LangChain 学习第 2 课 – 提示词模板（Prompt Template）

共计 3165 个字符，预计需要花费 8 分钟才能阅读完成。

本节课会学到：

1. PromptTemplate：纯文本模板（传统"补全式"模型风格，也适合拼长文本）；
2. ChatPromptTemplate：聊天消息模板，支持 system / human 多角色（最常用）；
3. FewShotChatMessagePromptTemplate：少样本示例，用几个例子"教"模型按格式输出；
4. 模板本身不会调用模型，它只负责"拼提示词"，拼好后再交给 LLM。

"""
02 提示词模板（Prompt Template）—— LangChain 学习第 2 课
==========================================================

本节课你会学到：
  1. PromptTemplate：纯文本模板（传统"补全式"模型风格，也适合拼长文本）；
  2. ChatPromptTemplate：聊天消息模板，支持 system / human 多角色（最常用）；
  3. FewShotChatMessagePromptTemplate：少样本示例，用几个例子"教"模型按格式输出；
  4. 模板本身不会调用模型，它只负责"拼提示词"，拼好后再交给 LLM。

运行方式：
    .venv\\Scripts\\python examples\\02_prompt_template.py
"""

import sys
from pathlib import Path

sys.path.insert(0, str(Path(__file__).resolve().parent.parent))

from langchain_core.prompts import (  # 提示词模板全家桶
    ChatPromptTemplate,
    FewShotChatMessagePromptTemplate,
    PromptTemplate,
)
from langchain_core.output_parsers import StrOutputParser  # 把 AIMessage 转成纯字符串

from config import get_chat_model, print_sub, print_title

def demo_prompt_template() -> None:
    """PromptTemplate：纯文本变量替换，用 {} 占位。"""
    print_sub("1. PromptTemplate：纯文本模板")
    # input_variables 会从 {占位符} 自动推断，也可以显式声明
    prompt = PromptTemplate.from_template(
        "我正在学习{language}，请给我 3 个适合初学者的练手项目，每个一句话说明。"
    )
    # format() 只是本地字符串替换，不花钱、不调模型
    text = prompt.format(language="Python")
    print(f"拼出来的提示词：\n{text}\n")

    # 真正调用模型（模板 | 模型 是 LCEL 管道写法，第 4 课详讲）
    chain = prompt | get_chat_model(temperature=0.5) | StrOutputParser()
    print("模型回答：")
    print(chain.invoke({"language": "Python"}))

def demo_chat_prompt_template() -> None:
    """ChatPromptTemplate：多角色聊天模板，真实项目 90% 用它。"""
    print_sub("2. ChatPromptTemplate：system + human 多角色模板")
    prompt = ChatPromptTemplate.from_messages(
        [
            # (角色, 内容) 元组形式；角色支持 system / human / ai / placeholder
            ("system", "你是一位资深{role}，回答必须通俗易懂，并举一个生活中的类比。"),
            ("human", "{question}"),
        ]
    )

    # invoke 时把所有变量一次性传进去
    messages = prompt.format_messages(
        role="后端架构师",
        question="什么是消息队列？不用它会怎样？",
    )
    print("拼出来的消息列表：")
    for m in messages:
        print(f"  [{type(m).__name__}] {m.content}")

    chain = prompt | get_chat_model(temperature=0.4) | StrOutputParser()
    print("\n模型回答：")
    print(chain.invoke({"role": "后端架构师", "question": "什么是消息队列？不用它会怎样？"}))

def demo_few_shot() -> None:
    """FewShot：给模型看几个标准问答示例，让它"照葫芦画瓢"。"""
    print_sub("3. FewShotChatMessagePromptTemplate：少样本示例（统一输出风格）")

    # 示例数据：每个元素是一组 human 提问 + ai 标准回答
    examples = [
        {"input": "这电影看得我睡着了", "output": "情感：负面 | 理由：观众感到无聊，说明影片不够吸引人"},
        {"input": "特效还行，剧情一塌糊涂", "output": "情感：负面 | 理由：明确批评剧情质量差"},
        {"input": "值回票价，结尾反转没想到", "output": "情感：正面 | 理由：认为值得且赞赏剧情反转"},
    ]

    # 单条示例的模板
    example_prompt = ChatPromptTemplate.from_messages(
        [("human", "{input}"), ("ai", "{output}")]
    )

    # 把示例组装进 few-shot 模板
    few_shot_prompt = FewShotChatMessagePromptTemplate(
        example_prompt=example_prompt,  # 每条示例长什么样
        examples=examples,              # 全部示例数据
    )

    # 最终模板：系统指令 + 几个示例 + 真正的用户输入
    final_prompt = ChatPromptTemplate.from_messages(
        [
            ("system", "你是影评情感分析器，严格模仿示例的格式输出，不要说废话。"),
            few_shot_prompt,  # 把少样本示例插在这里
            ("human", "{input}"),
        ]
    )

    chain = final_prompt | get_chat_model(temperature=0.0) | StrOutputParser()
    user_review = "演员演技在线，但是三个小时实在太长了，中间玩了半小时手机"
    print(f"用户评论：{user_review}")
    print(f"模型输出：{chain.invoke({'input': user_review})}")

def main() -> None:
    print_title("02 提示词模板：PromptTemplate / ChatPromptTemplate / FewShot")
    demo_prompt_template()
    demo_chat_prompt_template()
    demo_few_shot()
    print_sub("本课小结")
    print("模板 = 提示词的可复用模具：变量用 {name} 占位，format/invoke 时填值。")
    print("聊天场景优先用 ChatPromptTemplate；想强制输出格式/风格时用 FewShot 给示例。")
    print("模板只负责拼字符串，调用模型是下一步的事（见 03、04 课）。")

if __name__ == "__main__":
    main()