前言

在 LangChain 的世界里，有两个概念贯穿始终：Message（消息） 和 Prompt Template（提示词模板）。前者是模型交互的基本单元，定义了"谁在说话、说了什么"；后者是 Prompt 工程的核心工具，让你从混乱的字符串拼接中解脱出来。

这两者构成了 LangChain 中 Model I/O（模型输入输出）层的核心基础设施。本文将系统讲解消息系统的类型与多模态支持，以及从 PromptTemplate 到 ChatPromptTemplate 的完整进化路径。

---

一、认识 Message：模型交互的基本单元

1.1 核心认知

大模型本身没有记忆——它的输出完全取决于当前输入。LangChain 将每一次交互抽象为一条 Message，每条 Message 包含：

• Role（角色）：谁在说话 —— system、user、assistant、tool
• Content（内容）：说了什么 —— 纯文本或多模态内容
• Metadata（元数据）：附加信息，如消息 ID、响应时间、Token 消耗等

LangChain 1.x 提供了跨模型供应商（OpenAI / Anthropic / Gemini / 本地模型）的统一 Message 标准。

1.2 四种消息类型

四种消息类型在整个 LLM 交互生命周期中各司其职：

类型	角色	作用	代码示例
SystemMessage	system	设定 AI 的行为、角色和规则	SystemMessage("你是一个数学老师")
HumanMessage	user	用户输入，支持文本和多模态	HumanMessage("什么是微积分？")
AIMessage	assistant	模型的回复，含文本、工具调用、元数据	AIMessage("微积分是...")
ToolMessage	tool	工具调用的返回结果	ToolMessage(content="晴天", tool_call_id="...")

1.3 两种表达格式

JSON 格式（简洁、跨语言友好）：

{"role": "system", "content": "你是个善解人意的助手"}
{"role": "user", "content": "你好啊~"}
{"role": "assistant", "content": "我也很高兴认识你"}
{"role": "tool", "content": "今天北京天气晴朗", "tool_call_id": "call_xxx"}

对象格式（类型安全、IDE 友好）：

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage, ToolMessage

SystemMessage(content="你是个善解人意的助手")
HumanMessage(content="你好啊~")
AIMessage("我也很高兴认识你")
ToolMessage(content="今天北京天气晴朗", tool_call_id="call_xxx")

1.4 各消息类型深入

SystemMessage

最简单的类型，只有一个核心参数 content：

SystemMessage("你是个善解人意的助手")
# 等价于
SystemMessage(content="你是个善解人意的助手")

HumanMessage

除了 content，还支持 name 和 id 等元数据字段，用于区分多发言者：

HumanMessage(
    content="我认为 1+1=2",
    name="Bob",       # 发言者标识
    id="msg_123",     # 消息唯一ID
)

注意：name 属性 OpenAI 官方支持，但 DeepSeek 实测无法识别，ChatOpenRouter 也无法正确传递。使用时需验证目标模型是否兼容。

多发言者信息抽取实战：

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage("你是一个信息抽取器。严格根据每条消息的 name 提取发言者及其观点。"),
    HumanMessage(content="我认为 1+1=2", name="Bob"),
    HumanMessage(content="我认为 1+1>2", name="Tom"),
    HumanMessage(content="请列出谁说了什么，不要判断对错。", name="audience")
]

response = model.invoke(messages)
# 输出：{"speakers": [{"name":"Bob","claim":"我认为 1+1=2"}, ...]}

AIMessage

模型返回的消息类型，字段最丰富：

AIMessage(
    content="你好！我是小智，一名助人为乐的AI助手。",
    response_metadata={
        'token_usage': {'prompt_tokens': 28, 'completion_tokens': 18, 'total_tokens': 46},
        'model_name': 'gpt-5.4-mini-2026-03-17',
        'finish_reason': 'stop',
    },
    tool_calls=[],              # 工具调用列表
    usage_metadata={            # 标准化 Token 统计
        'input_tokens': 28, 'output_tokens': 18, 'total_tokens': 46
    }
)

