lang

1. 本章目标 #

上一章讲清了 System / Human / AI / Tool 消息。前几章里，提示词却多是写死在代码字符串里。业务一复杂，常见问题是：

同一段人设复制粘贴多处，改一处漏三处
多轮历史、少样本示例、用户变量混在一起，难以复用
想做 A/B 或按场景切换 prompt，只能改代码再发版

提示词不只是「给模型看的一段话」，更是业务系统里可维护的一层配置。本章目标：

用 Prompt / ChatPrompt 模板把提示词做成可维护的一层：变量填充、少样本、系统提示设计。

学完你应能：

使用 PromptTemplate 与 ChatPromptTemplate
用 MessagesPlaceholder 插入历史消息
做 few-shot（字符串版与聊天消息版）
用 partial 预填固定变量
写出更稳的系统提示，并接到模型 / Agent

参考（API 在 langchain_core.prompts）：

Messages（模板最终仍产出消息）
Agents · system_prompt
LangSmith Prompt（团队协作时可把 prompt 放到平台）

2. 为什么需要 Prompt 层 #

把用户输入直接拼进长字符串，Demo 很快，业务一长大就疼：角色、历史、示例、变量全搅在一起，又难测又难改。

硬编码：
  model.invoke("你是客服……用户说：" + user_text)

模板化：
  prompt = ChatPromptTemplate.from_messages([...])
  messages = prompt.format_messages(user_text=user_text, ...)
  model.invoke(messages)

模板层把「提示长什么样」从调用现场抽出来：

收益	说明
结构清晰	system / human / ai 角色分开写
变量安全	缺变量会报错，少拼字符串 bug
可复用	同一模板服务多个入口（API、脚本、Agent）
可组合	历史占位、少样本、partial 预填

和 Agent 的关系要分清两层：

入口	管什么	典型用法
`create_agent(system_prompt=...)`（第 2 章）	驾驭层级人设 / 全局约束	助手是谁、何时必须调工具
`ChatPromptTemplate`	业务场景级提示	翻译模板、抽工单模板、带历史问答

两者常并存：Agent 有总人设，具体业务链仍用模板组织输入。第 6 章会把模板接到结构化输出上。

3. PromptTemplate：字符串模板 #

PromptTemplate 产出的是一整段文本，不是消息列表。
适合简单补全、非聊天协议，或只想把一段拼好的字符串塞进某个字段。

聊天模型场景下它也能用（字符串会被当成一条用户消息），但角色边界不清。
本章主推下一节的 ChatPromptTemplate；本节先建立「变量填充」的直觉。

3.1. 1.PromptTemplate.py #

# 从 langchain_core.prompts 导入 PromptTemplate，用于创建可填充变量的提示词模板
from langchain_core.prompts import PromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# {name} 是待填变量；缺变量时 format 会报错
# 用字符串模板创建 PromptTemplate，其中 {name} 为运行时填充的变量
prompt = PromptTemplate.from_template("你是简洁助手。用户叫{name}，请用一句话打招呼。")

# 将 name 填充为「张三」，得到完整提示词文本
text = prompt.format(name="张三")
# 打印填充后的提示词，便于确认模板结果
print(text)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用填充后的提示词调用模型，并打印返回消息的文本内容
print(model.invoke(text).content)

要点：

from_template 自动推断 input_variables（这里是 name）
format(**kwargs) 得到 字符串
缺变量会报错——这是优点，比静默拼出残缺 prompt 更好查
聊天场景更推荐下一节的 ChatPromptTemplate（直接产出消息列表）

4. ChatPromptTemplate：对话模板（主推） #

现代聊天模型按「多条带角色的消息」工作。ChatPromptTemplate 正是为此而设计：

每条可以是 system / human / ai（也可用消息对象）
每条文本里都能写 {变量}
format_messages(...) 得到第 4 章那种消息列表，可直接 model.invoke

相对字符串模板，它更贴近真实对话状态，也更容易插入历史和少样本。

4.1. 2.ChatPromptTemplate.py #

下面示例故意在模板里放了一轮「假历史」（human/ai），用来演示：模板不仅可以填变量，还可以预置对话结构。

# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 用消息列表创建 ChatPromptTemplate，每条消息可含待填充变量
prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / human / ai / human 顺序组织对话
    [
        # 系统消息：设定助手人设，{name} 为运行时填充的变量
        ("system", "你是乐于助人的助手，名字叫{name}。回答要短。"),
        # 人类消息：模拟用户的开场问候
        ("human", "你好！"),
        # AI 消息：模拟助手的自我介绍回复，同样使用 {name} 变量
        ("ai", "你好，我是{name}，有什么可以帮你？"),
        # 人类消息：用户真正的提问，{user_input} 为运行时填充的变量
        ("human", "{user_input}"),
    ]
)

