LangChain Message 与 Prompt 模板系统

别再手动拼接Prompt了!用ChatML结构化你的大模型对话(以Llama 2/3为例) 本文介绍了如何使用ChatML结构化标记语言优化大模型对话(如Llama 2/3),告别传统手工拼接Prompt的低效方式。ChatML通过标准化标签体系提升对话质量与开发效率,支持角色标识、内容类型区分和元数据扩展,适用于LangChain等框架集成。 阅读详情

玄同 765

大语言模型 (LLM) 开发工程师 | 中国传媒大学 · 数字媒体技术(智能交互与游戏设计)

优快云 · 个人主页 | GitHub · Follow


关于作者

  • 深耕领域:大语言模型开发 / RAG 知识库 / AI Agent 落地 / 模型微调
  • 技术栈:Python | RAG (LangChain / Dify + Milvus) | FastAPI + Docker
  • 工程能力:专注模型工程化部署、知识库构建与优化,擅长全流程解决方案

「让 AI 交互更智能,让技术落地更高效」
欢迎技术探讨与项目合作,解锁大模型与智能交互的无限可能!


LangChain Message 与 Prompt 模板系统

摘要

消息(Message)和提示词模板(Prompt Template)是 LangChain 中最基础也是最重要的概念。本文将深入解析 LangChain 的消息类型系统、提示词模板机制,以及如何通过外部文件(YAML、JSON、Markdown)管理提示词,帮助开发者构建可维护、可扩展的 AI 应用。


一、消息系统详解

1.1 消息类型概览

LangChain 定义了一套完整的消息类型系统,对应不同的对话角色:

使用场景

消息类型

SystemMessage
系统消息

HumanMessage
用户消息

AIMessage
AI响应

FunctionMessage
函数结果

ToolMessage
工具结果

设定角色和行为

用户输入

AI输出

函数调用结果

工具调用结果

1.2 核心消息类型

from langchain_core.messages import (
    BaseMessage,
    SystemMessage,
    HumanMessage,
    AIMessage,
    ToolMessage,
    FunctionMessage,
)

# 系统消息 - 设定 AI 的角色和行为
system_msg = SystemMessage(content="你是一个专业的 Python 开发助手。")

# 用户消息 - 用户的输入
user_msg = HumanMessage(content="如何实现一个单例模式?")

# AI 消息 - AI 的响应
ai_msg = AIMessage(content="单例模式可以通过以下方式实现...")

# 工具消息 - 工具调用的结果
tool_msg = ToolMessage(
    content="文件已成功读取",
    tool_call_id="call_abc123"
)

1.3 消息结构详解

from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
from typing import Optional, Any

class BaseMessage:
    """
    消息基类。
  
    属性:
        content: 消息内容(字符串或内容块列表)
        additional_kwargs: 额外的元数据
        response_metadata: 响应元数据(仅 AI 消息)
        id: 消息唯一标识符
    """
    content: str | list[dict]
    additional_kwargs: dict = {}
    response_metadata: dict = {}
    id: Optional[str] = None


class HumanMessage(BaseMessage):
    """
    用户消息。
  
    支持多模态内容(文本 + 图片)。
    """
    type: str = "human"


class AIMessage(BaseMessage):
    """
    AI 响应消息。
  
    额外属性:
        tool_calls: 工具调用列表
        invalid_tool_calls: 无效的工具调用
    """
    type: str = "ai"
    tool_calls: list[ToolCall] = []

1.4 多模态消息

from langchain_core.messages import HumanMessage

# 纯文本消息
text_msg = HumanMessage(content="描述这张图片")

# 多模态消息(文本 + 图片)
multimodal_msg = HumanMessage(content=[
    {"type": "text", "text": "描述这张图片"},
    {
        "type": "image_url",
        "image_url": {
            "url": "https://example.com/image.jpg"
        }
    }
])

# 本地图片(Base64)
import base64
from pathlib import Path

def create_image_message(image_path: str, text: str) -> HumanMessage:
    """创建包含本地图片的消息。"""
    image_data = base64.b64encode(Path(image_path).read_bytes()).decode()
  
    return HumanMessage(content=[
        {"type": "text", "text": text},
        {
            "type": "image_url",
            "image_url": {
                "url": f"data:image/jpeg;base64,{image_data}"
            }
        }
    ])

1.5 消息转换工具

from langchain_core.messages import convert_to_messages, get_buffer_string

# 从字典列表转换
messages_dict = [
    {"role": "system", "content": "你是助手"},
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "你好!"},
]

messages = convert_to_messages(messages_dict)
# [SystemMessage(...), HumanMessage(...), AIMessage(...)]

