本案例通过精心设计的提示模板，将历史对话内容与用户指令有机组合，引导模型生成精准的对话摘要。这种设计模拟了真实对话场景：模型既能回顾之前的交流内容，又能理解当前提出的总结要求，从而输出符合预期的结果。
消息模板：对话结构的骨架设计
聊天提示模板是整个流程的骨架，它定义了信息的组织方式。模板包含两个关键元素：对话历史占位符和总结指令。占位符如同一个可伸缩的插槽，能够动态容纳任意轮次的历史消息；总结指令则明确告知模型当前任务目标。这种前后分明的结构确保模型不会混淆历史内容与当前指令，为生成准确摘要奠定基础。
消息类型：角色区分的语义价值
LangChain 要求每条消息必须明确标识发言者角色，人类消息与人工智能消息采用不同的类型封装。这种角色区分并非形式主义，而是具有重要的语义价值。模型依赖这些标识来理解对话的流向与逻辑，例如分辨哪些内容是用户提问、哪些是系统回答。在总结过程中，这种角色信息帮助模型保留对话的交互本质，而非简单拼接文本片段。
参数化设计：灵活复用的关键技巧
总结指令中的字数要求被设计为可替换变量，这是提示工程中的重要技巧。通过参数化，同一套模板能够适应不同场景需求：十字段落适合快速浏览，百字段落适合详细回顾。这种设计避免了为每种需求重复编写模板，实现"一次定义，多次复用"，显著提升开发效率与系统可维护性。
看代码：
from langchain.prompts import (
ChatPromptTemplate, # 构建多轮对话提示模板
HumanMessagePromptTemplate, # 构造用户消息模板
MessagesPlaceholder, # 占位历史对话消息
)
from langchain_core.messages import AIMessage, HumanMessage # 定义消息类型
from langchain_openai import ChatOpenAI # 适配 OpenAI 风格的聊天模型
from langchain_core.output_parsers import StrOutputParser # 将模型输出转为纯文本
import os # 用于安全读取环境变量
# =============================================================================
# 步骤 1：构建对话总结提示模板
# =============================================================================
# 用户指令模板：要求模型用指定字数总结对话历史
SUMMARY_INSTRUCTION = "用 {word_count} 字总结我们迄今为止的对话。"
# 创建用户消息模板（支持变量替换）
summary_message_template = HumanMessagePromptTemplate.from_template(SUMMARY_INSTRUCTION)
# 组装完整聊天模板：
# 1. 先插入历史对话（通过 MessagesPlaceholder 动态填充）
# 2. 再追加用户总结指令
chat_prompt_template = ChatPromptTemplate.from_messages(
[
MessagesPlaceholder(variable_name="conversation"), # 历史对话占位符
summary_message_template, # 总结指令
]
)
# =============================================================================
# 步骤 2：模拟多轮对话历史（用于测试）
# =============================================================================
# 用户提问
user_query = HumanMessage(content="学习编程最好的方法是什么?")
# AI 回答（结构化建议）
ai_response = AIMessage(
content="""\
1. 选择编程语言：决定您想要学习的编程语言。
2. 从基础开始：熟悉变量、数据类型和控制结构等基本编程概念。
3. 练习、练习、再练习：学习编程的最好方法是通过实践经验。\
"""
)
# 构建对话历史列表
conversation_history = [user_query, ai_response]
# =============================================================================
# 步骤 3：调试 - 查看最终发送给模型的提示消息（可选）
# =============================================================================
# 格式化模板，替换变量，生成实际消息列表
formatted_messages = chat_prompt_template.format_prompt(
conversation=conversation_history,
word_count="10"
).to_messages()
print("=" * 60)
print("【调试】发送给模型的完整消息序列：")
for idx, msg in enumerate(formatted_messages, 1):
role = "User" if isinstance(msg, HumanMessage) else "AI"
print(f"{idx}. [{role}] {msg.content}")
print("=" * 60)
# =============================================================================
# 步骤 4：初始化语言模型（DeepSeek）
# =============================================================================
llm = ChatOpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"), # 从环境变量读取 API 密钥（更安全）
base_url=os.getenv("DEEP_URL"), # 从环境变量读取 DeepSeek 的 API 基础地址
model="deepseek-v3:671b", # 指定使用的模型名称
temperature=0.7, # 控制生成文本的随机性（0~1，值越高越有创造性）
max_tokens=1024 # 限制模型最大输出长度（以 token 为单位）
)
# =============================================================================
# 步骤 5：构建处理链（Prompt → LLM → Parser）
# =============================================================================
# 链式流程：输入变量 → 提示模板 → 语言模型 → 字符串解析
summary_chain = chat_prompt_template | llm | StrOutputParser()
# =============================================================================
# 步骤 6：执行链式调用，生成对话总结
# =============================================================================
# 调用链，传入对话历史与字数要求
summary_result = summary_chain.invoke({
"conversation": conversation_history,
"word_count": "10" # 要求 10 字总结
})
# 输出结果
print("\n【生成结果】对话总结（10 字）：")
print("-" * 60)
print(summary_result)
print("-" * 60)输出的结果：
============================================================
【调试】发送给模型的完整消息序列：
-
User\] 学习编程最好的方法是什么?
-
从基础开始：熟悉变量、数据类型和控制结构等基本编程概念。
-
练习、练习、再练习：学习编程的最好方法是通过实践经验。
-
User\] 用 10 字总结我们迄今为止的对话。
【生成结果】对话总结（10 字）：
<think>
好的，用户让我用10个字总结我们迄今为止的对话。首先，我需要回顾之前的对话内容。用户最初问的是学习编程最好的方法，我给出了三点建议：选择语言、从基础开始、多练习。然后用户现在要求总结，要求是10个字。
首先，我需要确保总结涵盖主要点。原回答的三个要点是选择语言、基础概念、实践练习。但10个字可能不够详细，需要更简洁。可能需要用更简练的词汇，比如"学编程需选语言、基础、实践"这样可能超过10字。需要精简。
可能的组合："学编程：选语言，基础，实践。" 这样刚好10个字。检查是否准确：选语言对应第一步，基础对应第二步，实践对应第三步。是的，涵盖了主要点。另外，用户可能希望总结既简洁又准确，所以需要确保没有遗漏关键信息。同时，用户可能希望总结能让人一看就明白核心内容，所以用冒号和逗号分隔可能更清晰。确认字数是否符合，中文每个字和标点算一个字符。这里"学编程：选语言，基础，实践。"正好10个字符（包括标点）。所以这个应该是合适的。
</think>
学编程：选语言，基础，实践。