从零开始学LangGraph（2）：Message和Template —— 如何通过代码与模型对话（下）大模型入门到精通，收藏这篇就足够了！

大家好，上一期我们初步学习了如何利用LangChain的Chat Model来使用DeepSeek。本期我们将继续探索LangChain中与“模型使用”相关的一些细节，涉及的核心概念包括Message和Template。

Message 概述

上一期末尾，我们使用invoke方法生成了一个AIMessage，这就引出了一个与Chat Model使用相关的重要知识点，Message。

事实上，Chat Model的定义就是一种以一个消息（Message）列表作为输入，并将一段消息（如AIMessage）作为输出的接口。

换言之，Message是Chat Model中进行信息交流的基本单位，它用于表示聊天模型的输入与输出，以及与对话可能相关的任何额外上下文或元数据。

Message的类型

在LangChain中，Message对象包括三个要素：

• • 角色（Role）：定义Message的类型，常见角色如系统、用户；
• • 内容（Content）：代表Message的实际内容，可以是字符串、图片、视频、文档等等；
• • 元数据（Metadata）：可选项，包括根据聊天模型提供商而异的各种额外元数据，如messsage IDs、token用量等等。

【Role】Message(content="消息的内容")

根据role的不同，Message分又为了4种主要类型，包括：

• • SystemMessage：对应的角色是系统，用来设定模型的基本身份、行为模式，属于一种系统Prompt。
• • HumanMessage：对应的角色是用户，代表用户输入的信息。
• • AIMessage：对应的角色是助手（assistant），代表模型回复的消息。
• • ToolMessage：对应的角色是工具，它包含的内容主要是工具的调用。

事实上，看过我前面使用Cherry Studio进行各种MCP整活，或者在Coze中搭建智能体的教程的朋友应该会很熟，在设定智能体时，我们首先会给模型设一个系统提示，以定义它的“灵魂”，然后再去对话框中输入具体的任务需求。这样，模型就会在系统提示（对应SystemMessage）的背景下，去理解和处理用户输入的内容（对应HumanMessage）。

三种等价的Prompt格式

看到这里，有的朋友可能会疑惑，上期的示例里面，我们可没有写什么复杂的HumanMessage，不是直接就llm.invoke("hello")了吗？

这是因为，对于用户输入信息，除了前述标准格式，LangChain也支持直接以字符串的形式输入（text prompts），或者用OpenAI格式输入（Dictionary format）。这意味着下列三种消息输入方式是等价的：

model.invoke("Hello")model.invoke([{"role": "user", "content": "Hello"}])model.invoke([HumanMessage("Hello")])

Message的基本使用方法

使用Message的最简单方法，就是将不同role的message放到一个列表中，然后将这个列表传递给model进行invoke。参考代码如下：

from langchain_core.messages import HumanMessage, SystemMessagemessages = [    SystemMessage(content="将用户输入翻译为中文"),    HumanMessage(content="hello world!"),]model.invoke(messages)

可以看到，模型成功地将“hello world”翻译成了中文。

换言之，LangChain中，如果你向Chat Model传入一个包含SystemMessage和HumanMessage的列表，Chat Model就能够明白SystemMessage是在设定模型的基本行为，而HumanMessage是用户的具体输入。

关于Chat Prompt Templates

事实上，熟悉Prompt编写的朋友可能会意识到，把SystemMessage和HumanMessage的组合起来，其实就能构成一套比较完整的Prompt。

于是，在LangChain中，为了让这个作为Prompt的message列表的生成过程更加灵活、便捷，可以使用ChatPromptTemplates组件对Prompt的关键要素进行预设，形成Prompt模板。

这样，当我们向模版输入数据（这些数据可以是用户的原始输入，也可以是程序的查询结果等等），这些数据能够与Prompt模版相结合（比如为用户输入增加一个SystemMessage，或者将用户输入整理为预设的格式），从而自动构造出最终真正传递给模型的消息列表。

但需要说明的是，目前LangChain1.0版文档中似乎并没有将template作为一个核心组件来讲了。考虑到template有时还是很有用的，这里也还是补充一下相关的基本用法，感兴趣的朋友可以去探索探索。

Chat Prompt Templates的基本用法

Step 1.设置Prompt 模板

这里我使用LangChain0.3版本官方文档中的参考代码为例，完整内容如下：

from langchain_core.prompts import ChatPromptTemplatesystem_template = "将用户输入翻译为 {language}"prompt_template = ChatPromptTemplate(    [        ("system", system_template),         ("user", "{text}")    ])

我们直接看第三段代码，这是构造Prompt模版的核心：

prompt_template = ChatPromptTemplate(    [        ("system", system_template),         ("user", "{text}")    ])

可以看到，构造模板的方法非常简单，就是向ChatPromptTemplate传递一个列表类型的参数，该列表中的每个元素是一个元组（即方括号[]内的两个圆括号()包裹的数据），而每个元组内包含的元素又依次为角色（role）和对应的内容模板。

system角色对应的模板内容，又引用了一个变量system_template，根据第二段代码，这个变量的值为字符串"将用户输入翻译为 {language}"，其中{language}是一个使用花括号的占位符，将在实际使用时被具体的语言名称替换（例如“英语”、“法语”）。同理，user角色对应的模板内容{text}也是一个占位符。

Step 2.使用Prompt 模版

我们使用ChatPromptTemplate构造出的模板对象prompt_template，也可以使用invoke方法来生成最终用来传给大模型的提示词，代码如下：

prompt = prompt_template.invoke({"language": "中文", "text": "hello world!"})

其中，向invoke方法传入的是一个字典结构的数据，这个字典中包含了两个键值对，其“键”分别对应着我们前面在设置模版时提前占位的{language}和{text}。

这时，我们如果打印prompt，就会发现它其实就是一个message对象的列表。

换言之，我们使用prompt_template.invoke()，可以将一个与我们提示词模板相对应的字典结构的数据，转化为标准的LangChain消息格式，以作为提示词传递给大模型。

好了，以上就是本期的主要内容，请大家尽情探索，祝大家玩得开心！

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！