ToolMessage

工具调用结果的载体，tool_call_id 必须与 AIMessage 中的工具调用 ID 精确匹配：

# 模拟：模型决定调用工具
ai_message = AIMessage(
    content="",
    tool_calls=[{
        "name": "get_weather",
        "args": {"location": "北京"},
        "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
    }]
)

# 工具执行结果
tool_message = ToolMessage(
    content="今天北京天气晴朗，万里无云~",
    tool_call_id="call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
)

# 组装完整消息发送给模型
messages = [
    HumanMessage(content="北京天气如何"),
    ai_message,
    tool_message
]
response = model.invoke(messages)

---

二、对话历史管理：从"失忆"到"记住你"

2.1 核心规则

每次调用必须传递完整的对话历史。 模型本身不存储任何状态，上下文完全由你传入的 messages 决定。

三个常见错误：

# 错误1：没传历史
model.invoke("我叫张三")
model.invoke("我叫什么？")  # AI 不记得！

# 错误2：每次重新创建列表（丢失之前的内容）
conversation = [{"role": "user", "content": "问题1"}]
response = model.invoke(conversation)
conversation = [{"role": "user", "content": "问题2"}]  # 历史全丢了

# 错误3：忘记保存 AI 回复
conversation.append({"role": "user", "content": "问题1"})
response = model.invoke(conversation)
# 忘记 append assistant 回复！
conversation.append({"role": "user", "content": "问题2"})
model.invoke(conversation)  # AI 不知道上一轮自己说了什么

正确实现：

conversation = []

# 第一次交互
conversation.append({"role": "user", "content": "我叫张三"})
response = model.invoke(conversation)
conversation.append({"role": "assistant", "content": response.content})  # 关键！

# 第二次交互（传递完整历史）
conversation.append({"role": "user", "content": "我叫什么？"})
response = model.invoke(conversation)  # AI 能正确回答"张三"

2.2 历史优化：保留最近 N 轮

对话越来越长会带来两个问题：Token 消耗飙升，以及超出上下文窗口。

解决方案：始终保留 system 消息，只保留最近 N 轮对话。其处理逻辑如下：

def keep_recent_messages(messages, max_pairs=3):
    """保留最近 N 轮对话（每轮 = user + assistant）"""
    system_msgs = [m for m in messages if m.get("role") == "system"]
    conversation_msgs = [m for m in messages if m.get("role") != "system"]
    recent_msgs = conversation_msgs[-(max_pairs * 2):]
    return system_msgs + recent_msgs

2.3 完整的多轮聊天机器人

多轮对话机器人的完整执行流程：

from langchain.chat_models import init_chat_model
import os
from dotenv import load_dotenv

load_dotenv(override=True)

model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

messages = [
    {"role": "system", "content": "你是一个耐心友好的智能助手。"}
]

while True:
    user_input = input("请输入：")
    if user_input.lower() == "quit":
        break

    messages.append({"role": "user", "content": user_input})

    # 用流式输出 + 历史裁剪
    memory_messages = keep_recent_messages(messages, max_pairs=10)
    reply = ""
    for chunk in model.stream(memory_messages):
        if chunk.content:
            print(chunk.content, end="", flush=True)
            reply += chunk.content

    messages.append({"role": "assistant", "content": reply})
    print()

---

三、多模态消息：文本之外的世界

3.1 content 的两种形态

content 字段是弱类型的，同时支持两种形态：

形态	适用场景	示例
字符串	纯文本交互	"你好啊"
字典列表	多模态（文本+图片+音频等）	[{"type":"text","text":"..."}, {"type":"image_url",...}]

3.2 图片输入实战

import base64
from langchain.messages import HumanMessage

def encode_image(img_path, img_type='jpeg'):
    with open(img_path, "rb") as img_file:
        return f"data:image/{img_type};base64,{base64.b64encode(img_file.read()).decode('utf-8')}"

base64_image = encode_image("image_test.png")

response = model.invoke(
    [HumanMessage(
        content=[
            {'type': 'text', 'text': '这张图里有什么？'},
            {'type': 'image_url', 'image_url': base64_image},
        ]
    )]
)

