📝 提示词模板

# 每次调用都要手写一遍，变量靠 f-string 拼接，容易出错
def ask(name, question, history):
    msgs = [SystemMessage(content=f"你是 {name} 的助手")]
    msgs += history   # 历史消息
    msgs.append(HumanMessage(content=question))
    return model.invoke(msgs)

class ChatPromptTemplate(BaseChatPromptTemplate):
    @classmethod
    def from_messages(cls, messages, template_format="f-string"):
        """从多种消息格式创建聊天提示模板。
        每条消息可以是: 元组 (role, content)、BaseMessage、或模板对象。
        """
        ...

# 用法示例
from langchain_core.prompts import ChatPromptTemplate

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个翻译助手，把中文翻译成{target_lang}。"),
    ("human", "请翻译这句话：{text}"),
])

# 填充变量，得到消息列表
messages = prompt.invoke({"target_lang": "英文", "text": "你好世界"})
print(messages)
# → ChatPromptValue(messages=[
#     SystemMessage(content="你是一个翻译助手，把中文翻译成英文。"),
#     HumanMessage(content="请翻译这句话：你好世界"),
# ])

class MessagesPlaceholder(BaseMessagePromptTemplate):
    """一个占位符，假设变量本身已经是消息列表。"""

# 经典用法：system + 历史 + 当前问题
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个有帮助的助手。"),
    MessagesPlaceholder("history"),   # ← 历史消息整个插在这里
    ("human", "{question}"),
])

# 调用时传入历史
messages = prompt.invoke({
    "history": [
        HumanMessage(content="我叫小明"),
        AIMessage(content="你好小明！"),
    ],
    "question": "我叫什么名字？",
})
# 得到: [SystemMessage, HumanMessage("我叫小明"), AIMessage("你好小明！"), HumanMessage("我叫什么名字？")]

# pip install langchain
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.messages import HumanMessage, AIMessage

# ① 基础模板：用元组简写
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，用{style}的语气回答。"),
    ("human", "{question}"),
])

result = prompt.invoke({"role": "诗人", "style": "浪漫", "question": "什么是爱？"})
for m in result.to_messages():
    print(f"[{m.type}] {m.content}")
# [system] 你是诗人，用浪漫的语气回答。
# [human] 什么是爱？

# ② 多轮对话模板：MessagesPlaceholder 注入历史
chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是有帮助的助手，会记住用户告诉你的信息。"),
    MessagesPlaceholder("history"),
    ("human", "{question}"),
])

# 模拟两轮对话
history = []
q1 = "我叫张三，我喜欢Python"
# 假设模型回答了，加入历史
history.append(HumanMessage(content=q1))
history.append(AIMessage(content="你好张三！记住了你喜欢Python。"))

q2 = "我叫什么？我喜欢什么？"
messages = chat_prompt.invoke({"history": history, "question": q2})
print("\n第二轮的完整输入消息：")
for m in messages.to_messages():
    print(f"  [{m.type}] {m.content}")

# ③ MessagesPlaceholder 的 optional 参数
optional_prompt = MessagesPlaceholder("history", optional=True)
# 当 history 未提供时，返回空列表而不报错（适合首轮对话）
print(optional_prompt.format_messages())  # → []

# 模板 | 模型 | 解析器 —— 这就是 LCEL 的精髓，LC5 详解
chain = prompt | model | StrOutputParser()
result = chain.invoke({"question": "你好"})
# prompt 把字典 → 消息；model 把消息 → AIMessage；parser 取出文本