纲要
- 核心设计思路:实现具有行为适应性的智能体
- 动态提示词系统:根据用户情绪状态实时调整回复风格
- 结构化情感分析:利用
LangChain的with_structured_output与PydanticSchema 确保输出可靠性
- 模块一:提示词管理系统 (
PromptManager)- 初始化配置:角色设定、情绪风格字典、系统约束条件
- 动态合成机制:使用
partial方法实现运行时变量注入 - 关键占位符:
agent_scratchpad在LangChain中的不可缺性
- 模块二:情感分析引擎 (
EmotionAnalyzer)- 链式构建:
ChatPromptTemplate与LLM的结合 - 结构化输出:基于
Pydantic的BaseModel定义强制输出 Schema - 鲁棒性设计:输入长度保护与异常兜底处理
- 链式构建:
- 完整联调示例
- 项目结构:模块化文件组织
- 核心文件:
prompt_manager.py、emotion_analyzer.py、main.py
- API 速览 (API Overview)
ChatPromptTemplate.from_messagesMessagesPlaceholderChatOpenAI.with_structured_output
- Demo 示例 (Complete Demo)
- 完整可运行代码与环境配置说明
智能体的性格与情绪:动态提示词设计
一个具备高度可用性的 AI 助手,其功能不应局限于机械的工具调用与信息检索。行为适应性——即感知用户情绪状态并动态调整交互语气的能力——是提升用户体验的关键要素。实现这一能力依赖于两个核心模块的协同工作:
- 动态提示词模板:在运行时根据情感分析模块输出的情绪状态,向系统提示词中注入对应的回复风格指令,从而影响
LLM的生成策略。 - 结构化情绪检测链:通过约束
LLM输出符合预定义Pydantic Schema的JSON数据,精确获取情绪标签与量化分值,为下游决策提供可靠依据。
下文将分别实现这两个模块,所有代码均基于 LangChain 生态构建,具备可直接集成至生产项目的可运行性。
模块一:提示词管理器 (PromptManager)
提示词管理器负责初始化智能体的系统人设、角色约束,并在每次对话轮次前,根据情感分析结果动态合成最终的对话提示词结构。
核心设计
- 利用
ChatPromptTemplate与MessagesPlaceholder构建符合对话场景的模板结构。 - 保留三个核心占位符:
chat_history:用于存储多轮对话记忆。input:接收当前轮次的用户输入。agent_scratchpad:在LangChain的Agent执行过程中,用于存储中间思考步骤与工具调用结果的临时空间。在构建代理提示词时,此占位符不可省略,否则会导致执行时键值缺失错误。
- 利用
partial方法提前将情绪相关变量(feeling_score与who_you_are)绑定至提示词模板,从而在调用invoke或ainvoke时无需重复传递这些参数。
代码实现 prompt_manager.py
# prompt_manager.py
from langchain.prompts import ChatPromptTemplate, MessagesPlaceholder
class PromptManager:
"""
动态提示词管理器。
职责:
1. 维护系统角色设定与回复风格映射表。
2. 根据给定的情绪标签与分值,合成包含特定风格指令的提示词模板。
"""
def __init__(self, memory_key: str = "chat_history", feeling: dict = None):
"""
初始化提示词管理器。
Args:
memory_key: 用于存储对话历史的占位符变量名,默认为 'chat_history'。
feeling: 自定义情绪风格映射字典。若不提供,则使用默认映射。
"""
# 默认情绪风格字典,涵盖五种基本情绪标签
default_feeling = {
"angry": {
"role_style": "用友好、安抚的语气回答,多用「亲」等语气词,主动道歉并寻求解决方案。"
},
"cheerful": {
"role_style": "用共情、轻松的语气回答,可以适当表达开心。"
},
"depressed": {
"role_style": "用温暖、鼓励的语气回答,给予支持。"
},
"friendly": {
"role_style": "保持热情、积极的语气回答。"
},
"neutral": {
"role_style": "用专业、平和的语气回答。"
}
}
self.feeling_dict = feeling if feeling else default_feeling
self.memory_key = memory_key
# 系统提示词模板
# 注意:此处使用双花括号 {{}} 转义 JSON 示例或 Literal 字符串
system_template = (
"你是一个名叫小浪的智能客服助手,23岁,来自中国,热爱跑步与阅读,"
"在 LangChain 技术栈领域具备专业知识。\n"
"你将根据用户问题选择合适的工具:知识库查询、在线搜索、日程创建或待办事项管理。\n"
"当前用户的情绪分值为 {feeling_score},对应的回复风格指令为:\n"
"{who_you_are}\n\n"
"约束条件:\n"
"- 永远不以 AI 或机器人的身份自居。\n"
"- 拒绝回答涉及政治、宗教、种族歧视等争议性话题。\n"
"- 所有工具调用必须严格遵循给定的参数格式。"
)
# 构建消息模板列表
self.prompt = ChatPromptTemplate.from_messages([
("system", system_template),
MessagesPlaceholder(variable_name=self.memory_key),
("human", "{input}"),
MessagesPlaceholder(variable_name="agent_scratchpad"),
])
def build_prompt(self, feeling_label: str, feeling_score: int):
"""
合成运行时提示词模板,注入具体情绪参数。
Args:
feeling_label: 情绪标签,例如 'angry' 或 'cheerful'。
feeling_score: 情绪量化分值,通常为 0-10 之间的整数。
