# LangChain提示词模板实战：5分钟构建带记忆的AI聊天机器人 在Python生态中，LangChain正迅速成为连接大语言模型与实际应用的首选框架。其核心组件ChatPromptTemplate不仅能简化对话流程设计，更能实现专业级的上下文记忆功能。本文将手把手带您用5分钟完成一个具备记忆能力的聊天机器人，并深入解析消息占位符的实战技巧。 ## 1. 环境准备与基础配置 首先确保已安装LangChain最新版（≥0.1.0）和兼容的Chat模型。推荐使用开源模型或云服务API，以下示例以智谱AI为例： ```bash pip install langchain-core langchain-community ``` 配置环境变量（实际项目建议使用`.env`文件管理密钥）： ```python import os os.environ["ZHIPUAI_API_KEY"] = "your_api_key_here" ``` ## 2. 聊天模板核心架构 LangChain的聊天提示模板支持多角色消息编排，这是实现专业对话系统的关键。典型结构包含： - **系统指令**：定义AI行为准则 - **对话历史**：通过占位符动态注入 - **用户输入**：实时交互内容 ```python from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder prompt = ChatPromptTemplate.from_messages([ ("system", "你是一位精通{language}的{role}，请保持回答专业且友好"), MessagesPlaceholder("history"), ("human", "{input}") ]) ``` ## 3. 记忆机制实现方案 上下文记忆通过`MessagesPlaceholder`实现，以下对比三种常见方案： | 方案类型 | 存储方式 | 优点 | 缺点 | |----------------|-------------------|--------------------|--------------------| | 全量记忆 | 保存全部历史消息 | 上下文完整 | 消耗token快速增长 | | 滑动窗口 | 保留最近N条消息 | 控制成本 | 可能丢失早期信息 | | 摘要压缩 | 存储历史摘要 | 节省token | 需要额外处理逻辑 | 推荐使用滑动窗口实现： ```python from collections import deque from langchain_core.messages import HumanMessage, AIMessage class ChatMemory: def __init__(self, maxlen=4): self.history = deque(maxlen=maxlen*2) # 用户和AI各占一半 def add_message(self, role, content): msg = HumanMessage(content=content) if role == "user" else AIMessage(content=content) self.history.append(msg) def get_history(self): return list(self.history) ``` ## 4. 完整对话链搭建 组合提示模板、记忆系统和LLM构建完整工作流： ```python from langchain_community.chat_models import ChatZhipuAI from langchain_core.runnables import RunnablePassthrough # 初始化组件 llm = ChatZhipuAI(temperature=0.7) memory = ChatMemory() # 构建处理链 chain = ( RunnablePassthrough.assign( history=lambda x: memory.get_history(), language=lambda x: "简体中文", role=lambda x: "技术顾问" ) | prompt | llm ) # 模拟对话循环 def chat_loop(): print("系统初始化完成，输入'退出'结束对话") while True: user_input = input("用户: ") if user_input.lower() == '退出': break response = chain.invoke({"input": user_input}) memory.add_message("user", user_input) memory.add_message("ai", response.content) print(f"AI助手: {response.content}") chat_loop() ``` ## 5. 高级技巧：动态角色切换 通过变量注入实现角色灵活切换，提升交互体验： ```python dynamic_prompt = ChatPromptTemplate.from_messages([ ("system", "你正在扮演{character}的角色，请保持人设"), MessagesPlaceholder("history"), ("human", "{input}") ]) role_chain = ( {"character": RunnablePassthrough(), "input": RunnablePassthrough()} | dynamic_prompt | llm ) # 示例：切换为诗人角色 response = role_chain.invoke({ "character": "唐代诗人李白", "input": "写一首关于黄山的诗" }) ``` ## 6. 性能优化与错误处理 实际部署时需注意以下关键点： - **Token限制**：通过`max_tokens`参数控制响应长度 - **错误重试**：实现自动重试机制应对API限流 - **输入清洗**：防止提示词注入攻击 ```python from tenacity import retry, stop_after_attempt @retry(stop=stop_after_attempt(3)) def safe_invoke(chain, input_dict): try: # 清理用户输入中的特殊字符 cleaned_input = {k: v.replace("{", "").replace("}", "") for k, v in input_dict.items()} return chain.invoke(cleaned_input) except Exception as e: print(f"请求失败: {str(e)}") raise ``` ## 7. 企业级应用扩展 将基础聊天机器人升级为生产级系统： 1. **持久化存储**：使用Redis或PostgreSQL保存对话历史 2. **监控仪表盘**：跟踪对话质量、响应延迟等指标 3. **插件系统**：通过工具调用实现知识库查询、计算等扩展功能 ```python # 伪代码示例：知识库查询插件 def knowledge_plugin(query): from langchain_community.vectorstores import FAISS from langchain_core.retrievers import BaseRetriever class CustomRetriever(BaseRetriever): def invoke(self, input): # 实现检索逻辑 return relevant_docs retriever = CustomRetriever() return retriever.invoke(query) ``` 掌握这些核心技巧后，您已经具备构建专业级对话系统的能力。建议从简单场景入手，逐步增加复杂度。实际开发中，良好的提示词设计往往比模型选择更能影响最终效果。