3.3 content_blocks：跨模型标准化

LangChain 1.x 新增 content_blocks，提供跨供应商的统一多模态数据结构，支持六种类型：

type	说明
text	文本内容
image	图片（base64 + mime_type）
audio	音频
video	视频
tool_call	工具调用
reasoning	推理/思维链

content 与 content_blocks 两条路径的对比：

使用 content_blocks 输入图片（OpenAI）：

response = model.invoke(
    [HumanMessage(
        content_blocks=[
            {'type': 'text', 'text': '这张图里有什么？'},
            {'type': 'image', 'base64': base64_image, 'mime_type': 'image/png'},
        ]
    )]
)

使用 content_blocks 提取 DeepSeek 思维链：

model = init_chat_model(
    model="deepseek:deepseek-v4-flash",
    extra_body={"thinking": {"type": "enabled"}},
)

response = model.invoke("你好，一句话回答")

# content_blocks 中包含 reasoning 类型，轻松提取思维链
for block in response.content_blocks:
    if block.get("type") == "reasoning":
        print("思考过程：", block.get("reasoning"))

最佳实践：优先检查 response.content_blocks 而非 response.content，特别是需要获取思维链或引用信息时。

---

四、提示词模板：从字符串拼接到工程化

4.1 为什么要用模板？

来看一个对比：

字符串拼接（不推荐）：

topic = "Python"
difficulty = "初学者"
prompt = f"你是一个{difficulty}级别的编程导师。请用简单易懂的语言解释{topic}。"

缺点：变量多时混乱、不易维护、无变量校验、不支持复杂场景。

提示词模板（推荐）：

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template(
    "你是一个{difficulty}级别的编程导师。请用简单易懂的语言解释{topic}。"
)
prompt = template.format(difficulty="初学者", topic="Python")

优点：结构清晰、易维护、自动变量校验、与 LangChain 生态无缝集成。

建议：临时 Demo 用字符串拼接，正式 AI 应用必须用提示词模板。

4.2 PromptTemplate vs ChatPromptTemplate

LangChain 提示词机制的演进路径：

特性	PromptTemplate	ChatPromptTemplate
输出格式	纯文本字符串	消息列表
角色支持	无	system / user / assistant
对话历史	不支持	支持
适用场景	简单提示	聊天、多轮对话、Agent

旧时代（PromptTemplate）：

from langchain.prompts import PromptTemplate

template = PromptTemplate.from_template("请给我一个关于{topic}的{type}解释。")
prompt = template.format(type="详细", topic="量子力学")
# 输出：纯文本字符串，无角色区分

新时代（ChatPromptTemplate）：

from langchain_core.prompts import ChatPromptTemplate

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个AI开发工程师，你的名字是{name}。"),
    ("human", "{user_input}")
])

prompt = template.invoke({"name": "小谷AI", "user_input": "你能帮我做什么?"})
# 输出：包含 SystemMessage 和 HumanMessage 的消息列表

4.3 ChatPromptTemplate 三种调用方式

三种调用方式返回不同的数据类型，适用于不同场景：

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}。"),
    ("human", "{question}")
])

# 方式1：invoke() → 返回 ChatPromptValue（推荐，直接喂给模型）
value = template.invoke({"role": "数学家", "question": "1+1=?"})

# 方式2：format() → 返回格式化字符串（适合调试和打印）
text = template.format(role="数学家", question="1+1=?")
# 输出："System: 你是一个数学家。\nHuman: 1+1=?"