Returns:
ChatPromptTemplate: 部分格式化后的提示词模板。
"""
# 从映射字典中获取对应情绪的风格描述;若未找到,则默认使用中性风格
role_desc = self.feeling_dict.get(
feeling_label,
{"role_style": "用专业、平和的语气回答。"}
)["role_style"]
# 使用 partial 方法固定情绪相关变量,返回新的模板实例
return self.prompt.partial(
feeling_score=feeling_score,
who_you_are=role_desc
)
# 单元测试
if __name__ == "__main__":
pm = PromptManager()
partial_prompt = pm.build_prompt("cheerful", 2)
print("生成的提示词消息列表:")
for msg in partial_prompt.messages:
print(msg)
模块二:情感分析引擎 (EmotionAnalyzer)
情感分析引擎的核心是构建一条轻量级的处理链,利用 LLM 的语义理解能力,结合 LangChain 的结构化输出功能,将非结构化的文本输入转化为结构化的情绪数据。
关键实现技巧
- 结构化输出绑定:通过
with_structured_output方法将LLM实例与Pydantic定义的BaseModel绑定,强制模型输出符合Schema的JSON数据,简化下游解析逻辑。 - Few-shot 示例注入:在系统提示词中嵌入少量示例,提升模型在特定情绪维度上的分类准确率。
- 输入长度保护:对用户输入进行截断处理(示例中取前 100 个字符),防止因文本过长导致上下文窗口溢出。
代码实现 emotion_analyzer.py
# emotion_analyzer.py
import os
from typing import Optional
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from pydantic import BaseModel, Field
load_dotenv()
# 定义期望输出的 JSON 结构
class EmotionResult(BaseModel):
"""情绪分析结果的结构化表示"""
feeling: str = Field(description="情绪标签,可选值:angry/cheerful/depressed/friendly/neutral")
score: int = Field(description="负面程度评分,范围 0-10,其中 0 表示毫无负面情绪,10 表示极端负面")
class EmotionAnalyzer:
"""基于 LLM 的情感分析器,输出结构化情绪数据"""
def __init__(self, model_name: str = None):
"""
初始化情感分析器。
Args:
model_name: 使用的模型名称,默认从环境变量读取。
"""
if model_name is None:
model_name = os.getenv("DEFAULT_MODEL", "gpt-3.5-turbo")
# 初始化 LLM 实例,设置 temperature=0 以最小化输出的随机性
self.llm = ChatOpenAI(
model=model_name,
temperature=0,
openai_api_key=os.getenv("OPENAI_API_KEY"),
base_url=os.getenv("OPENAI_BASE_URL"),
)
# 将 LLM 实例与 Pydantic Schema 绑定,返回结构化对象
self.structured_llm = self.llm.with_structured_output(EmotionResult)
# 构建包含 few-shot 示例的提示词模板
self.prompt = ChatPromptTemplate.from_messages([
("system", """你是一个情绪分析专家。分析用户输入的文本情绪,返回情绪标签和负面程度评分。
情绪标签对照表:angry(生气)、cheerful(开心)、depressed(压抑)、friendly(友善)、neutral(中性)
评分规则:0-10,分数越高代表负面情绪越强烈。
示例:
用户:我特别生气,你们这什么烂产品!
返回:{{"feeling": "angry", "score": 9}}
用户:今天天气真好,心情不错
返回:{{"feeling": "cheerful", "score": 1}}
用户:随便吧,都可以
返回:{{"feeling": "neutral", "score": 5}}"""),
("human", "用户输入:{input}")
])
def analyze(self, text: str) -> Optional[EmotionResult]:
"""
分析输入文本的情绪。
Args:
text: 用户输入的原始文本。
Returns:
EmotionResult: 包含情绪标签与分值的结构化对象;若分析失败则返回 None。
"""
if not text:
return None
# 输入长度保护:仅取前 100 个字符进行分析
truncated_text = text[:100]
try:
# 构建处理链并执行
chain = self.prompt | self.structured_llm
result = chain.invoke({"input": truncated_text})
return result
except Exception as e:
print(f"情绪分析过程发生异常: {e}")
return None
# 快速验证
if __name__ == "__main__":
analyzer = EmotionAnalyzer()
test_text = "你们的产品太难用了,我要退款!"
res = analyzer.analyze(test_text)
if res:
print(f"情绪标签: {res.feeling}, 分值: {res.score}")
完整联调示例
以下示例将 PromptManager 与 EmotionAnalyzer 串联,模拟一次完整的带情绪感知的对话处理流程。
项目结构
.
