你是不是也遇到过这样的问题：好不容易接入了大模型，却发现它像个“金鱼脑”，每次对话都从头开始，完全记不住之前说了啥？或者每次提问都得写死代码，想换个语言、改个问题都得重新改程序？

别急，今天我们就来解决这两个让人头疼的问题——让提示词灵活可变，并且让AI记住对话上下文。我们会基于 LangChain 框架，一步一步带你实现一个更智能、更灵活的客服系统。

一、我们先来看看现在系统有哪些问题

目前的系统虽然能调用大模型，但有两个明显的短板：

1. 提示词是写死的：比如你想让AI帮你翻译一句话，目标语言和内容都固定在代码里，用户没法自己决定。
2. 没有上下文记忆：每次对话都是独立的，AI 不记得之前聊过什么，导致多轮对话体验很差。

举个例子： 假如你说“帮我翻译成英文：你好吗？”，AI 回复“How are you?”。

接着你说“那换成法语呢？”，如果没有上下文，AI 根本不知道“那”指的是什么。

这就好像两个人在聊天，对方却得了健忘症，每说一句都要重新介绍自己——体验非常糟糕。

二、怎么让提示词“活”起来？

我们要引入一个叫做提示词模板（Prompt Template） 的东西。简单来说，就是一个带有“占位符”的模板，在实际运行时再填入具体内容。

具体怎么做？

我们使用 LangChain 提供的 ChatPromptTemplate 类来构建模板。原先我们是这样写死提示词的：

messages = [
("system", "你是一个翻译助手，请将用户输入的内容翻译成英文"),
("human", "你好吗？")
]

现在我们可以改造成：

from langchain.prompts import ChatPromptTemplate
template = ChatPromptTemplate.from_messages([
("system", "你是一个翻译助手，请将用户输入的内容翻译成{language}"),
("human", "{text}")
])

注意看，{language} 和 {text} 就是两个占位符，我们可以在调用时动态传入值。

如何调用？

prompt = template.invoke({
"language": "意大利语",
"text": "今天天气真好"
})

这样，我们就可以根据用户输入灵活生成提示词，再也不用每次修改代码了！

三、别忘了：对话要有记忆才自然

现在提示词灵活了，但如果我们每次调用模型都是独立请求，AI 还是记不住上下文。

回想一下真实对话：我们经常会用“他”、“那个东西”、“上次说的”这类代词，如果对方没有上下文，根本没法理解。

所以我们要让 AI 具备“记忆能力”，也就是在多次调用之间保留对话历史。

如何实现？

LangChain 提供了多种记忆机制，比如 ConversationBufferMemory，它可以保存之前的对话记录，并在每次请求时自动附加到提示词中。

from langchain.memory import ConversationBufferMemory
memory = ConversationBufferMemory()
然后在构建链（Chain）时传入 memory 参数：
chain = LLMChain(
llm=llm,
prompt=template,
memory=memory
)

这样，每次用户提问时，系统都会自动带上之前的对话历史，AI 就能实现连贯的多轮对话了。

四、把它们组合起来：一个完整的示例

下面是一个支持多语言翻译且具备记忆功能的完整代码示例：

from langchain.prompts import ChatPromptTemplate
from langchain.memory import ConversationBufferMemory
from langchain.chains import LLMChain
from langchain_openai import ChatOpenAI
# 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo")
# 构建提示词模板
template = ChatPromptTemplate.from_messages([
("system", "你是一个翻译助手，请将用户输入的内容翻译成{language}"),
("human", "{text}")
])
# 初始化记忆模块
memory = ConversationBufferMemory()
# 构建链
chain = LLMChain(
llm=llm,
prompt=template,
memory=memory
)
# 第一次提问：翻译成英文
response1 = chain.invoke({
"language": "英文",
"text": "你好吗？"
})
print(response1["text"])  # 输出：How are you?
# 第二次提问：换成法语（AI 知道“换成法语”指的是上一句）
response2 = chain.invoke({
"language": "法语",
"text": "换成法语"
})
print(response2["text"])  # 输出：Comment çava ?

你看，第二次我们只说“换成法语”，AI 也知道我们是在说上一句的“你好吗？”，这就是上下文在起作用。

五、总结一下今天学了什么

• 提示词模板：让提问方式灵活可变，支持运行时动态传入参数。
• 记忆机制：

• 通过 ConversationBufferMemory 让AI记住对话历史，实现多轮对话。

• 链（Chain）的扩展：将模板、记忆、模型组合成一个完整的流程。

这样一来，你的智能客服就不再是那个“金鱼脑”了，而是能听懂人话、记住上下文、灵活应对各种提问的智能助手！

六、接下来可以做什么？

如果你已经掌握了这些，下一步可以：

• 尝试更复杂的记忆机制：

• 比如 ConversationSummaryMemory（摘要记忆），应对更长的对话。

• 结合前端页面，让用户通过界面输入语言和内容，实现一个真正的交互式翻译工具。
• 探索 LangChain 提供的其他工具，比如 RetrievalQA 用于知识库问答，让你的客服更强大。

如何高效转型Al大模型领域？

作为一名在一线互联网行业奋斗多年的老兵，我深知持续学习和进步的重要性，尤其是在复杂且深入的Al大模型开发领域。为什么精准学习如此关键？

• 系统的技术路线图：帮助你从入门到精通，明确所需掌握的知识点。
• 高效有序的学习路径：避免无效学习，节省时间，提升效率。
• 完整的知识体系：建立系统的知识框架，为职业发展打下坚实基础。

AI大模型从业者的核心竞争力

• 持续学习能力：Al技术日新月异，保持学习是关键。
• 跨领域思维：Al大模型需要结合业务场景，具备跨领域思考能力的从业者更受欢迎。
• 解决问题的能力：AI大模型的应用需要解决实际问题，你的编程经验将大放异彩。

以前总有人问我说：老师能不能帮我预测预测将来的风口在哪里？

现在没什么可说了，一定是Al；我们国家已经提出来：算力即国力！

未来已来，大模型在未来必然走向人类的生活中，无论你是前端，后端还是数据分析，都可以在这个领域上来，我还是那句话，在大语言AI模型时代，只要你有想法，你就有结果！只要你愿意去学习，你就能卷动的过别人！

现在，你需要的只是一份清晰的转型计划和一群志同道合的伙伴。作为一名热心肠的互联网老兵，我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】