提示用于优化模型输入，提升生成结果的质量。LangChain 提供了强大的提示管理工具，包括提示模板和提示优化功能。提示模板是预定义的格式，包含静态文本和动态变量，用于生成发送给语言模型的输入。它们有助于确保交互的一致性和可控性。

1. 提示词结构

大语言模型的提示词（输入）结构通常包含三个核心部分：

1. 系统指令（System Prompt）：设置模型的角色、语气、风格等基础行为。
2. 用户指令（User Prompt）：说明具体要完成的任务（做什么、怎么做）。
3. 用户输入（User Input）：提供任务所需的上下文、文本、数据或其他原材料。

例如：

系统指令：你是一个翻译助手。
用户指令：请把下面的中文翻译成英文。
用户输入：你好。

为什么在向模型输入的时候，建议我们遵循这样的输入设计呢？

这是因为我们使用的 LLM（大语言模型）通常是通用领域模型，它并不具备明确的任务边界。为了让模型更准确地生成符合期望的内容，我们采用结构化的提示设计，通常包括以下三层：

• 首先，通过 系统指令 设定模型的角色、语气或知识背景，限定模型的行为边界
• 其次，通过 用户命令 明确指定任务目标，告诉模型要做什么
• 最后，通过 用户输入 告诉模型基于什么信息完成任务

注意：在实际应用中，用户指令 和 用户输入 往往是合并在一起构建的，也就是作为一个完整的 user message 提交给模型。

2. 提示词构建

在 LangChain 中，提供了三种构建输入提示词的方式。

from langchain_deepseek import ChatDeepSeek
from langchain.schema import SystemMessage, HumanMessage, ChatMessage, AIMessage
from dotenv import load_dotenv

# 加载环境变量
load_dotenv('llm.env')


# 1. 文本补全输入
# 文本生成：用于根据给定的提示（prompt）生成后续的文本内容，不需要显式地输入历史对话内容。
def demo01():
    model = ChatDeepSeek(model='deepseek-chat', temperature=0)
    response = model.invoke('你是一个历史专家，善于回答各种历史知识。请问美国的首都是哪个城市？只需回答城市，不要回复任何解释内容。')
    print(response.content)


# 2. 多轮对话输入
# 多轮对话：用于模拟人与人之间的对话。模型需要根据当前的输入和历史对话内容生成回答。
def demo02():
    # 1. 方式一
    messages = [
        {'role': 'system', 'content': '你是一个翻译家，擅长将中文翻译成英文，回答要简洁准确。'},
        {'role': 'user', 'content': '今天天气真好。'},
        {'role': 'assistant', 'content': 'The weather is really nice today.'},
        {'role': 'user', 'content': '你刚提到的天气这个单词是哪个？'}
    ]

    # 2. 方式二
    messages = [ChatMessage(role='system', content='你是一个翻译家，擅长将中文翻译成英文，回答要简洁准确。'),
                ChatMessage(role='user', content='需要翻译的内容：今天天气真好。'),
                ChatMessage(role='assistant', content='The weather is really nice today.'),
                ChatMessage(role='user', content='你刚提到的天气这个单词是哪个？')]

    # 3. 方式三
    messages = [SystemMessage('你是一个翻译家，擅长将中文翻译成英文，回答要简洁准确。'),
                HumanMessage('需要翻译的内容：今天天气真好。'),
                AIMessage('The weather is really nice today.'),
                HumanMessage('你刚提到的天气这个单词是哪个？')]


    model = ChatDeepSeek(model='deepseek-chat')
    response: BaseMessage = model.invoke(messages)
    print(response.content)


if __name__ == '__main__':
    demo01()
    # demo02()

3. 提示词模板

前面构建的提示词是固定的，通过 LangChain 提供的提示词模板，我们可以构建动态的输入提示词。

from langchain.prompts import SystemMessagePromptTemplate
from langchain.prompts import HumanMessagePromptTemplate
from langchain.prompts import ChatPromptTemplate
from langchain.prompts import PromptTemplate
from langchain.prompts import MessagesPlaceholder


def demo01():
    model = ChatDeepSeek(model='deepseek-chat')
    template = PromptTemplate.from_template('你是一个历史专家，善于回答各种历史知识。请问{country}的首都是哪个城市？只需回答城市，不要回复任何解释内容。')
    prompt = template.invoke({'country': '德国'})
    print(prompt)
    response = model.invoke(prompt)
    print(response.content)


def demo02():

    # 定义模板
    # 方式一
    messages = [('system', '你是一个翻译家，擅长将{src_lang}翻译成{tgt_lang}，回答要简洁准确。'), ('user', '需要翻译的内容：{input}')]
    template = ChatPromptTemplate.from_messages(messages)

    # 方式二
    # sys_template = SystemMessagePromptTemplate.from_template('你是一个翻译家，擅长将{src_lang}翻译成{tgt_lang}，回答要简洁准确。')
    # usr_template = HumanMessagePromptTemplate.from_template('需要翻译的内容：{input}')
    # template = ChatPromptTemplate.from_messages([sys_template, usr_template])

    # 使用模板
    prompt = template.invoke({'src_lang': '中文', 'tgt_lang': '英文', 'input': '今天天气真好。'})
    print(prompt)


# 3. 占位符

def demo03():

    # messages = [('system', '你是一个翻译家，擅长将{src_lang}翻译成{tgt_lang}，回答要简洁准确。'),
    #             MessagesPlaceholder(variable_name='chat_history'),
    #             ('user', '需要翻译的内容：{input}')]
    # template = ChatPromptTemplate.from_messages(messages)

    sys_template = SystemMessagePromptTemplate.from_template('你是一个翻译家，擅长将{src_lang}翻译成{tgt_lang}，回答要简洁准确。')
    usr_template = HumanMessagePromptTemplate.from_template('需要翻译的内容：{input}')
    template = ChatPromptTemplate.from_messages([sys_template, MessagesPlaceholder(variable_name='chat_history'), usr_template])

    # 使用模板
    history = [('user', '需要翻译的内容：我爱你'), ('ai', 'I love u')]
    prompt = template.invoke({'src_lang': '中文', 'tgt_lang': '英文', 'input': '今天天气真好。', 'chat_history': history})
    print(prompt)


if __name__ == '__main__':
    # demo01()
    # demo02()
    demo03()