# 转换为字符串(用于调试)
message_str = get_buffer_string(messages)
# System: 你是助手
# Human: 你好
# AI: 你好!

二、提示词模板系统

2.1 模板类型概览

特性

变量插值

部分填充

模板组合

格式验证

提示词模板

PromptTemplate
字符串模板

ChatPromptTemplate
对话模板

SystemMessagePromptTemplate

HumanMessagePromptTemplate

AIMessagePromptTemplate

2.2 PromptTemplate - 字符串模板

from langchain_core.prompts import PromptTemplate

# 基础模板
template = PromptTemplate.from_template("给我讲一个关于{topic}的笑话")

# 填充变量
prompt = template.invoke({"topic": "程序员"})
print(prompt.text)  # 给我讲一个关于程序员的笑话

# 带格式验证的模板
template = PromptTemplate(
    template="你是一个{role},请帮我{task}",
    input_variables=["role", "task"],
)

# 部分填充
partial_template = template.partial(role="Python 专家")
prompt = partial_template.invoke({"task": "优化这段代码"})

2.3 ChatPromptTemplate - 对话模板

from langchain_core.prompts import ChatPromptTemplate

# 方式一:从模板字符串创建
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role},擅长{skill}"),
    ("human", "{question}"),
])

# 填充变量
messages = prompt.invoke({
    "role": "Python 专家",
    "skill": "代码优化",
    "question": "如何优化列表推导式?"
})

# 方式二:使用消息模板类
from langchain_core.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate,
    AIMessagePromptTemplate,
)

prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template(
        "你是一个{role},请用{style}风格回答"
    ),
    HumanMessagePromptTemplate.from_template("{question}"),
    AIMessagePromptTemplate.from_template("好的,让我想想..."),
    HumanMessagePromptTemplate.from_template("{follow_up}"),
])

2.4 模板组合

from langchain_core.prompts import ChatPromptTemplate, PromptTemplate

# 组合多个模板
system_template = PromptTemplate.from_template(
    "你是{company}的{role}"
)

task_template = PromptTemplate.from_template(
    "请帮我完成以下任务: {task}"
)

# 组合成对话模板
full_prompt = ChatPromptTemplate.from_messages([
    ("system", system_template.template),
    ("human", task_template.template),
])

# 也可以使用管道操作符组合
from langchain_core.prompts import PipelinePromptTemplate

pipeline_prompt = PipelinePromptTemplate(
    final_prompt=ChatPromptTemplate.from_messages([
        ("system", "{system_prompt}"),
        ("human", "{user_prompt}"),
    ]),
    pipeline_prompts=[
        ("system_prompt", system_template),
        ("user_prompt", task_template),
    ]
)

2.5 高级模板特性

from langchain_core.prompts import ChatPromptTemplate

# 条件模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{role}。"),
    ("placeholder", "{history}"),  # 可选的历史消息占位符
    ("human", "{question}"),
])

# 使用 MessagesPlaceholder 插入消息列表
from langchain_core.prompts import MessagesPlaceholder

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手"),
    MessagesPlaceholder("history"),  # 插入对话历史
    ("human", "{question}"),
])

# 填充
messages = prompt.invoke({
    "history": [
        HumanMessage(content="你好"),
        AIMessage(content="你好!"),
    ],
    "question": "今天天气怎么样?"
})

三、外部文件管理提示词

3.1 为什么需要外部文件管理

优势说明
可维护性提示词与代码分离,便于修改
版本控制提示词变更可追踪
多语言支持不同语言的提示词文件
A/B 测试轻松切换不同提示词版本
团队协作非技术人员也能修改提示词

3.2 YAML 格式提示词

提示词文件 prompts/assistant.yaml:

# AI 助手提示词配置
system_prompt:
  template: |
    你是一个{role},具有以下特点:
    - 专业领域: {domain}
    - 回答风格: {style}
    - 语言: {language}
  
    请根据用户的问题提供专业、准确的回答。

human_prompt:
  template: |
    {question}

# 默认变量值
default_values:
  role: "AI 助手"
  domain: "通用知识"
  style: "简洁专业"
  language: "中文"

# 示例对话
examples:
  - question: "什么是机器学习?"
    answer: "机器学习是人工智能的一个分支..."
  - question: "Python 有什么优势?"
    answer: "Python 具有语法简洁、生态丰富..."

加载器实现:

"""
YAML 提示词加载器。

支持从 YAML 文件加载提示词模板,包括:
- 系统提示词
- 用户提示词
- 默认变量值
- 示例对话

作者: LangChain 学习者
日期: 2026-02
"""

import yaml
from pathlib import Path
from typing import Any

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


class YAMLPromptLoader:
    """
    YAML 提示词加载器。
  
    从 YAML 文件加载提示词配置,支持:
    - 模板定义
    - 默认变量值
    - 示例对话
    - 多语言支持
  
    示例:
        >>> loader = YAMLPromptLoader("prompts/assistant.yaml")
        >>> prompt = loader.get_chat_prompt()
        >>> messages = prompt.invoke({"question": "你好"})
    """
  
    def __init__(self, file_path: str | Path):
        """
        初始化加载器。
      
        Args:
            file_path: YAML 文件路径
        """
        self.file_path = Path(file_path)
        self._config: dict[str, Any] = {}
        self._load()
  
    def _load(self) -> None:
        """加载 YAML 配置。"""
        with open(self.file_path, "r", encoding="utf-8") as f:
            self._config = yaml.safe_load(f) or {}
  