# 方式3：format_messages() → 返回消息对象列表
messages = template.format_messages(role="数学家", question="1+1=?")

4.4 完整调用链路

从模板定义到模型输出的完整数据流：

from langchain_core.prompts import ChatPromptTemplate
from langchain.chat_models import init_chat_model

# 1. 初始化模型
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

# 2. 定义模板
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个数学家，可以计算任何算式"),
    ("human", "{text}"),
])

# 3. 填充模板
prompt_value = chat_prompt.invoke({
    "text": "我今年18岁，舅舅38岁，爷爷72岁，我和舅舅一共多少岁？"
})

# 4. 调用模型（直接传入 ChatPromptValue）
output = model.invoke(prompt_value)
print(output.content)

---

五、高级特性

5.1 部分变量预填充：partial()

当某些变量在所有调用中都相同时，可以用 partial() 预填充，减少重复传参：

# 原始模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，目标用户是{audience}"),
    ("user", "{task}")
])

# 预填充角色和受众
support_template = template.partial(role="客服专员", audience="普通用户")

# 现在只需传 task
messages = support_template.invoke({"task": "解释退款政策"})

为不同部门创建专用模板：

base = ChatPromptTemplate.from_messages([
    ("system", "你是{department}的{role}"),
    ("user", "{task}")
])

it_template = base.partial(department="IT部门", role="技术支持")
sales_template = base.partial(department="销售部门", role="销售顾问")

5.2 消息占位符：MessagesPlaceholder

当需要在模板中动态插入一组消息时使用（如对话历史、Agent 中间步骤）：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

template = ChatPromptTemplate.from_messages([
    ("system", "你是一个友好的AI助手"),
    MessagesPlaceholder(variable_name="history"),   # 动态插入对话历史
    ("human", "{question}")
])

# 调用时传入完整历史
prompt = template.invoke({
    "history": [
        ("human", "5 + 2 = ?"),
        ("ai", "5 + 2 = 7")
    ],
    "question": "结果再乘以4呢？"
})

这是实现多轮对话、RAG、Agent 场景的核心工具。

5.3 可复用模板库

将常用模板抽离为类，实现一处定义、处处复用：

# templates.py
from langchain_core.prompts import ChatPromptTemplate

class PromptLibrary:
    TRANSLATOR = ChatPromptTemplate.from_messages([
        ("system", "你是专业翻译，精通{source_lang}和{target_lang}"),
        ("user", "翻译以下文本：\n{text}")
    ])

    CODE_REVIEWER = ChatPromptTemplate.from_messages([
        ("system", "你是{language}代码审查专家，重点关注{focus}"),
        ("user", "审查代码：\n```{language}\n{code}\n```")
    ])

    SUMMARIZER = ChatPromptTemplate.from_messages([
        ("system", "你是内容摘要专家"),
        ("user", "将以下内容总结为{num}个要点：\n{content}")
    ])

使用：

from templates import PromptLibrary

messages = PromptLibrary.TRANSLATOR.format_messages(
    source_lang="英语", target_lang="中文", text="Hello World"
)

5.4 模板组合

字符串拼接：

role_part = "你是一个{domain}专家。"
style_part = "回答风格：{style}。"
constraint_part = "限制：{constraint}。"

full_system = role_part + style_part + constraint_part
template = ChatPromptTemplate.from_messages([
    ("system", full_system),
    ("user", "{question}")
])

使用 + 运算符（LangChain 1.x 支持）：

t1 = ChatPromptTemplate.from_messages([("system", "你是助手")])
t2 = ChatPromptTemplate.from_messages([("user", "{input}")])
combined = t1 + t2

---

六、总结

模块	核心要点
Message 类型	SystemMessage / HumanMessage / AIMessage / ToolMessage，四种角色覆盖所有交互场景
对话历史	每次调用必须传递完整历史；长对话用 keep_recent_messages 裁剪
多模态	content_blocks 统一支持文本/图片/音频/视频/思维链，跨模型兼容
提示词模板	ChatPromptTemplate 替代字符串拼接，支持角色区分、对话历史、partial 预填充
MessagesPlaceholder	动态插入消息列表，是多轮对话和 Agent 的核心基础设施
模板工程化	模板库 + 模板组合，实现 Prompt 的集中管理和复用