13ChatPromptTemplate的使用

📄 文件代码内容

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi

chat_prompt_template = ChatPromptTemplate.from_messages( #from_messages可以用来创建模版对象
    [
        ("system", "你是一个边塞诗人，可以作诗。"),
        MessagesPlaceholder("history"), # 消息的占位符，提供history作为key 基于invoke动态注入历史回话记录
        ("human", "请再来一首唐诗"),
    ]
)

history_data = [
    ("human", "你来写一个唐诗"),
    ("ai", "床前明月光，疑是地上霜，举头望明月，低头思故乡"),
    ("human", "好诗再来一个"),
    ("ai", "锄禾日当午，汗滴禾下锄，谁知盘中餐，粒粒皆辛苦"),
]

# StringPromptValue    to_string()
prompt_text = chat_prompt_template.invoke({"history": history_data}).to_string()

model = ChatTongyi(model="qwen3-max")

res = model.invoke(prompt_text)

print(res.content, type(res))

---

🔄 代码流程梳理

1. 导入依赖

   • 从 langchain_core.prompts 导入 ChatPromptTemplate 和 MessagesPlaceholder。
   • 从 langchain_community.chat_models.tongyi 导入 ChatTongyi（通义千问模型封装）。

2. 创建聊天提示模板

   • 使用 ChatPromptTemplate.from_messages() 构建模板，包含三个部分：
     • 系统消息（固定角色设定：边塞诗人）。
     • MessagesPlaceholder("history")------运行时将插入一整段历史对话记录。
     • 人类消息（当前用户问题："请再来一首唐诗"）。

3. 准备历史对话数据

   • history_data 是一个列表，包含两轮对话的交替消息（human/ai），模拟多轮对话上下文。

4. 模板填充（生成最终提示）

   • 调用 chat_prompt_template.invoke({"history": history_data})，将历史消息注入占位符，得到 PromptValue 对象。
   • 调用 .to_string() 将该对象转为纯字符串形式（便于传给模型或调试）。

5. 初始化模型并调用

   • 创建 ChatTongyi 实例，指定模型为 "qwen3-max"。
   • 将生成的提示字符串传入 model.invoke()，获得模型响应（AIMessage 对象）。

6. 输出结果

   • 打印响应内容（res.content）和响应对象的类型（AIMessage）。

---

💡 高频面试知识点与回答思路

1. ChatPromptTemplate 与 PromptTemplate 的区别

• PromptTemplate 生成纯文本字符串，适用于非聊天模型（如 text-davinci-003）。
• ChatPromptTemplate 生成消息列表（包含角色），专为聊天模型设计，支持 system、human、ai 角色区分，更符合 ChatGPT 等模型的要求。

2. MessagesPlaceholder 的作用及使用场景

• 它用于在模板中预留一个"插槽"，运行时可以插入一整段消息序列（如历史对话、工具返回结果）。
• 与普通字符串占位符不同，它保留消息的角色结构，避免手动拼接丢失角色信息。
• 典型场景：多轮对话历史、工具调用链、记忆注入。

3. invoke 与 format_messages / to_string 的区别

• invoke 执行模板填充，返回 PromptValue（一个封装对象，可能包含多种格式）。
• format_messages 直接返回消息列表（List[BaseMessage]），适合直接传给聊天模型。
• to_string 将 PromptValue 转为纯字符串，方便调试或与不支持消息列表的接口对接。

4. 如何实现真正的"多轮对话记忆"？

• 该示例只是静态注入预设历史，未实现增量记忆。
• 真正的记忆需要在每次对话后将新消息追加到历史列表，并在下一轮调用时传入更新后的完整列表。
• 可以结合 RunnableWithMessageHistory 或自定义状态管理（如 LangGraph 中的 State）实现。

5. 如果历史消息过长，如何应对 Token 限制？

• 截断 ：只保留最近 N 轮对话（ConversationBufferWindowMemory）。
• 摘要 ：使用 ConversationSummaryMemory 对旧消息进行压缩。
• 向量检索记忆 ：将历史消息存入向量库，按需检索相关片段（VectorStoreRetrieverMemory）。
• LangChain 提供的 trim_messages 工具可对消息列表按 token 数修剪。

6. ChatTongyi 与 ChatOpenAI 的异同

• 两者均继承自 BaseChatModel，接口一致（invoke、generate 等）。
• 区别在于底层调用的 API 提供商不同（阿里云 vs OpenAI），需配置不同的 API Key 和 Base URL。
• 在 LangChain 中可通过统一的 ChatModel 接口无缝切换。

---

📌 面试回答话术（示例）

"该文件演示了如何使用 ChatPromptTemplate 构建聊天提示，利用 MessagesPlaceholder 注入多轮对话历史，并调用通义千问模型生成诗歌。MessagesPlaceholder 是管理对话记忆的关键，它能保持消息角色结构。在实际项目中，我会结合 RunnableWithMessageHistory 和向量记忆来处理长上下文，确保多轮对话的连贯性，同时避免超长历史带来的 Token 浪费。"