├── main.py # 主入口文件
├── prompt_manager.py # 提示词管理模块
├── emotion_analyzer.py # 情感分析模块
└── .env # 环境变量配置(需自行创建)
主程序 main.py
# main.py
from prompt_manager import PromptManager
from emotion_analyzer import EmotionAnalyzer
def main():
# 初始化各模块
pm = PromptManager()
ea = EmotionAnalyzer()
# 模拟用户输入
user_input = "我都等了三天了,为什么还没人处理我的投诉?"
# 1. 执行情感分析
emotion_result = ea.analyze(user_input)
if emotion_result:
label = emotion_result.feeling
score = emotion_result.score
else:
# 兜底默认值:中性情绪,分值 5
label, score = "neutral", 5
print(f"检测到情绪: {label} (分值: {score})")
# 2. 生成动态提示词模板
dynamic_prompt = pm.build_prompt(label, score)
# 此时 dynamic_prompt 已包含情绪变量,等待传入 chat_history, input, agent_scratchpad 后即可执行
print("动态提示词已生成,准备传入 Agent 执行器...")
# 在实际生产环境中,此处会将 dynamic_prompt 传入 AgentExecutor 进行后续处理
if __name__ == "__main__":
main()
环境配置与依赖
项目依赖以下 Python 包,可通过 pip 一键安装:
pip install langchain langchain-openai python-dotenv pydantic
运行前需在项目根目录创建 .env 文件,配置 OpenAI 兼容的 API 凭证:
OPENAI_API_KEY=your_api_key_here
OPENAI_BASE_URL=your_base_url_here # 可选,默认为 OpenAI 官方端点
DEFAULT_MODEL=gpt-3.5-turbo # 可选,默认为 gpt-3.5-turbo
API 速览 (API Overview)
| API 组件 | 所属库 | 方法/类签名 | 核心参数 | 返回值 | 简要说明 |
|---|---|---|---|---|---|
ChatPromptTemplate.from_messages | langchain.prompts | from_messages(messages: Sequence) | messages: 消息模板序列 | ChatPromptTemplate | 从消息列表构建对话模板,支持 SystemMessage、HumanMessage、AIMessage 及 MessagesPlaceholder。 |
MessagesPlaceholder | langchain.prompts | MessagesPlaceholder(variable_name: str) | variable_name: 占位符变量名 | MessagesPlaceholder | 用于在运行时注入一组历史消息,通常用于传递 chat_history 或 agent_scratchpad。 |
ChatOpenAI.with_structured_output | langchain_openai | with_structured_output(schema: Type[BaseModel]) | schema: Pydantic BaseModel 类 | Runnable | 将模型输出绑定为指定的结构化 Schema,返回的 Runnable 对象在调用时直接返回 BaseModel 实例。 |
Demo 示例 (Complete Demo)
运行说明
- 将
prompt_manager.py、emotion_analyzer.py、main.py三个文件保存至同一目录。 - 在目录下创建
.env文件,填入有效的OPENAI_API_KEY。 - 执行
python main.py启动演示。
代码说明
- 模块解耦:提示词管理与情感分析逻辑分离,便于独立维护与测试。
- 错误兜底:情感分析模块在异常情况下返回
None,调用方通过默认为neutral情绪确保流程不中断。 - 占位符保留:
PromptManager严格保留了agent_scratchpad占位符,保证了对LangChainAgent执行机制的兼容性。
技术点总结
- 动态提示词构建:利用
partial方法实现运行时变量注入,避免重复传参。 - 结构化输出:通过
with_structured_output将LLM输出与PydanticSchema 强绑定,提升下游数据解析的可靠性与开发效率。 - 输入鲁棒性:对分析文本进行截断处理,防止上下文窗口溢出。
参考文档
官方文档
- LangChain Python API Reference
- LangChain Core Prompts Documentation
- LangChain How-to: Structured Output
- Pydantic Models
参考链接
总结
本文详细解析了构建具有情绪感知能力的 AI Agent 所需的两个核心模块:动态提示词管理系统与结构化情感分析引擎。通过 LangChain 的 ChatPromptTemplate、MessagesPlaceholder 以及 with_structured_output 机制,我们实现了提示词内容的实时调整与模型输出的精确约束。
文中所提供的代码示例均基于 LangChain 稳定版本 API 构建,具备完整的可运行性与直接集成至现有 Agent 项目的可行性。两个模块的设计遵循了低耦合、高内聚的原则,为开发者构建具备人性化交互体验的智能体提供了可靠的参考实现。
486



被折叠的 条评论
为什么被折叠?



