从LangChain到LangGraph：AI智能体提示词工程的系统化学习

AI 代理的世界正在迅速扩展，掌握 LangChain 和 LangGraph 的提示工程让你站在这场革命的前沿。无论你是打造客服机器人、内容创建系统还是复杂分析工具，这些框架为你创建真正智能的应用提供了基础。

AI 的世界正在飞速演变，从简单的问答系统升级成了复杂、多步骤推理的智能代理。不管你是想打造客服机器人、数据分析工具，还是复杂的自动化工作流程，掌握 LangChain 和 LangGraph 的提示工程（Prompt Engineering）是你成功的关键！

为什么提示工程比以往任何时候都重要传统的提示方式对简单任务还行，但现代 AI 应用需要：

• 多步骤推理 

• 动态决策 

• 记忆与上下文感知 

• 工具集成 

• 错误处理与自我纠正 

下面我们来聊聊 LangChain 和 LangGraph 怎么让这一切变成现实！

基础：LangChain 提示模板

1. 字符串模板 —— 基础入门 📝

适合简单、单一输入的场景：

from langchain_core.prompts import PromptTemplate

# 客服邮件生成器
email_template = PromptTemplate.from_template(
    """
    为以下情况撰写一封专业的客服邮件：
    
    客户问题：{issue}
    客户姓名：{customer_name}
    紧急程度：{urgency}
    
    语气：共情且以解决方案为导向
    包含：问题确认、解决方案步骤、后续跟进提议
    """
)
# 生成个性化回复
prompt = email_template.invoke({
    "issue": "支付后无法访问高级功能",
    "customer_name": "Sarah",
    "urgency": "High"
})
print(prompt.to_string())

小贴士 💡：在模板中使用描述性的变量名和清晰的指令！

2. 聊天模板 —— 对话的超能力

适合打造复杂的聊天体验：

from langchain_core.prompts import ChatPromptTemplate

# AI 编程导师设置
coding_mentor_template = ChatPromptTemplate.from_messages([
    ("system", """你是 Python 编程专家，你的教学风格是：
    • 耐心且鼓励
    • 提供清晰的解释和示例
    • 提出引导性问题帮助学生思考
    • 庆祝学生的进步和学习时刻
    """),
    ("user", "我在 {topic} 上有困难，能帮我理解 {specific_question} 吗？")
])
# 创建学习会话
chat_prompt = coding_mentor_template.invoke({
    "topic": "列表推导式",
    "specific_question": "什么时候用它，什么时候用普通循环"
})

3. 使用 MessagesPlaceholder 实现动态消息历史

对保持对话上下文至关重要：

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

# 带记忆的项目管理助手
project_template = ChatPromptTemplate.from_messages([
    ("system", "你是项目管理助手，跟踪任务、截止日期和团队进展。"),
    MessagesPlaceholder(variable_name="conversation_history"),
    ("user", "{current_request}")
])
# 模拟对话历史
conversation_history = [
    HumanMessage(cnotallow="我们有个新项目：移动应用开发"),
    AIMessage(cnotallow="好的！已记录移动应用开发项目。时间线是怎样的？"),
    HumanMessage(cnotallow="我们需要在3个月内上线"),
    AIMessage(cnotallow="已记录3个月时间线。关键里程碑有哪些？")
]
# 继续对话
current_prompt = project_template.invoke({
    "conversation_history": conversation_history,
    "current_request": "添加任务：设计用户界面 mockups，下周五截止"
})

使用 LCEL 构建智能链

LangChain Expression Language (LCEL) 让你能创建强大的处理流水线：

简单链示例

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 内容创作流水线
llm = ChatOpenAI(model="gpt-4", temperature=0.7)
output_parser = StrOutputParser()
# 博客文章生成链
blog_chain = (
    {"topic": lambda x: x, "audience": lambda x: "developers"}
    | PromptTemplate.from_template(
        "为 {audience} 撰写一篇关于 {topic} 的吸引人博客文章，"