在前节中，学习了
PromptTemplate（通用模板）和
FewShotPromptTemplate（示例模板）。它们非常适合处理单次任务，比如翻译、摘要或问答。但是，当我们构建一个聊天机器人 时，情况就变了。用户会说："再写一首"，这时候模型必须知道"上一首是什么"才能接得上话。这就需要我们引入历史会话信息（History） 。
普通的
PromptTemplate只能处理简单的字符串变量，无法优雅地处理动态增长的对话列表。这时，就需要主角登场了：
ChatPromptTemplate。
🧠 三大模板对比
在 LangChain 中，我们有三种主要的提示词模板，各司其职：
| 模板类型 | 核心作用 | 适用场景 |
|---|---|---|
| PromptTemplate | 注入简单变量 (String) | 单次任务：翻译、提取信息 |
| FewShotPromptTemplate | 注入示例数据 (Examples) | 复杂推理、格式模仿 |
| ChatPromptTemplate | 注入历史消息 (Messages) | 多轮对话、角色扮演、Agent |
💡 关键区别：
PromptTemplate.from_template()接收单个字符串。ChatPromptTemplate.from_messages()接收消息列表，可以包含 System、Human、AI 等多种角色。
💻 实战案例：作诗机器人的多轮对话
我们将构建一个诗人 AI。用户先让它写一首唐诗，它写了；然后用户说"再来一首"，它需要基于之前的语境继续创作。
代码实现
python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi
# ---------------------------------------------------------
# 第一步：定义聊天模板
# 使用 from_messages 接收一个列表
# ---------------------------------------------------------
chat_prompt_template = ChatPromptTemplate.from_messages(
[
("system", "你是一个专业的诗人，可以作诗。"),
# 关键点：使用 MessagesPlaceholder 预留历史对话的位置
MessagesPlaceholder(variable_name="history"),
("human", "请再来一首"),
]
)
# ---------------------------------------------------------
# 第二步：准备历史对话数据
# 这是一个动态列表，随着对话进行会越来越长
# 格式通常为：(role, content) 元组列表
# ---------------------------------------------------------
history_data = [
("human", "写一首唐诗"),
("ai", "锄禾日当午，汗滴禾下土。谁知盘中餐，粒粒皆辛苦。"),
("human", "好诗再来一个"),
("ai", "床前明月光，疑是地上霜。举头望明月，低头思故乡。"),
]
# ---------------------------------------------------------
# 第三步：生成提示词 (必须使用 invoke!)
# 将 history_data 注入到 "history" 占位符中
# ---------------------------------------------------------
# .to_string() 是为了打印查看方便，实际传给 ChatModel 时可以省略
prompt_value = chat_prompt_template.invoke(input={"history": history_data})
prompt_text = prompt_value.to_string()
print("📝 组装后的完整提示词预览：\n")
print(prompt_text)
print("\n" + "="*50 + "\n")
# ---------------------------------------------------------
# 第四步：调用聊天模型
# ---------------------------------------------------------
model = ChatTongyi(model="qwen-max")
# 注意：ChatModel 最好直接接收 prompt_value 对象，或者 messages 列表
# 这里为了演示，我们传入了转换后的字符串（虽然不推荐，但也能工作）
# 最佳实践是：res = model.invoke(prompt_value)
res = model.invoke(input=prompt_text)
print("🤖 AI 的新作品：\n")
print(res.content)️ 运行结果逻辑分析
当代码运行时，ChatPromptTemplate 会将 history_data 中的每一条消息插入到 MessagesPlaceholder 的位置。最终发送给模型的提示词结构如下：
text
System: 你是一个专业的诗人，可以作诗。
Human: 写一首唐诗
AI: 锄禾日当午...
Human: 好诗再来一个
AI: 床前明月光...
Human: 请再来一首 <-- 这是当前最新的问题模型看到完整的上下文后，就能明白"再来一首"是指"再写一首像前面那样的唐诗"，从而给出连贯的回答。
🔍 核心知识点解析
1. MessagesPlaceholder 的作用
这是 ChatPromptTemplate 最强大的功能之一。
- 问题：历史对话是动态的。第一轮对话时 history 为空，第十轮对话时 history 有 20 条消息。我们无法在写代码时把 history 写死在字符串里。
- 解决 ：
MessagesPlaceholder(variable_name="history")就像一个插槽 。它在模板中占据一个位置，但在运行时才会被填入真实的history_data列表。
2. 为什么必须用 invoke 而不能用 format？
这是很多初学者容易踩的坑！
.format()的局限 ：它只能做简单的字符串替换（{key}->value）。如果你传入一个列表给{history}，它会试图把整个列表转换成字符串（比如"['...', '...']"），这会破坏消息的结构，模型根本看不懂。.invoke()的强大 ：它是 LangChain 的标准接口。它知道MessagesPlaceholder需要的是一个消息列表对象 ，而不是字符串。它会智能地将列表中的每个元组(role, content)转换为模型能理解的BaseMessage对象。
⚠️ 结论 ：只要你的模板里用了
MessagesPlaceholder，必须 使用.invoke()，.format()会报错或产生错误结果。
3. 返回值类型：PromptValue
和之前一样，chat_prompt_template.invoke() 返回的是一个 ChatPromptValue 对象。
- 它可以调用
.to_string()变成纯文本（适合调试或 LLM）。 - 它可以调用
.to_messages()变成消息列表（最适合 ChatModel）。
在上面的代码中，虽然我们用了 .to_string() 转成字符串传给模型，但在生产环境中，建议直接传对象：
python
# ✅ 最佳实践
prompt_value = chat_prompt_template.invoke({"history": history_data})
res = model.invoke(prompt_value) 🚀 总结
本节课我们掌握了构建多轮对话系统的关键技术：
- ChatPromptTemplate：专为聊天场景设计的模板类，支持多角色消息列表。
- MessagesPlaceholder：用于动态注入历史对话记录的"插槽"，解决了上下文长度变化的问题。
- Invoke vs Format ：深刻理解了在处理结构化数据（如消息列表）时，必须使用
invoke方法。
有了 ChatPromptTemplate，我们的 AI 就不再是"金鱼记忆"（只有7秒），而是拥有了长期记忆，能够进行流畅的多轮交互。