    @property
    def system_template(self) -> str:
        """获取系统提示词模板。"""
        return self._config.get("system_prompt", {}).get("template", "")
  
    @property
    def human_template(self) -> str:
        """获取用户提示词模板。"""
        return self._config.get("human_prompt", {}).get("template", "{question}")
  
    @property
    def default_values(self) -> dict[str, Any]:
        """获取默认变量值。"""
        return self._config.get("default_values", {})
  
    @property
    def examples(self) -> list[dict[str, str]]:
        """获取示例对话。"""
        return self._config.get("examples", [])
  
    def get_system_prompt(self) -> PromptTemplate:
        """获取系统提示词模板。"""
        return PromptTemplate.from_template(self.system_template)
  
    def get_human_prompt(self) -> PromptTemplate:
        """获取用户提示词模板。"""
        return PromptTemplate.from_template(self.human_template)
  
    def get_chat_prompt(self) -> ChatPromptTemplate:
        """
        获取完整的对话提示词模板。
      
        Returns:
            ChatPromptTemplate 实例
        """
        messages = []
      
        # 系统提示词
        if self.system_template:
            messages.append(("system", self.system_template))
      
        # 示例对话(可选)
        if self.examples:
            for example in self.examples:
                messages.append(("human", example["question"]))
                messages.append(("ai", example["answer"]))
      
        # 用户提示词
        messages.append(("human", self.human_template))
      
        return ChatPromptTemplate.from_messages(messages)
  
    def invoke(
        self,
        variables: dict[str, Any] | None = None,
        **kwargs: Any
    ) -> list:
        """
        填充模板并返回消息列表。
      
        Args:
            variables: 模板变量
            **kwargs: 额外的模板变量
      
        Returns:
            消息列表
        """
        # 合并默认值和传入的变量
        all_vars = {**self.default_values, **(variables or {}), **kwargs}
      
        prompt = self.get_chat_prompt()
        return prompt.invoke(all_vars)
  
    def get_few_shot_examples(self) -> list:
        """
        获取少样本学习示例。
      
        Returns:
            消息列表
        """
        examples = []
        for example in self.examples:
            examples.append(HumanMessage(content=example["question"]))
            examples.append(AIMessage(content=example["answer"]))
        return examples

3.3 JSON 格式提示词

提示词文件 prompts/assistant.json:

{
  "name": "code_assistant",
  "description": "代码助手提示词配置",
  "version": "1.0.0",
  "messages": [
    {
      "role": "system",
      "template": "你是一个{language}编程专家,擅长{skill}。请用{style}风格回答问题。"
    },
    {
      "role": "human",
      "template": "{question}"
    }
  ],
  "variables": {
    "language": {
      "type": "string",
      "default": "Python",
      "description": "编程语言"
    },
    "skill": {
      "type": "string",
      "default": "代码优化和重构",
      "description": "专业技能"
    },
    "style": {
      "type": "string",
      "default": "简洁专业",
      "enum": ["简洁专业", "详细解释", "幽默风趣"],
      "description": "回答风格"
    }
  },
  "examples": [
    {
      "input": "如何优化这段代码?",
      "output": "让我分析一下代码的性能瓶颈..."
    }
  ]
}

加载器实现:

"""
JSON 提示词加载器。

支持从 JSON 文件加载提示词配置,包括:
- 消息模板列表
- 变量定义和默认值
- 示例对话

作者: LangChain 学习者
日期: 2026-02
"""

import json
from pathlib import Path
from typing import Any

from langchain_core.prompts import ChatPromptTemplate


class JSONPromptLoader:
    """
    JSON 提示词加载器。
  
    示例:
        >>> loader = JSONPromptLoader("prompts/assistant.json")
        >>> prompt = loader.get_chat_prompt()
        >>> messages = prompt.invoke({"question": "你好"})
    """
  
    def __init__(self, file_path: str | Path):
        self.file_path = Path(file_path)
        self._config: dict[str, Any] = {}
        self._load()
  
    def _load(self) -> None:
        """加载 JSON 配置。"""
        with open(self.file_path, "r", encoding="utf-8") as f:
            self._config = json.load(f)
  
    @property
    def name(self) -> str:
        """获取提示词名称。"""
        return self._config.get("name", "unnamed")
  
    @property
    def description(self) -> str:
        """获取提示词描述。"""
        return self._config.get("description", "")
  
    @property
    def variables(self) -> dict[str, Any]:
        """获取变量定义。"""
        return self._config.get("variables", {})
  
    def get_default_values(self) -> dict[str, Any]:
        """获取所有变量的默认值。"""
        defaults = {}
        for var_name, var_config in self.variables.items():
            if "default" in var_config:
                defaults[var_name] = var_config["default"]
        return defaults
  
    def get_chat_prompt(self) -> ChatPromptTemplate:
        """
        获取对话提示词模板。
      
        Returns:
            ChatPromptTemplate 实例
        """
        messages = []
      
        for msg_config in self._config.get("messages", []):
            role = msg_config["role"]
            template = msg_config["template"]
            messages.append((role, template))
      
        return ChatPromptTemplate.from_messages(messages)
  
    def invoke(
        self,
        variables: dict[str, Any] | None = None,
        **kwargs: Any
    ) -> list:
        """
        填充模板并返回消息列表。
      