# 填充全部变量 → 消息列表
# 将 name 与 user_input 填入模板，得到完整的消息对象列表
messages = prompt.format_messages(
    # 助手名字填充为「小助」
    name="小助",
    # 用户输入填充为询问名字的问题
    user_input="你叫什么名字？",
)
# 遍历填充后的每条消息，便于确认模板结果
for m in messages:
    # 打印消息类型名称与消息文本内容
    print(type(m).__name__, ":", m.content)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用填充后的消息列表调用模型，并打印返回消息的文本内容
print(model.invoke(messages).content)

调试习惯：先 print 填完后的 messages，确认角色顺序和变量都对，再调模型。

4.2. 管道写法预览（LCEL） #

第 7 章会系统讲 Runnable / LCEL。这里先建立直觉：

prompt | model = 先按变量填模板，再把消息列表交给模型。

调用方只传字典，不必再手写 format_messages + invoke 两步。

4.2.1. 3.prompt_pipe_model.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 用消息列表创建 ChatPromptTemplate，每条消息可含待填充变量
prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / human 顺序组织翻译任务对话
    [
        # 系统消息：设定翻译目标语言变量 {target_lang}，并要求只输出译文
        ("system", "把用户句子翻译成{target_lang}，只输出译文。"),
        # 人类消息：待翻译的原文，{text} 为运行时填充的变量
        ("human", "{text}"),
    ]
)
# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)

# 用 LCEL 管道把「填模板 → 调模型」串成一条链
chain = prompt | model
# 传入目标语言与原文，调用整条链得到模型回复
ai = chain.invoke({"target_lang": "英文", "text": "生活不止眼前的代码"})
# 打印模型返回消息的文本内容（即译文）
print(ai.content)

数据流可以记成：

{"target_lang","text"}  →  ChatPromptTemplate  →  messages  →  model  →  AIMessage

5. MessagesPlaceholder：插入历史消息 #

普通 {var} 只能填充字符串。多轮对话要插入的是一整段消息对象列表（第 4 章的 HumanMessage / AIMessage 等），这时用 MessagesPlaceholder。

典型结构：

[SystemMessage]          ← 人设
[...history...]          ← MessagesPlaceholder 插入
[HumanMessage]           ← 当前问题

这和第 4 章手写 history.append(...) 是同一思路，只是把「历史插在哪」声明进了模板。

5.1. 4.MessagesPlaceholder.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate 与 MessagesPlaceholder，用于对话模板与历史消息占位
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

# 从 langchain.messages 导入 HumanMessage 与 AIMessage，用于构造人类与助手消息对象
from langchain.messages import HumanMessage, AIMessage

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 用消息列表创建 ChatPromptTemplate，支持插入历史与当前问题变量
prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / 历史占位 / human 顺序组织对话
    [
        # 系统消息：设定助手为简洁风格，并要求结合历史回答
        ("system", "你是简洁助手，结合历史回答。"),
        # 历史消息占位符：运行时插入名为 history 的消息对象列表
        MessagesPlaceholder("history"),
        # 人类消息：当前用户问题，{question} 为运行时填充的变量
        ("human", "{question}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 构造模拟的多轮对话历史，供 MessagesPlaceholder 插入
history = [
    # 人类消息：用户自称叫李雷
    HumanMessage("我叫李雷。"),
    # AI 消息：助手确认用户名字为李雷
    AIMessage("好的，李雷。"),
    # 结束历史消息列表
]

# 将 history 与 question 填入模板，得到完整的消息对象列表
messages = prompt.format_messages(
    # 把预先构造的历史消息列表填入 history 占位符
    history=history,
    # 当前问题填充为询问自己的名字
    question="我叫什么名字？",
    # 结束 format_messages 调用
)

# 遍历填充后的每条消息，便于确认模板结果
for m in messages:
    # 打印消息类型名称与消息文本内容
    print(type(m).__name__, ":", m.content)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用填充后的消息列表调用模型，并打印返回消息的文本内容
print(model.invoke(messages).content)

