1. 项目概述
LangChain作为当前最热门的AI应用开发框架之一,其官方文档是开发者入门的最佳途径。这个系列教程将带大家逐章拆解LangChain官方文档,第二章聚焦提示词(Prompts)和消息(Messages)这两个核心概念。在实际开发中,约70%的模型调用问题都源于提示词设计不当,而消息系统则是构建对话应用的基础设施。
我完整实践了官方文档这章的所有示例,并补充了大量生产环境中的实用技巧。本文将展示如何用LangChain的提示模板规范化你的AI输入,以及如何通过消息历史实现连贯对话。无论你是要开发客服机器人、智能助手还是复杂代理系统,这些知识都是必须掌握的底层能力。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心概念解析
2.1 提示词工程基础
LangChain的PromptTemplate类解决了原始字符串拼接的痛点。试想你要开发一个电商客服机器人,传统方式可能需要这样拼接字符串:
python复制product = "智能手机"
question = "怎么保修?"
prompt = f"你是一个{product}的客服专家,请回答:{question}"
这种方式在复杂场景下极易出错。LangChain的模板化方案更优雅:
python复制from langchain.prompts import PromptTemplate
template = """你是一个{product}的客服专家,请回答:{question}"""
prompt = PromptTemplate.from_template(template)
filled_prompt = prompt.format(product="智能手机", question="怎么保修?")
关键优势在于:
- 参数与内容分离,便于维护
- 支持模板文件存储和版本控制
- 可组合其他组件(后文会详述)
实际项目中建议将模板存储在JSON或YAML文件中,方便非技术人员协作编辑。例如创建
prompts/customer_service.json保存不同场景的模板。
2.2 消息系统设计
消息(Messages)在对话系统中承担着比简单提示词更复杂的职责。LangChain抽象了几种核心消息类型:
| 消息类型