        Args:
            variables: 模板变量
            **kwargs: 额外的模板变量
      
        Returns:
            消息列表
        """
        defaults = self.get_default_values()
        all_vars = {**defaults, **(variables or {}), **kwargs}
      
        prompt = self.get_chat_prompt()
        return prompt.invoke(all_vars)
  
    def validate_variables(self, variables: dict[str, Any]) -> list[str]:
        """
        验证变量是否符合定义。
      
        Args:
            variables: 要验证的变量
      
        Returns:
            错误消息列表
        """
        errors = []
      
        for var_name, var_config in self.variables.items():
            # 检查必需变量
            if var_name not in variables and "default" not in var_config:
                errors.append(f"缺少必需变量: {var_name}")
                continue
          
            value = variables.get(var_name, var_config.get("default"))
          
            # 检查枚举值
            if "enum" in var_config and value not in var_config["enum"]:
                errors.append(
                    f"变量 {var_name} 的值 '{value}' 不在允许的枚举值中: {var_config['enum']}"
                )
          
            # 检查类型
            if "type" in var_config:
                expected_type = var_config["type"]
                if expected_type == "string" and not isinstance(value, str):
                    errors.append(f"变量 {var_name} 应该是字符串类型")
                elif expected_type == "integer" and not isinstance(value, int):
                    errors.append(f"变量 {var_name} 应该是整数类型")
      
        return errors

3.4 Markdown 格式提示词

提示词文件 prompts/assistant.md:

# Python 代码助手

## 系统提示词

你是一个 {language} 编程专家,具有以下能力:
- {skill_1}
- {skill_2}

请用 {style} 风格回答问题。

## 用户提示词

{question}

## 示例

### 示例 1

**用户**: 如何实现一个装饰器?

**助手**: 装饰器是 Python 的高级特性,可以用来修改函数行为...

### 示例 2

**用户**: 什么是列表推导式?

**助手**: 列表推导式是 Python 中创建列表的简洁方式...

加载器实现:

"""
Markdown 提示词加载器。

支持从 Markdown 文件加载提示词,通过章节解析:
- 系统提示词
- 用户提示词
- 示例对话

作者: LangChain 学习者
日期: 2026-02
"""

import re
from pathlib import Path
from typing import Any

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


class MarkdownPromptLoader:
    """
    Markdown 提示词加载器。
  
    通过解析 Markdown 章节来提取提示词模板。
  
    示例:
        >>> loader = MarkdownPromptLoader("prompts/assistant.md")
        >>> prompt = loader.get_chat_prompt()
    """
  
    def __init__(self, file_path: str | Path):
        self.file_path = Path(file_path)
        self._content = ""
        self._load()
  
    def _load(self) -> None:
        """加载 Markdown 文件。"""
        self._content = self.file_path.read_text(encoding="utf-8")
  
    def _extract_section(self, heading: str) -> str:
        """
        提取指定章节的内容。
      
        Args:
            heading: 章节标题
      
        Returns:
            章节内容
        """
        pattern = rf"## {heading}\s*\n(.*?)(?=\n## |\Z)"
        match = re.search(pattern, self._content, re.DOTALL)
        return match.group(1).strip() if match else ""
  
    @property
    def system_template(self) -> str:
        """获取系统提示词模板。"""
        return self._extract_section("系统提示词")
  
    @property
    def human_template(self) -> str:
        """获取用户提示词模板。"""
        content = self._extract_section("用户提示词")
        return content if content else "{question}"
  
    def get_examples(self) -> list[dict[str, str]]:
        """
        提取示例对话。
      
        Returns:
            示例列表
        """
        examples = []
      
        # 匹配示例章节
        example_pattern = r"### 示例 \d+\s*\n(.*?)(?=\n### 示例 |\n## |\Z)"
        example_sections = re.findall(example_pattern, self._content, re.DOTALL)
      
        for section in example_sections:
            # 提取用户问题
            user_match = re.search(r"\*\*用户\*\*:\s*(.*?)\n", section)
            # 提取助手回答
            assistant_match = re.search(r"\*\*助手\*\*:\s*(.*?)\Z", section, re.DOTALL)
          
            if user_match and assistant_match:
                examples.append({
                    "question": user_match.group(1).strip(),
                    "answer": assistant_match.group(1).strip()
                })
      
        return examples
  
    def get_chat_prompt(self) -> ChatPromptTemplate:
        """
        获取对话提示词模板。
      
        Returns:
            ChatPromptTemplate 实例
        """
        messages = []
      
        # 系统提示词
        if self.system_template:
            messages.append(("system", self.system_template))
      
        # 示例对话
        for example in self.get_examples():
            messages.append(("human", example["question"]))
            messages.append(("ai", example["answer"]))
      