注意：

history 必须是 Message 列表，不能是普通字符串列表
历史会越积越长，撞上下文窗口；生产级裁剪 / checkpoint 见第 11 章
可选：MessagesPlaceholder("history", optional=True)，允许调用时不传历史（首轮对话很方便）

6. 少样本（Few-shot） #

少样本 = 在提示里放若干「输入 → 期望输出」例子，让模型模仿格式与风格。
口头规则（「请只输出标签」）往往不如「看两个例子照着做」稳，尤其是分类、抽取、固定格式输出。

三种写法由易到难：

写法	适合	产出形态
模板里直接写死 human/ai 示例	示例少、几乎不变	聊天消息
`FewShotPromptTemplate`	示例多、要统一文本格式	一整段字符串
`FewShotChatMessagePromptTemplate`	聊天模型 + 可维护示例列表	聊天消息对

原则：示例的输出格式必须和最终想要的格式一模一样（多一个句号、多一句解释，都会被模型学歪）。

6.1. 聊天消息里直接写死示例（最简单） #

适合示例少、几乎不变：直接把几组 ("human", ...) / ("ai", ...) 写进 from_messages。

6.1.1. 5.few_shot_inline.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 用消息列表创建 ChatPromptTemplate，内含系统指令、少样本示例与用户输入变量
prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / human / ai / human 顺序组织少样本对话
    [
        # 系统消息：规定情感分类标签，并要求模型只输出标签
        ("system", "将情感分类为：正面 / 负面 / 中性。只输出标签。"),
        # 少样本示例 1：正面情感的用户输入
        # 示例 1
        ("human", "今天天气真好，心情不错。"),
        # 少样本示例 1：对应的期望输出标签
        ("ai", "正面"),
        # 少样本示例 2：负面情感的用户输入
        # 示例 2
        ("human", "快递又丢了，太糟心了。"),
        # 少样本示例 2：对应的期望输出标签
        ("ai", "负面"),
        # 真正待分类的用户输入占位，{text} 为运行时填充的变量
        # 真正的用户输入
        ("human", "{text}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用管道将提示词模板与模型串联成可调用链
chain = prompt | model
# 传入待分类文本调用链，并打印模型返回的情感标签
print(chain.invoke({"text": "这部电影一般般，不好不坏。"}).content)

期望输出应接近 中性（而不是一整句解释）。

6.2. FewShotPromptTemplate（字符串少样本） #

当示例变多、又希望统一管理「每条示例长什么样」时，用：

examples 列表
    + example_prompt（单条怎么格式化）
    + prefix / suffix（任务说明与真正输入）
→ 拼成一整段文本

它更偏字符串侧，常和 PromptTemplate 一起用。

6.2.1. 6.FewShotPromptTemplate.py #

# 从 langchain_core.prompts 导入 PromptTemplate 与 FewShotPromptTemplate，用于创建字符串模板与少样本提示词模板
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 定义少样本示例列表，每项包含词语及其反义词
examples = [
    # 示例 1：词语「开心」对应反义词「难过」
    {"word": "开心", "antonym": "难过"},
    # 示例 2：词语「高」对应反义词「矮」
    {"word": "高", "antonym": "矮"},
    # 结束少样本示例列表
]

# 用字符串模板创建单条示例的 PromptTemplate，规定「词语 / 反义词」的展示格式
example_prompt = PromptTemplate.from_template("词语：{word}\n反义词：{antonym}")

# 用示例列表、单例模板与前后缀组装 FewShotPromptTemplate
few_shot = FewShotPromptTemplate(
    # 传入少样本示例列表，供模板逐条格式化后拼入提示词
    examples=examples,
    # 传入单条示例的格式化模板
    example_prompt=example_prompt,
    # 前缀：说明任务目标，并要求参照示例格式作答
    prefix="给出词语的反义词。参照示例格式作答。\n",
    # 后缀：放置真正待求反义词的输入占位，并以「反义词：」引导模型续写
    suffix="\n词语：{input}\n反义词：",
    # 声明运行时需要填充的变量名为 input
    input_variables=["input"],
    # 结束 FewShotPromptTemplate 构造
)

# 将 input 填充为「冷」，得到完整的少样本提示词文本
text = few_shot.format(input="冷")
# 打印填充后的提示词，便于确认模板结果
print(text)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用填充后的提示词调用模型，并打印返回消息的文本内容
print(model.invoke(text).content)

