LangChain 模型与提示词
1. Chat Models（聊天模型）
LangChain 将各种 LLM 封装为统一的 BaseChatModel 接口，切换模型只需更换导入和类名。
1.1 基本使用
python
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
# 创建模型实例
llm = ChatOpenAI(
model="gpt-4o-mini",
temperature=0.7, # 创造性（0-2）
max_tokens=1024, # 最大输出 token
timeout=30, # 超时时间（秒）
max_retries=2, # 最大重试次数
)
# 方式一：传入消息列表
messages = [
SystemMessage(content="你是一个专业的Python教师"),
HumanMessage(content="解释什么是装饰器"),
]
response = llm.invoke(messages)
print(response.content)
# 方式二：使用元组简写
response = llm.invoke([
("system", "你是一个美食家"),
("user", "推荐一道川菜"),
])
print(response.content)1.2 主流模型对比
| 模型 | 包 | 类名 | 特点 |
|---|---|---|---|
| GPT-4o | langchain-openai | ChatOpenAI | 综合能力强 |
| GPT-4o-mini | langchain-openai | ChatOpenAI | 速度快、成本低 |
| Claude 3.5 Sonnet | langchain-anthropic | ChatAnthropic | 长文本、推理强 |
| Gemini 2.0 | langchain-google-genai | ChatGoogleGenerativeAI | 多模态 |
| DeepSeek | langchain-openai | ChatOpenAI(自定义base_url) | 国产、性价比高 |
1.3 使用不同提供商
python
# OpenAI
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4o-mini")
# Anthropic (Claude)
from langchain_anthropic import ChatAnthropic
llm = ChatAnthropic(model="claude-sonnet-4-20250514")
# Google Gemini
from langchain_google_genai import ChatGoogleGenerativeAI
llm = ChatGoogleGenerativeAI(model="gemini-2.0-flash")
# DeepSeek（通过 OpenAI 兼容接口）
from langchain_openai import ChatOpenAI
llm = ChatOpenAI(
model="deepseek-chat",
base_url="https://api.deepseek.com/v1",
api_key="sk-xxx", # DeepSeek API Key
)1.4 模型参数
python
llm = ChatOpenAI(
model="gpt-4o-mini",
temperature=0.7, # 0=确定性，2=最大随机性
max_tokens=2048, # 最大输出长度
top_p=0.9, # 核采样
frequency_penalty=0, # 频率惩罚（-2到2）
presence_penalty=0, # 存在惩罚（-2到2）
seed=42, # 随机种子（可复现输出）
timeout=30, # 请求超时
max_retries=2, # 重试次数
)1.5 消息类型
python
from langchain_core.messages import (
SystemMessage, # 系统指令：设定角色和行为
HumanMessage, # 用户消息：用户的输入
AIMessage, # AI 回复：模型的输出
ToolMessage, # 工具结果：工具调用的返回值
)
messages = [
SystemMessage(content="你是一个翻译助手，将中文翻译成英文"),
HumanMessage(content="今天天气真好"),
]
response = llm.invoke(messages)
print(type(response)) # AIMessage
print(response.content) # "The weather is really nice today."
print(response.usage_tokens) # token 使用量2. Prompt Templates（提示词模板）
2.1 ChatPromptTemplate
最常用的模板类型，适用于聊天模型：
python
from langchain_core.prompts import ChatPromptTemplate
# 方式一：from_template（单条消息）
prompt = ChatPromptTemplate.from_template(
"请将以下文本翻译成{language}：{text}"
)
messages = prompt.invoke({"language": "英文", "text": "你好世界"})
print(messages)
# ChatPromptValue(messages=[HumanMessage(content='请将以下文本翻译成英文：你好世界')])python
# 方式二：from_messages（多条消息）
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个专业的{domain}顾问"),
("human", "请解释什么是{concept}"),
("ai", "好的，我来解释一下{concept}："),
("human", "请用简单的语言，举个例子"),
])
messages = prompt.invoke({
"domain": "金融",
"concept": "复利",
})python
# 方式三：带变量的消息列表
prompt = ChatPromptTemplate.from_messages([
SystemMessage(content="你是一个{role}"),
("user", "{input}"),
])
# 模板中的变量自动从 invoke 的 dict 中提取
result = prompt.invoke({"role": "厨师", "input": "怎么做红烧肉"})2.2 Few-Shot Prompt（少样本提示）
通过提供示例来引导模型输出格式：
python
from langchain_core.prompts import ChatPromptTemplate, FewShotChatMessagePromptTemplate
# 定义示例
examples = [
{"input": "开心", "output": "😊"},
{"input": "难过", "output": "😢"},
{"input": "生气", "output": "😠"},
]
# 示例模板
example_prompt = ChatPromptTemplate.from_messages([
("human", "{input}"),
("ai", "{output}"),
])
# Few-Shot 模板
few_shot_prompt = FewShotChatMessagePromptTemplate(
example_prompt=example_prompt,
examples=examples,
)
# 完整提示词
prompt = ChatPromptTemplate.from_messages([
("system", "将情感词转换为对应的emoji"),
few_shot_prompt,
("human", "{input}"),
])
result = prompt.invoke({"input": "惊讶"})
print(result)2.3 MessagesPlaceholder（消息占位符）
用于动态插入消息列表，常用于对话历史：
python
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个有帮助的助手"),
MessagesPlaceholder("history"), # 插入历史消息
("human", "{input}"),
])
# 模拟对话历史
from langchain_core.messages import HumanMessage, AIMessage
history = [
HumanMessage(content="我叫张三"),