        # 用户提示词
        messages.append(("human", self.human_template))
      
        return ChatPromptTemplate.from_messages(messages)
  
    def invoke(
        self,
        variables: dict[str, Any] | None = None,
        **kwargs: Any
    ) -> list:
        """填充模板并返回消息列表。"""
        all_vars = {**(variables or {}), **kwargs}
        prompt = self.get_chat_prompt()
        return prompt.invoke(all_vars)

四、统一提示词管理器

4.1 多格式支持

"""
统一提示词管理器。

支持多种格式的提示词文件:
- YAML (.yaml, .yml)
- JSON (.json)
- Markdown (.md)

作者: LangChain 学习者
日期: 2026-02
"""

from pathlib import Path
from typing import Any

from langchain_core.prompts import ChatPromptTemplate


class PromptManager:
    """
    统一提示词管理器。
  
    自动识别文件格式并加载提示词。
  
    示例:
        >>> manager = PromptManager("prompts/")
        >>> prompt = manager.load("assistant")
        >>> messages = prompt.invoke({"question": "你好"})
    """
  
    LOADERS = {
        ".yaml": "YAMLPromptLoader",
        ".yml": "YAMLPromptLoader",
        ".json": "JSONPromptLoader",
        ".md": "MarkdownPromptLoader",
    }
  
    def __init__(self, prompts_dir: str | Path):
        """
        初始化提示词管理器。
      
        Args:
            prompts_dir: 提示词文件目录
        """
        self.prompts_dir = Path(prompts_dir)
        self._cache: dict[str, Any] = {}
  
    def _get_loader(self, file_path: Path):
        """获取对应的加载器。"""
        suffix = file_path.suffix.lower()
        loader_name = self.LOADERS.get(suffix)
      
        if loader_name == "YAMLPromptLoader":
            from langchain_prompts.yaml_loader import YAMLPromptLoader
            return YAMLPromptLoader(file_path)
        elif loader_name == "JSONPromptLoader":
            from langchain_prompts.json_loader import JSONPromptLoader
            return JSONPromptLoader(file_path)
        elif loader_name == "MarkdownPromptLoader":
            from langchain_prompts.markdown_loader import MarkdownPromptLoader
            return MarkdownPromptLoader(file_path)
      
        raise ValueError(f"不支持的文件格式: {suffix}")
  
    def load(self, name: str) -> ChatPromptTemplate:
        """
        加载提示词模板。
      
        Args:
            name: 提示词名称(不含扩展名)
      
        Returns:
            ChatPromptTemplate 实例
        """
        if name in self._cache:
            return self._cache[name].get_chat_prompt()
      
        # 查找文件
        for ext in self.LOADERS.keys():
            file_path = self.prompts_dir / f"{name}{ext}"
            if file_path.exists():
                loader = self._get_loader(file_path)
                self._cache[name] = loader
                return loader.get_chat_prompt()
      
        raise FileNotFoundError(f"未找到提示词文件: {name}")
  
    def invoke(
        self,
        name: str,
        variables: dict[str, Any] | None = None,
        **kwargs: Any
    ) -> list:
        """
        加载并填充提示词。
      
        Args:
            name: 提示词名称
            variables: 模板变量
            **kwargs: 额外的模板变量
      
        Returns:
            消息列表
        """
        if name not in self._cache:
            self.load(name)
      
        return self._cache[name].invoke(variables, **kwargs)
  
    def list_prompts(self) -> list[str]:
        """
        列出所有可用的提示词。
      
        Returns:
            提示词名称列表
        """
        prompts = set()
      
        for file_path in self.prompts_dir.iterdir():
            if file_path.suffix.lower() in self.LOADERS:
                prompts.add(file_path.stem)
      
        return sorted(prompts)

4.2 使用示例

import asyncio
from pathlib import Path
from langchain_openai import ChatOpenAI

async def main():
    # 初始化提示词管理器
    manager = PromptManager(Path("./prompts"))
  
    # 列出所有提示词
    print("可用提示词:", manager.list_prompts())
  
    # 加载并使用提示词
    messages = manager.invoke(
        "assistant",
        language="Python",
        skill_1="代码优化",
        skill_2="调试排错",
        style="简洁专业",
        question="如何实现一个单例模式?"
    )
  
    # 调用 LLM
    llm = ChatOpenAI(model="gpt-4o")
    response = await llm.ainvoke(messages)
  
    print(response.content)

if __name__ == "__main__":
    asyncio.run(main())

五、项目目录结构

project/
├── prompts/                    # 提示词目录
│   ├── assistant.yaml         # YAML 格式
│   ├── code_review.json       # JSON 格式
│   └── translator.md          # Markdown 格式
├── src/
│   └── langchain_prompts/
│       ├── __init__.py
│       ├── manager.py         # 提示词管理器
│       ├── yaml_loader.py     # YAML 加载器
│       ├── json_loader.py     # JSON 加载器
│       └── markdown_loader.py # Markdown 加载器
└── main.py

六、最佳实践

6.1 提示词版本管理

# prompts/assistant_v2.yaml
version: "2.0.0"
changes:
  - 添加了多语言支持
  - 优化了系统提示词结构

system_prompt:
  template: |
    你是一个{role}...

