1. Prompt 组件的基本组成

大多数 LLM 应用程序都不会直接将用户输入传递给 LLM。通常，它们会将用户输入添加到一个更大的文
本片段中，称为提示模板，该模板提供有关特定任务的附加上下文。并且 Prompt 是所有 AI 应用交互的起点，例如在 LangChain 中一个最基础的聊天应用机器人的运行流程
如下：

• 为了适配不同的 LLM，LangChain 封装了 Prompt 组件，并且 Prompt 组件是高可移植性的，同一个Prompt 可以支持各种 LLM，在切换 LLM 的时候，无需修改 Prompt。
  -在 LangChain 中，Prompt 被分成了两大类：

1. Prompt Template：将 Prompt 按照 template 进行一定格式化，针对 Prompt 进行变量处理以及提示词的组合。
2. Selectors：根据不同条件去选择不同提示词，或者在不同情况下通过 Selector，选择不同示例去进一步提高 Prompt 支持能力。本质上 Selectors 只是 Prompt Template 的二次封装。

1.1 Prompt Template

Prompt Template 是 LangChain 中最常用的 Prompt 类型，它的作用是：
用变量动态地填充提示词；
支持模板字符串、格式化、结构化提示；
结构清晰、可复用、易维护。
对于 Prompt Template，在 LangChain 中，又涵盖了多个子组件，例如：角色提示模板、消息占位符、文本提示模板、聊天消息提示模板、提示、消息等，Prompt Template 的运行流程如下：

1.2 不同 Prompt 组件功能的简介

• PromptTemplate：用于创建文本消息提示模板，用于用于与大语言模型/文本生成模型进行交
  互。
• ChatPromptTemplate：用于创建聊天消息提示模板，一般用于与聊天模型进行交互。
• MessagePlaceholder：消息占位符，在聊天模型中对不确定是否需要的消息进行占位。
• SystemMessagePromptTemplate：用于创建系统消息提示模板，角色为系统。
• HumanMessagePromptTemplate：用于创建人类消息提示模板，角色为人类。
• AIMessagePromptTemplate：用于创建AI消息提示模板，角色为AI。
• PipelinePromptTemplate：用于创建管道消息，管道消息可以将提示模板作为变量进行快速复
  用。

1.3 Prompt 不同方法的功能简介

• partial：用于格式化提示模板中的部分变量。
• format：传递变量数据，格式化提示模板为文本消息。
• invoke：传递变量谁，格式化提示模板为提示。
• to_string：将提示/消息提示列表转换成字符串。
• to_messages：用于将消息提示列表转换成字符串。

Prompt 中重载的运算符：

• +运算符：在 Prompt 组件中，对 + 运算符使用 add 方法进行重写，所以几乎所有 Prompt组件都可以使用 + 进行组装拼接。

2. 基本演示案例

2.1 Prompt组件基础用法

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from datetime import datetime
from langchain_core.messages import AIMessage, HumanMessage
from langchain_core.prompts import (
    PromptTemplate,
    ChatPromptTemplate,
    HumanMessagePromptTemplate,
    MessagesPlaceholder,
)

# 1️⃣ 单轮对话提示模板：生成一个关于某个主题的冷笑话
print("==== 单轮提示模板 ====")
joke_prompt = PromptTemplate.from_template("请讲一个关于{subject}的冷笑话")

# 使用 format 方法直接填充变量
print(joke_prompt.format(subject="喜剧演员"))

# 使用 invoke 获取 PromptValue 对象（LangChain 0.1+ 推荐用法）
joke_prompt_value = joke_prompt.invoke({"subject": "程序员"})

# 将 PromptValue 转为字符串
print(joke_prompt_value.to_string())

# 将 PromptValue 转为消息格式（可用于 Chat 模型）
print(joke_prompt_value.to_messages())

print("\n==== 多轮对话提示模板 ====")

# 2️⃣ 多轮对话提示模板：系统提示 + 聊天历史 + 用户提问
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是由 OpenAI 开发的聊天机器人，请根据用户的提问进行回复。当前时间为：{now}"),
    MessagesPlaceholder(variable_name="chat_history"),  # 插入历史对话
    HumanMessagePromptTemplate.from_template("请讲一个关于{subject}的冷笑话"),
])

# 使用 partial 预填充当前时间
chat_prompt = chat_prompt.partial(now=datetime.now().strftime("%Y-%m-%d %H:%M:%S"))

# 构造输入参数
chat_input = {
    "chat_history": [
        HumanMessage(content="我叫梅长苏"),
        AIMessage(content="你好，我是 ChatGPT，有什么可以帮到您？"),
    ],
    "subject": "程序员"
}

# 调用 prompt 模板生成最终的提示词
chat_prompt_value = chat_prompt.invoke(chat_input)

# 输出结构化提示词
print(chat_prompt_value)
print("\n==== 转为字符串 ====")
print(chat_prompt_value.to_string())

print("\n==== 转为消息列表（可用于 LLM 调用） ====")
for msg in chat_prompt_value.to_messages():
    print(f"[{msg.type}] {msg.content}")

2.2 字符串提示拼接

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from langchain_core.prompts import PromptTemplate

prompt = (
        PromptTemplate.from_template("请讲一个关于{subject}的冷笑话")
        + ",让我开心下" +
        "\n使用{language}语言"
)

print(prompt.invoke({"subject": "程序员", "language": "中文"}).to_string())

2.3 消息模板拼接

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from langchain_core.prompts import ChatPromptTemplate

system_chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是OpenAI开发的聊天机器人，请根据用户的提问进行回复，我叫{username}"),
])
human_chat_prompt = ChatPromptTemplate.from_messages([
    ("human", "{query}")
])

chat_prompt = system_chat_prompt + human_chat_prompt

print(chat_prompt.invoke({
    "username": "梅长苏",
    "query": "你好，你是?"
}))

2.4 复用提示模板

#!/usr/bin/env python
# -*- coding: utf-8 -*-

from langchain_core.prompts import ChatPromptTemplate

system_chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是OpenAI开发的聊天机器人，请根据用户的提问进行回复，我叫{username}"),
])
human_chat_prompt = ChatPromptTemplate.from_messages([
    ("human", "{query}")
])

chat_prompt = system_chat_prompt + human_chat_prompt

print(chat_prompt.invoke({
    "username": "梅长苏",
    "query": "你好，你是?"
}))