建议先 print(text) 看拼出来的全文：prefix、每条示例、suffix 是否按预期排列。

6.3. FewShotChatMessagePromptTemplate（聊天少样本） #

把示例也做成 human/ai 消息对，更贴合 Chat Model，也更容易和 ChatPromptTemplate 嵌套组合。

结构通常是：

system
few_shot_prompt  → 展开成多组 human/ai
human（真正输入）

6.3.1. 7.FewShotChatMessagePromptTemplate.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate 与 FewShotChatMessagePromptTemplate，用于聊天提示词与少样本聊天模板
from langchain_core.prompts import (
    # 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
    ChatPromptTemplate,
    # 导入 FewShotChatMessagePromptTemplate，用于构建聊天消息形式的少样本提示
    FewShotChatMessagePromptTemplate,
    # 结束 from langchain_core.prompts 的导入
)

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 定义少样本示例列表，每项包含输入算式与期望输出
examples = [
    # 示例 1：输入「2+2」对应输出「4」
    {"input": "2+2", "output": "4"},
    # 示例 2：输入「2+3」对应输出「5」
    {"input": "2+3", "output": "5"},
    # 结束少样本示例列表
]

# 用消息列表创建单条示例的 ChatPromptTemplate，规定 human/ai 消息对格式
example_prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 human / ai 顺序组织单条少样本示例
    [
        # 人类消息：示例中的用户输入，{input} 为示例变量
        ("human", "{input}"),
        # AI 消息：示例中的期望输出，{output} 为示例变量
        ("ai", "{output}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 用示例列表与单例模板组装 FewShotChatMessagePromptTemplate
few_shot_prompt = FewShotChatMessagePromptTemplate(
    # 传入少样本示例列表，供模板逐条格式化为消息对后拼入提示词
    examples=examples,
    # 传入单条示例的消息格式化模板
    example_prompt=example_prompt,
    # 结束 FewShotChatMessagePromptTemplate 构造
)

# 用消息列表创建最终 ChatPromptTemplate，串联系统指令、少样本与用户输入
final_prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / few-shot / human 顺序组织完整对话
    [
        # 系统消息：设定助手为算术助手，并要求只输出最终数字
        ("system", "你是算术助手。只输出最终数字。"),
        # 插入少样本聊天消息模板，运行时展开为多组 human/ai 示例
        few_shot_prompt,
        # 人类消息：真正待计算的用户输入，{input} 为运行时填充的变量
        ("human", "{input}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用管道将最终提示词模板与模型串联成可调用链
chain = final_prompt | model
# 传入待计算算式调用链，并打印模型返回的最终数字
print(chain.invoke({"input": "10+8"}).content)

聊天场景优先这种写法；字符串版更多留给非对话场景，或需要导出纯文本 prompt 的场合。

7. partial：预填部分变量 #

一个模板里往往既有「几乎不变」的变量（租户名、产品线、固定角色），也有「每次请求都变」的变量（用户问题）。

partial 的作用：把前者先锁死，得到一个变量更少的新模板；调用时只需传业务变量。

base(role, user_name, question)
        │ partial(role=..., user_name=...)
        ▼
prompt(question)   ← 调用方更简单

适合多租户、多产品共用同一骨架、只换几个固定字段的场景。

7.1. 8.partial.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 用消息列表创建基础 ChatPromptTemplate，含角色、用户名与问题变量
base = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / human 顺序组织对话
    [
        # 系统消息：设定助手角色 {role}、面向用户 {user_name}，并要求回答简短
        ("system", "你是{role}，面向用户{user_name}，回答要短。"),
        # 人类消息：用户当前问题，{question} 为运行时填充的变量
        ("human", "{question}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 预填角色与用户名，只剩 question
prompt = base.partial(role="售后顾问", user_name="王女士")

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 用管道将预填后的提示词模板与模型串联成可调用链
chain = prompt | model
# 传入用户问题调用链，并打印模型返回消息的文本内容
print(chain.invoke({"question": "订单两天了还没发货，怎么办？"}).content)

PromptTemplate.partial(...) 同理。
也可以 partial 出两套链：prompt_a = base.partial(product_name="A")、prompt_b = base.partial(product_name="B")，再对比回答差异。