6.2 多语言支持

prompts/
├── en/
│   └── assistant.yaml
├── zh/
│   └── assistant.yaml
└── ja/
    └── assistant.yaml
manager = PromptManager(f"prompts/{language}/")

6.3 提示词测试

def test_prompt_template():
    """测试提示词模板。"""
    loader = YAMLPromptLoader("prompts/assistant.yaml")
  
    # 测试变量提取
    prompt = loader.get_chat_prompt()
    input_variables = prompt.input_variables
  
    # 测试填充
    messages = loader.invoke({"question": "测试问题"})
    assert len(messages) > 0

七、总结

格式优势适用场景
YAML可读性好、支持多行字符串复杂提示词、带默认值
JSON结构化、易于验证API 集成、变量校验
Markdown直观、易于编写文档简单提示词、示例展示

通过外部文件管理提示词,可以实现:

目标实现方式
可维护性提示词与代码分离
版本控制Git 追踪变更
团队协作非技术人员可编辑
A/B 测试多版本提示词文件
国际化多语言目录结构

参考资料

YOLO+VLM+RAG智能监控实战:Prompt外置业务规则 在计算机视觉与安全生产深度融合的背景下,智能监控系统正从单一目标检测向多模态认知进化。目标检测技术(如YOLO)解决“看见”问题,而视觉语言模型(VLM)赋予系统“看懂”场景的能力,结合检索增强生成(RAG)与知识库,让机器能按企业规范进行风险研判。这一技术组合将传统写死的业务规则外置为Prompt模板和知识文档,实现了“不写代码只写Prompt”的灵活迭代。在工业质检、安全巡检等场景中,通过多模态大模型与知识检索的协同,显著降低规则维护成本,提升异常处置的准确性与可解释性。本文完整呈现从环境配置、模块拆解 阅读详情

相关推荐

RAG上下文丢失问题与Contextual Retrieval实战方案

在RAG系统中,‘上下文丢失’是导致检索准确率骤降的核心瓶颈——传统文本切分破坏指代关系与语义连贯性,使模型无法识别‘甲方’‘该条款’等关键指代对象。其本质是检索单元缺乏身份锚点,而非向量表征能力不足。Contextual Retrieval通过LLM生成轻量级上下文摘要并拼接嵌入,为每个chunk注入实体、关系与位置信息,显著提升BM25与向量混合检索的精准度。该技术已在法律合同、财报分析等强指代场景验证有效,适用于LangChain+Chroma+Claude/BGE生态,无需更换底层架构即可落地。本文

weixin_30279671的博客 358

AIMessagePromptTemplate的使用

AIMessagePromptTemplate的使用

我的博客 266

vesta软件_分子动力学计算实战:利用 OVITO 软件找弗伦克尔缺陷和位错环分析

今天继续和大家分享这篇纯分子动力学(MD)的 Nat. Comm. 文章(DOI:10.1038/s41467-018-07102-3)。上期推文(从一篇 Nat. Comm. 学习经典分子动力学基本知识和相关软件基本操作 (一)),我们借用该文章的 fig.1 简单介绍了如何用文中所提到的 LAMMPS 软件来实现材料中级联碰撞过程。但是,想完整的展示类似该文章的 fig.1,单纯利用...

weixin_39524842的博客 5985

LangChain: 大语言模型的新篇章

本文介绍了LangChain框架,它能够将大型语言模型与其他计算或知识来源相结合,从而实现功能更加强大的应用。接着,对LangChain的关键概念进行了详细说明,并基于该框架进行了一些案例尝试,旨在帮助读者更轻松地理解LangChain的工作原理。引言近期,大型语言模型(LLM)如GPT系列模型引领了人工智能领域的一场技术革命。开发者们都在利用这些LLM进行各种尝试,虽然已经产生了许多有趣的应用,...

淘系技术 6623

STA 静态时序分析 第三章——标准单元库中的高级功耗建模与优化策略

本文深入探讨了STA静态时序分析中标准单元库的高级功耗建模与优化策略。详细解析了动态功耗和漏电功耗的精细建模技术,包括基于波形敏感的CCS模型和温度敏感的漏电模型,并介绍了多工艺角功耗建模及低功耗设计优化策略,为纳米级芯片设计提供关键能效解决方案。

weixin_29290863的博客 225

炼丹-Pyecharts: JupyterLab无法render_notebook

炼丹-Pyecharts: JupyterLab无法render_notebook问题描述Jupyter-Lab 环境下render_notebook显示空白 问题描述Jupyter-Lab 环境下render_notebook显示空白 首先需要使用pyecharts自带的config来申明一下使用pyecharts的运行环境 from pyecharts.globals import Curre...

