"""
LangChain 1.0 基础教程 - 提示词模板 (Prompt Templates)
========================================================
本文件演示如何使用 LangChain 的提示词模板系统
涵盖以下核心概念：
1. PromptTemplate - 简单文本模板
2. ChatPromptTemplate - 聊天消息模板
3. 模板变量和格式化
4. 消息模板的组合
5. 实际应用场景
作者：LangChain 学习者
日期：2026年3月9日
"""
from openai import chat
from init_model import get_chat_model
from langchain_core.prompts import (
PromptTemplate,
ChatPromptTemplate,
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
AIMessagePromptTemplate,
)
# 初始化聊天模型 代码见init_model.py
chat_model = get_chat_model()
# ============================================================================
# 示例 1：为什么需要提示词模板？
# ============================================================================
def example_1():
"""
示例1：对比字符串拼接 vs 模板
问题：字符串拼接容易出错、难维护、不可复用
解决：使用提示词模板
"""
print("\n" + "=" * 70)
print("示例 1：为什么需要提示词模板？")
print("=" * 70)
# ❌ 不推荐：使用字符串拼接
print("\n【方式 1：字符串拼接（不推荐）】")
print("-" * 70)
topic = "Python"
difficulty = "初学者"
# 难以维护，容易出错
prompt_str = 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}。"
print(f"提示词：{prompt_str}")
response = chat_model.invoke(prompt_str)
print(f"AI 回复：{response.content[:100]}...\n")
# ✅ 推荐：使用 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}。"
)
print(f"模板：{template.template}")
print(f"变量：{template.input_variables}")
prompt = template.format(difficulty=difficulty, topic=topic)
response = chat_model.invoke(prompt)
print(f"AI 回复：{response.content[:100]}...\n")
print("💡 优势：")
print(" 1. 可复用 - 同一个模板可以用于不同的输入")
print(" 2. 可维护 - 模板和数据分离，易于修改")
print(" 3. 类型安全 - 自动验证变量")
print(" 4. 可测试 - 更容易编写测试用例")
# 示例 2：PromptTemplate 基础用法
def example_2():
"""
示例2：PromptTemplate 的基本用法
PromptTemplate 用于简单的文本模板
适合单一提示词的场景
"""
print("\n" + "=" * 70)
print("示例 2：PromptTemplate 基础用法")
print("=" * 70)
# 方法 1：使用 from_template（最简单）
print("\n【方法 1：from_template（推荐）】")
template1 = PromptTemplate.from_template("将以下文本翻译成{language}：\n{text}")
prompt1 = template1.format(language="法语", text="Hello, how are you?")
print(f"提示词 1：{prompt1}")
response1 = chat_model.invoke(prompt1)
print(f"AI 回复 1：{response1.content[:100]}...\n")
# 方法 2：显式指定变量（更严格）
print("【方法 2：显式指定变量】")
template2 = PromptTemplate(
input_variables=["product", "feature"],
template="为{product}写一句广告语，重点突出{feature}特点。",
)
prompt2 = template2.format(product="智能音箱", feature="语音识别")
print(f"提示词 2：{prompt2}")
response2 = chat_model.invoke(prompt2)
print(f"AI 回复：{response2.content}\n")
# 方法 3：使用 invoke（直接生成消息）
print("【方法 3：使用 invoke（更方便）】")
template3 = PromptTemplate.from_template(
"写一首关于{theme}的{style}风格的诗，不超过4行。"
)
# invoke 直接返回格式化后的值
prompt_value = template3.invoke({"theme": "春天", "style": "现代"})
def example_3():
"""
示例3：ChatPromptTemplate 的基本用法
ChatPromptTemplate 用于构建聊天消息
支持 system、user、assistant 多种角色
"""
# 方法 1：使用元组格式（最简单，推荐）
print("\n【方法 1：元组格式】")
chat_template = ChatPromptTemplate.format_messages(
[
("system", "你是一个{role}，擅长{expertise}。"),
("user", "请解释{topic}。"),
]
)
# 格式化模板
messages = chat_template.format_messages(
role="Python 导师",
expertise="用简单的方式解释复杂概念",
task="解释什么是列表推导式",
)
response = chat_model.invoke(messages)
# 方法 2：使用字符串简写（最简洁）
simple_template = ChatPromptTemplate.from_messages(
[("system", "你是一个友好的助手"), ("user", "{question}")]
)
messages = simple_template.format_messages(question="什么是机器学习？")
response = chat_model.invoke(messages)
# ============================================================================
# 示例 4：多轮对话模板
# ============================================================================
def example_4():
