：将'I love programming with Python'翻译成中文。

五、总结：ChatModel与ChatPromptTemplate的核心价值

  1. ChatModel：解决了"多轮对话连贯性"问题，通过角色体系和上下文感知，让AI从"单次文本生成器"变成"能聊天的智能助手"；
  2. Token计算：记住"上下文=系统提示+历史对话"，避免超出模型窗口限制（如GPT-3.5-turbo的4k Token）；
  3. ChatPromptTemplate ：LangChain中的"对话模板神器"，用from_messages快速构建多轮对话，用from_template细分单角色逻辑，大幅提升开发效率。

如果觉得本文有用，欢迎点赞+收藏+评论，你的支持是我更新的最大动力～ 🚀

相关推荐
WWZZ20252 分钟前
快速上手大模型：机器学习3（多元线性回归及梯度、向量化、正规方程）
人工智能·算法·机器学习·机器人·slam·具身感知
deephub24 分钟前
深入BERT内核:用数学解密掩码语言模型的工作原理
人工智能·深度学习·语言模型·bert·transformer
PKNLP24 分钟前
BERT系列模型
人工智能·深度学习·bert
兰亭妙微1 小时前
ui设计公司审美积累 | 金融人工智能与用户体验 用户界面仪表盘设计
人工智能·金融·ux
AKAMAI2 小时前
安全风暴的绝地反击 ：从告警地狱到智能防护
运维·人工智能·云计算
岁月宁静2 小时前
深度定制：在 Vue 3.5 应用中集成流式 AI 写作助手的实践
前端·vue.js·人工智能
galaxylove2 小时前
Gartner发布数据安全态势管理市场指南：将功能扩展到AI的特定数据安全保护是DSPM发展方向
大数据·人工智能
格林威2 小时前
偏振相机在半导体制造的领域的应用
人工智能·深度学习·数码相机·计算机视觉·视觉检测·制造
晓枫-迷麟3 小时前
【文献阅读】当代MOF与机器学习
人工智能·机器学习
来酱何人3 小时前
实时NLP数据处理：流数据的清洗、特征提取与模型推理适配
人工智能·深度学习·分类·nlp·bert
热门推荐
01GitHub 镜像站点02BongoCat - 跨平台键盘猫动画工具03UV安装并设置国内源04Linux下V2Ray安装配置指南05GitLab 零基础入门指南：从安装到项目管理全流程06NVIDIA显卡驱动、CUDA、cuDNN 和 TensorRT 版本匹配指南07一文了解国产算子编程语言 TileLang，TileLang 对国产开源生态的影响与启示082025软件测试面试八股文（含答案+文档）09Labelme从安装到标注：零基础完整指南10在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）