MichaelZzzzz的博客 4689

【大模型】—LangChain开源框架介绍

了解Langchain的概念,业务框架,核心元素以及可能的应用场景等

crystal_csdn8的博客 7357

PCL 模型滤波器【2025最新版】

根据给定的模型系数在点云中提取对应于模型的点云数据。博客长期更新,本文最新更新时间为:2025年6月17日。

点云侠的博客 4385

[解锁iMessage数据:如何将聊天记录转化为AI消息]

这篇文章介绍了如何将iMessage聊天记录转化为AI可处理的消息,并通过LangChain实现微调和应用。要了解更多关于LangChain的使用,可访问其官方文档。

bhawfgrcbtwny的博客 765

损失函数大汇总(六十一)(Signed Distance Map Loss附公式推导与代码)

摘要 本文介绍了Signed Distance Map (SDM) Loss,一种将形状先验直接融入分割任务的方法。SDM将每个像素表示为到目标边界的带符号距离(内部为负,外部为正),相比二值mask能更连续地表达形状几何信息。SDM Loss的核心思想是让网络学习这个隐式形状场,通过可微的Heaviside函数近似将SDM转换为分割结果。文中重点分析了一种product-based regression loss,它能同时关注距离数值和内外符号的正确性,对边界区域尤为敏感。SDM Loss通常与传统的分割

悦学共鸣,温柔以待,汇聚光芒,共同成长 191

YOLOv8改进 | 主干网络 | 将主干网络替换为轻量化的ShuffleNetv2【原理 + 完整代码】

yolov8,yolov8创新,yolov8改进

kay_545 2567

语言大模型集成工具LangChain的基本使用

LangChain的基本使用

weixin_43480889的博客 2522

Python爬虫实战:用Playwright+Transformer做财经新闻事件驱动分析,我靠它抓住了算力政策的涨停机会

对我来说,这套系统最大的价值不是抓住了几次涨停,而是把“看新闻→分析→决策”的全流程自动化、量化了——不用再被股吧的情绪带偏,不用再熬夜刷新闻,而是用数据和模型做理性判断。更重要的是,搭建这套系统的过程,我吃透了Playwright动态爬虫、Transformer文本分析、量化数据对接这些核心技能,这些技能不管是做量化、做数据分析师,还是做其他领域的爬虫,都能用得上。现在打开PyCharm,跟着代码跑一遍,你也能从海量财经新闻里,挖出属于自己的事件驱动信号——与其靠感觉炒股,不如靠数据说话。

专注于Python爬虫开发,分享爬虫技巧、项目实战与反爬经验,使用Scrapy、BeautifulSoup等工具,解决数据抓取难题。 1394

LangChain-提示模板 (Prompt Templates)

提示工程是使用大型语言模型的关键技术。通过精心设计的提示,可以显著提高模型的输出质量和相关性。标准化的提示构建方式:统一接口创建各种提示变量插值:动态构建包含用户输入的提示复用和组合:模块化提示设计和共享特定任务优化:针对不同场景的专用模板提示模板是LangChain中至关重要的组件,它们将用户输入、系统指令和上下文信息转换为结构化的提示,以获得更好的模型输出。掌握提示模板的设计和使用技巧,是有效使用大型语言模型的关键。不同类型的提示模板及其适用场景如何创建和格式化基本提示。

1.大规模企业集群服务开发和服务架构设计,性能优化等经验。 2.企业级数据仓库0-1落地经验。 1785

怀旧版电脑GBC模拟器

再现原版GBC掌机的界面,电脑运行连游戏界面都一样大小,很怀旧,很真实,(英文版)强烈推荐,很小的文件,很难才找到的。

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

第九章 LangChain快速入门

大语言模型(LLM)本身是"无状态"的——你给它一个问题,它给你一个回答。我们需要让 LLM记住上下文(Memory)我们需要让 LLM查询外部数据(RAG)我们需要让 LLM调用工具和API(Agent)我们需要把多个 LLM 调用串联成工作流(Chain)LangChain 就是为了解决这些问题而生的。它提供了一套统一的抽象,让开发者可以像搭积木一样构建复杂的 LLM 应用。"""自定义 Chain:将代码从一种语言翻译到另一种语言。

qq_53460854的博客 1680

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

AI Agent从无到有28: LangChain 五种提示词模板实战解析

本文系统介绍了LangChain中的五种提示词模板及其应用场景。字符串模板PromptTemplate适用于纯文本LLM模型;对话模板ChatPromptTemplate生成结构化消息列表,适合对话类模型;消息占位符MessagesPlaceholder可动态插入对话记录;使用SystemMessage等对象能灵活组合模板;通过继承StringPromptTemplate可实现自定义模板逻辑。文章对比了各模板特点,并提供了可直接运行的Python代码示例,展示了从定义模板到格式化输出的完整流程。这些模板为构