"""
示例4：构建多轮对话的模板
包含系统提示、对话历史和当前问题
"""
print("\n" + "=" * 70)
print("示例 4：多轮对话模板")
print("=" * 70)
# 创建包含对话历史的模板
template = ChatPromptTemplate.from_messages(
[
("system", "你是一个专业的编程导师，擅长解释复杂概念。"),
("user", "{question}"),
("assistant", "{answer1}"),
("user", "{question2}"),
]
)
print("模板结构：")
print(" 1. System: 设定角色和指令")
print(" 2. User: 第一个问题")
print(" 3. Assistant: 第一个回答")
print(" 4. User: 第二个问题（基于上下文）\n")
# 填充模板
prompt = template.format_messages(
role="Python 专家",
instruction="回答要简洁、准确",
question="什么是列表？",
answer1="列表是 Python 中的有序可变集合，用方括号 [] 表示。",
question2="它和元组有什么区别？", # 基于上下文的问题
)
response = chat_model.invoke(prompt)
# ============================================================================
# 示例 5：使用 MessagePromptTemplate（高级）
# ============================================================================
def example_5():
"""
示例5：使用 MessagePromptTemplate 类
提供更细粒度的控制
"""
print("\n" + "=" * 70)
print("示例 5：MessagePromptTemplate 类（高级用法）")
print("=" * 70)
# 分别创建不同类型的消息模板
system_template = SystemMessagePromptTemplate.from_template(
"你是一个{profession}，你的特长是{specialty}。"
)
human_template = HumanMessagePromptTemplate.from_template("请解释{topic}。")
ai_template = AIMessagePromptTemplate.from_template("我会用{language}来解释。")
# 组合成 ChatPromptTemplate
chat_template = ChatPromptTemplate.from_messages([system_template, human_template])
# 使用模板
messages = chat_template.format_messages(
profession="数据科学家",
specialty="用数据讲故事",
topic="数据可视化",
question="如何选择合适的图表类型？",
)
response = chat_model.invoke(messages)
print(f"AI 回复：{response.content[:200]}...\n")
# ============================================================================
# 示例 6：部分变量（Partial Variables）
# ============================================================================
def example_6():
"""
示例6：部分变量 - 预填充某些变量
适用场景：
- 某些变量固定不变
- 需要创建模板变体
"""
print("\n" + "=" * 70)
print("示例 6：部分变量（Partial Variables）")
print("=" * 70)
# 创建原始模板
# 创建原始模板
original_template = ChatPromptTemplate.from_messages(
[("system", "你是一个{role}，你的目标用户是{audience}。"), ("user", "请{task}")]
)
# 部分填充：固定 role 和 audience
partially_filled = original_template.partial(role="科技博客作者", audience="程序员")
messages1 = partially_filled.format_messages(
task="写一篇关于 Python 装饰器的文章开头"
)
response1 = chat_model.invoke(messages1)
print(f"文章 1：{response1.content[:150]}...\n")
# 复用模板，不同的 task
messages2 = partially_filled.format_messages(task="写一篇关于异步编程的文章开头")
response2 = model.invoke(messages2)
print(f"文章 2：{response2.content[:150]}...\n")
def example_7():
"""
示例9：模板 + 模型的链式调用
LangChain Expression Language (LCEL)
"""
print("\n" + "=" * 70)
print("示例 9：LCEL 链式调用（预览）")
print("=" * 70)
# 创建模板
template = ChatPromptTemplate.from_messages(
[("system", "你是一个{role}"), ("user", "{input}")]
)
# 使用 | 运算符创建链
chain = template | chat_model
print("链的组成：")
print(" 模板 | 模型")
print(" (Template) | (LLM)\n")
# 直接调用链
response = chain.invoke({"role": "幽默的程序员", "input": "解释什么是bug"})
print(f"AI 回复：{response.content}\n")
print("💡 链式调用的优势：")
print(" 1. 代码更简洁")
print(" 2. 组件可复用")
print(" 3. 易于调试和监控")
print(" （详细内容将在后续模块学习）")
def main():
example_1()
input("\n按 Enter 继续...")
example_2()
input("\n按 Enter 继续...")
example_3()
input("\n按 Enter 继续...")
example_4()
input("\n按 Enter 继续...")
example_5()
input("\n按 Enter 继续...")
example_6()
input("\n按 Enter 继续...")
if __name__ == "__main__":
main()