8. 系统提示设计 #

系统提示写得好，往往比堆很多 few-shot 更划算：成本低、意图清晰、边界明确。
可按下面六段组织（不必每次全写，但要想清楚有没有漏项）：

1. 角色：你是谁
2. 目标：要完成什么
3. 能力与边界：能做什么 / 不能做什么
4. 工具策略：何时必须调工具（若有）
5. 输出格式：长短、语言、是否 JSON
6. 失败行为：信息不足时怎么问澄清

和 Agent 的关系：

create_agent(system_prompt=...)：适合驾驭层级（Agent 级）总约束
业务链里的 ("system", SYSTEM)：适合某个场景的专用规则

两者可以叠加，但不要互相打架（例如一边说「尽量简短」，一边又要求长篇分析）。

8.1. 9.system_prompt_design.py #

# 从 langchain_core.prompts 导入 ChatPromptTemplate，用于创建多角色对话提示词模板
from langchain_core.prompts import ChatPromptTemplate

# 从 langchain.chat_models 导入 init_chat_model，用于按名称初始化聊天模型
from langchain.chat_models import init_chat_model

# 从 dotenv 导入 load_dotenv，用于从 .env 文件加载环境变量
from dotenv import load_dotenv

# 加载 .env 中的环境变量；override=True 表示覆盖已存在的同名变量
load_dotenv(override=True)

# 定义系统提示词：设定电商售后助手角色、目标、边界与输出格式，并用 strip 去掉首尾空白
SYSTEM = """
你是电商售后助手。

目标：用最短步骤帮用户解决问题。

边界：
- 不承诺未核实的退款时效
- 不知道物流状态时，请用户提供订单号

输出：
- 先给结论（1 句）
- 再给 1～3 条可执行步骤
- 使用中文
""".strip()

# 用消息列表创建 ChatPromptTemplate，串联系统提示与用户问题
prompt = ChatPromptTemplate.from_messages(
    # 消息模板列表：按 system / human 顺序组织对话
    [
        # 系统消息：使用上方定义的 SYSTEM 提示词
        ("system", SYSTEM),
        # 人类消息：用户当前问题，{question} 为运行时填充的变量
        ("human", "{question}"),
        # 结束消息模板列表
    ]
    # 结束 ChatPromptTemplate.from_messages 调用
)

# 初始化 DeepSeek 聊天模型，temperature=0 使输出更稳定、更少随机性
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 打印模型对用户问题的回复文本内容
print(
    # 用管道将提示词模板与模型串联成可调用链
    (prompt | model)
    # 传入用户问题调用链，询问快递长时间显示运输中的情况
    .invoke({"question": "我的快递一直显示运输中，已经五天了。"})
    # 取出返回消息的文本内容
    .content
)

改系统提示后，先固定几条测试问句做回归，比凭感觉改完就上线更靠谱。

9. 可维护性建议 #

模板层一旦进业务，就要当「配置」来维护，而不是当一次性字符串。

做法	说明
模板与业务代码分离	模板集中定义，入口只 `invoke` 变量
先 format 再调模型	出问题先 `print(messages)`，别先怪模型
少样本要「像真输出」	示例格式必须和期望的最终格式一致
变量命名稳定	`{question}` / `{context}` 全项目统一
敏感信息不进 prompt	密钥、身份证等不要拼进模板
用 LangSmith 对比版本	改 prompt 前后对照 trace / 评测集

口诀：

结构用模板，格式靠 few-shot，边界写进 system；改完先 print messages。

10. 练习 #

翻译模板：用 ChatPromptTemplate 做「源语言 / 目标语言 / 文本」三变量翻译链。
带历史客服：MessagesPlaceholder("history") + 两轮假历史，问第三轮是否记得用户名。
情感分类 few-shot：至少 3 条示例，测 5 句新文本，看标签是否稳定。
partial 多租户：同一模板 partial(product_name=...) 出两套「不同产品」的助手，对比回答。

11. 本章小结 #

Prompt 层把提示词从散落字符串变成可复用组件。
聊天场景主用 ChatPromptTemplate；需要整段文本时用 PromptTemplate。
MessagesPlaceholder 插入消息历史；few-shot 用示例教格式。
partial 预填固定变量；系统提示写清角色、边界、输出格式。
prompt | model 是后续 LCEL 的起点。

下一章：结构化输出——用 Pydantic / Structured Output 抽出订单、工单等稳定结构。

导航菜单