Wang的专栏 304

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

AI2.0时代如何快速落地AI智能应用开发,抓住时代机会

当我们提到人工智能时也就是AI的时候呢,我们大多数人首先想到的可能就是像chatGPT这样的聊天机器人,这些聊天机器人通过理解,还有生成自然语言可以给我们提供一些信息,这个是AI最终的形态吗或者AI最终的形式吗?比尔盖茨在他的个人博客中写道,现有的软件形式然而相当的笨拙软件的未来是智能代理,即AI agent。

weixin_40896800的博客 1723

【智能体开发】《LangChain核心技术与LLM项目实践》_35.[第5章 链式调用] LLM链基础:单一模型调用的标准流程

文章摘要: 本文剖析了LLM开发中从"裸调API"到"链式架构"的进化路径,重点讲解LangChain中LLMChain的核心价值与实践方法。文章通过对比裸调API的典型问题(如Prompt管理混乱、模型切换困难、输出解析脆弱等),系统阐述了LLMChain如何通过三大核心组件(PromptTemplate模板系统、BaseLanguageModel模型层、BaseOutputParser解析器)实现工程化解决方案。通过代码实例展示标准化流程:从定义结构化输出、配置Prompt模板、组装链式调用,到最终执行

318

03 大模型核心开发框架

如果是java选手,学习过langchain4j,上手这部分内容应该很快。先详细看看课程目标建立对 LangChain 的整体认识,知道它是什么、解决什么问题、在 AI 应用开发里处于什么位置。理解 LangChain 在 1.x 时代的产品边界、包结构、版本演进,以及它与LangGraph、LangSmith、Deep Agents 的关系。建立对 Model I/O、Chains、Memory、Retrieval、Tools/Agents、Callbacks 这六类教学视角的整体认知。

Misnearch的博客 398

提示词工程化:从复制粘贴到CLI驱动的模板系统

提示词已超越简单指令,演变为需版本控制、接口契约与自动化测试的软件资产。其核心原理在于将人机交互标准化为可声明、可验证、可组合的模块化单元,通过结构化schema、参数约束和调试探针实现稳定输出。技术价值体现在显著降低上下文污染、杜绝版本混乱、提升跨角色协作效率。典型应用场景覆盖代码生成、合规报告、营销文案、合同审查等企业高频任务,尤其适用于需审计追溯、多环境适配与团队协同的工程化AI落地。本方案以prompt-arsenal和CLI为核心载体,推动提示词从‘经验碎片’走向‘可交付模块’。

weixin_33937913的博客 401

datawhale 组队学习 RAG技术全栈指南task1打卡

先把章节内容切块 → 建索引 → 用问题做向量检索拿到相关片段 → 把这些片段塞进 Prompt → 让 DeepSeek 在这些上下文内回答问题”。

Nature_park的博客 497

过去一周:完整实战指南与核心要点精讲

这一周的AI圈,既有像OpenRA-RL这样让大模型“动起来”的硬核训练场,也有像OpenClaw这样能帮你“干实事”的贴心管家;既有IBISAgent在医疗领域的精准突破,也有工程界在成本和速度上的极致优化。未来的AI,不仅仅是更聪明,更要。

热爱技术与前沿创新,深耕科技领域,在科创中精进自我;探索技术乐趣,分享技术干货与成长心得,以技术为伴,热爱生活,在科创与生活中双向成长。 440

AI应用开发从零开始:大模型智能系统搭建

标签:#人工智能、#大模型、#自然语言处理、#大模型开发、#智能体开发、#agent开发、#AI。

2601_95522367的博客 559

FastAPI脚手架工具app-generator-cli:基于uv的AI应用快速生成方案

FastAPI 是当前主流的 Python 异步 Web 框架,其高性能与 Pydantic 集成广受 AI 后端开发者青睐;而 uv 作为 Rust 编写的下一代 Python 包管理器,正逐步解决长期困扰工程化的依赖不一致与安装缓慢问题。二者结合,构成了现代 AI 应用(如 RAG、LangChain Agent)从原型到部署的关键基础设施。本文聚焦于一个生产级 CLI 工具 app-generator-cli,它并非简单模板填充器,而是将 FastAPI 最佳实践、uv 确定性依赖管理、SQLMode

weixin_34279579的博客 449

编码智能体架构解析:从ReAct到MetaGPT的源代码分类与工程实践

编码智能体(Coding Agent)作为AI应用开发的核心组件,其架构设计直接决定了任务执行的效率和可靠性。理解其工作原理,关键在于剖析其源代码组织,即“脚手架”内的核心模块交互。从控制流范式来看,主流架构可分为基于循环的ReAct范式、强调先规划后执行的分层范式,以及基于事件驱动的异步范式,每种范式在代码结构上都有显著差异,适用于不同复杂度的任务场景。在工程实践中,工具系统的抽象与安全沙箱设计、记忆模块的短期上下文管理与长期向量化存储、以及提示词的模板化与动态构建,共同构成了智能体的能力边界。这些技术要

weixin_34166847的博客 501
上一篇: nanobot:4000 行代码复刻 OpenClaw 核心能力的极简 AI Agent 框架
下一篇: LangChain LLM 与 Chat Models 模型调用深度解析
玄同765
玄同765 新星创作者: 人工智能技术领域 新星创作者: 人工智能技术领域
博客等级 码龄6年 1万+粉丝 262原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值