AIMessage(content="你好张三！有什么我可以帮助你的吗？"),
]
result = prompt.invoke({
"history": history,
"input": "你还记得我叫什么名字吗？",
})
print(result.messages)2.4 常用提示词技巧
python
# 1. 角色设定 + 任务描述 + 输出格式
prompt = ChatPromptTemplate.from_messages([
("system", """你是一个资深的代码审查专家。
请按照以下格式审查代码：
## 问题
- 列出发现的问题
## 建议
- 给出改进建议
## 评分
给出 1-10 分"""),
("human", "请审查以下Python代码：\n```python\n{code}\n```"),
])
# 2. 链式思考（Chain of Thought）
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个数学解题助手。请一步一步地思考问题。"),
("human", "问题：{question}\n\n请先分析题目，然后逐步推理，最后给出答案。"),
])
# 3. 输出格式约束
prompt = ChatPromptTemplate.from_messages([
("system", """你是一个信息提取助手。
请从文本中提取人名、地点和日期，以JSON格式返回。
示例输出：
{{"names": ["张三"], "locations": ["北京"], "dates": ["2024年1月"]}}"""),
("human", "{text}"),
])3. Output Parsers（输出解析器）
3.1 StrOutputParser
最简单，直接提取模型输出的文本：
python
from langchain_core.output_parsers import StrOutputParser
parser = StrOutputParser()
# 解析 AIMessage
from langchain_core.messages import AIMessage
result = parser.invoke(AIMessage(content="你好世界"))
print(result) # "你好世界"3.2 JsonOutputParser
强制模型输出 JSON：
python
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
# 定义输出结构
class MovieReview(BaseModel):
title: str = Field(description="电影名称")
rating: float = Field(description="评分，0-10")
summary: str = Field(description="一句话评价")
parser = JsonOutputParser(pydantic_object=MovieReview)
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个影评人。{format_instructions}"),
("human", "请评价电影《{movie}》"),
])
# 将格式说明注入提示词
chain = prompt.partial(
format_instructions=parser.get_format_instructions()
) | llm | parser
result = chain.invoke({"movie": "肖申克的救赎"})
print(result)
# {'title': '肖申克的救赎', 'rating': 9.7, 'summary': '...'}3.3 PydanticOutputParser
使用 Pydantic 模型定义严格的输出结构：
python
from langchain_core.output_parsers import PydanticOutputParser
from langchain_core.pydantic_v1 import BaseModel, Field
from typing import List
class Person(BaseModel):
name: str = Field(description="姓名")
age: int = Field(description="年龄")
hobbies: List[str] = Field(description="爱好列表")
parser = PydanticOutputParser(pydantic_object=Person)
prompt = ChatPromptTemplate.from_messages([
("system", "从文本中提取人物信息。\n{format_instructions}"),
("human", "{text}"),
])
chain = prompt.partial(
format_instructions=parser.get_format_instructions()
) | llm | parser
result = chain.invoke({"text": "小明今年25岁，喜欢打篮球和看电影"})
print(result.name) # "小明"
print(result.age) # 25
print(result.hobbies) # ["打篮球", "看电影"]3.4 StructuredOutput（推荐方式）
v0.3 推荐的结构化输出方式，更简洁：
python
from langchain_openai import ChatOpenAI
from pydantic import BaseModel, Field
from typing import List
class Recipe(BaseModel):
name: str = Field(description="菜名")
ingredients: List[str] = Field(description="食材列表")
steps: List[str] = Field(description="步骤列表")
cook_time: int = Field(description="烹饪时间（分钟）")
# 直接在模型上绑定输出结构
llm = ChatOpenAI(model="gpt-4o-mini")
structured_llm = llm.with_structured_output(Recipe)
# 调用后直接返回 Pydantic 对象
result = structured_llm.invoke("教我做番茄炒蛋")
print(result.name) # "番茄炒蛋"
print(result.ingredients) # ["番茄", "鸡蛋", ...]
print(result.cook_time) # 104. 综合示例：构建一个翻译链
python
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
# 1. 定义提示词
prompt = ChatPromptTemplate.from_messages([
("system", """你是一个专业的翻译专家。
规则：
- 翻译要自然流畅，符合目标语言的表达习惯
- 保留原文的语气和风格
- 专有名词首次出现时附带原文"""),
("human", "请将以下{source_language}文本翻译成{target_language}：\n\n{text}"),
])
# 2. 创建模型
llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.3)
# 3. 组合链
chain = prompt | llm | StrOutputParser()
# 4. 调用
result = chain.invoke({
"source_language": "英文",
"target_language": "中文",
"text": "The quick brown fox jumps over the lazy dog.",
})
print(result)
# "敏捷的棕色狐狸跳过了懒惰的狗。"总结
| 组件 | 作用 | 常用类 |
|---|---|---|
| Chat Models | 调用大语言模型 | ChatOpenAI、ChatAnthropic |
| Prompt Templates | 构建结构化提示词 | ChatPromptTemplate |
| Output Parsers | 解析模型输出 | StrOutputParser、PydanticOutputParser |
| Structured Output | 强制结构化输出 | with_structured_output() |
| Messages | 消息类型 | HumanMessage、SystemMessage、AIMessage |