🎭 9.2 Prompt 模板与上下文消息流

“提示词不仅是一段字符串，更是带有结构、角色与上下文生命周期的动态场记本。”
在现代大模型应用中，简单粗暴的字符串拼接极易引发格式错乱与注入风险。本节我们将学习 LangChain 1.4 的 Prompt 模板系统与消息流模型。

---

💡 先看一个直观例子：剧组台词提示器与对话场记本

1. 手工字符串拼接的灾难

在传统写法中，很多人习惯用 Python 的 f"你是一个{role}，请回答：{user_input}" 来拼提示词。但这会带来三大痛点：

• 角色混乱：大模型无法准确区分哪些是系统核心人设（System），哪些是人类提问（Human），哪些是模型自己的历史回复（AI）；
• 动态多轮历史难以缝合：多轮对话记录是一组列表，手动格式化非常繁琐且容易溢出；
• 少样本示例（Few-Shot）难以规范维护。

2. 生活比喻：拍戏现场的提词器与场记板

• SystemMessage（导演设定卡）：告诉演员你在这场戏里演的是谁、有什么性格底线；
• HumanMessage（对手演员的台词）：对手说了一句话；
• AIMessage（主角的回应）：你上一场给出的台词；
• ToolMessage（道具组送来的道具）：执行工具返回的结果（如一张天气表、一份计算数据）；
• MessagesPlaceholder（动态剧本插页）：在剧本中间留一个活页夹，随时把之前的多轮对戏记录整体塞进去！

---

🏛️ LangChain 1.4 四大核心消息模型

在 langchain_core.messages 中，所有交互均统一封装为强类型的消息对象：

消息类名	对应角色 (Role)	核心职责与应用场景
SystemMessage	system	设定模型的全局行为准则、人设风格、输出格式约束与安全防线。
HumanMessage	user	代表人类用户的输入或外部系统传递过来的原始查询。
AIMessage	assistant	模型生成的回复。若模型触发了工具调用，其 tool_calls 属性会包含工具调用元数据。
ToolMessage	tool	承载外部工具函数执行后的返回数据，必须附带对应 tool_call_id。

🆕 1.4 补充：

• 模块化导入：1.4 中 langchain 主包会重新导出常用消息类（如 from langchain.messages import SystemMessage），与 langchain_core.messages 等价，按需使用；
• AIMessage 内容块：1.4 的 AIMessage.content_blocks 提供类型化的 TextBlock / ReasoningBlock / CitationBlock，可把“推理过程”与“最终答案”拆开处理；
• 工具调用闭环四件套：AIMessage.tool_calls（模型想调什么）→ ToolMessage(tool_call_id=...)（工具返回结果）→ 拼回消息列表 → 模型继续推理。这条链路正是 9.9 create_agent 的底层循环，LCEL 手写亦可复现。

---

💻 核心实操：ChatPromptTemplate 与 MessagesPlaceholder

1. 动态变量多角色模板

# code/s02_prompt_and_messages.py
from langchain_core.prompts import ChatPromptTemplate

# 定义包含动态变量的 Prompt 模板
prompt_template = ChatPromptTemplate.from_messages([
    ("system", "你是一名精通 {domain} 领域的翻译专家，目标是将内容翻译为生动优雅的 {target_lang}。"),
    ("human", "请翻译以下文本：\n{source_text}")
])

# 传入字典变量，一键格式化为消息列表
messages = prompt_template.format_messages(
    domain="AI 智能体开发",
    target_lang="中文",
    source_text="LangChain provides standardized abstractions for agent workflows."
)

2. 使用 MessagesPlaceholder 动态注入历史多轮对话

在构建支持多轮对话的 Chatbot 或 Agent 时，最核心的能力就是将动态长度的历史消息列表无缝塞入 Prompt：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

# 定义带占位符的模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个幽默风趣的智能管家。"),
    MessagesPlaceholder(variable_name="history"), # 历史会话活页夹
    ("human", "{user_input}")
])

# 历史对话记录
chat_history = [
    HumanMessage(content="你好，我叫小明，我买的键盘一直没发货。"),
    AIMessage(content="小明你好！别着急，我已经帮你查到物流单号啦！")
]

# 渲染完整输入
rendered_input = chat_prompt.invoke({
    "history": chat_history,
    "user_input": "那我大概还要等多久能收到？"
})

3. Few-Shot 少样本提示词模板（让 AI 模仿专业输出）

from langchain_core.prompts import FewShotChatMessagePromptTemplate, ChatPromptTemplate

# 1. 定义示例库
examples = [
    {"input": "这个手机电池真耐用", "output": "【正面评价】续航表现优异"},
    {"input": "屏幕边缘有划痕，差评！", "output": "【负面评价】外观品控瑕疵"}
]

example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}")
])

# 2. 组装少样本模板
few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples
)

final_prompt = ChatPromptTemplate.from_messages([
    ("system", "请按照示例对用户评论进行情感与特征分类。"),
    few_shot_prompt,
    ("human", "{input}")
])

---

📚 权威官方资料直达

• 🔗 Prompt 模板官方指南：LangChain Prompt Templates Documentation
• 🔗 消息模型官方概念：LangChain Messages Concepts
• 🔗 Few-Shot 提示词官方实践：Few-shot Prompt Templates

---

消息角色也是信任边界

System 消息适合放稳定规则，Human 消息表达当次请求，Tool 消息记录外部执行结果。网页内容、检索文档和用户上传文件即使被拼入上下文，也不应因此获得系统规则的地位。模板需要明确标出资料的起止范围，并提醒模型把其中可能出现的指令当作数据处理。

模板变量还要区分必填、可选和默认值。把未经校验的文本直接拼进一大段字符串，不仅难以追踪消息来源，也容易破坏结构。调试时打印消息类型和长度通常比打印完整内容更安全。

🎯 本节小结与思考

1. 核心收获：掌握了四大消息对象、ChatPromptTemplate 动态变量渲染，以及 MessagesPlaceholder 动态会话注入机制。
2. 下一步探索：有了 Prompt 和模型，我们该如何用最优雅的语法把它们串成一条工业级流水线，并支持并发和自动重试？下一节我们将学习 LangChain 最精髓的灵魂 —— 9.3 LCEL 表达式语言与流式调度。