news 2026/4/17 14:36:51

【Java 转 AI 开发必看：LangChain1.0 从入门到精通，一文搞定生产级 AI 应用开发 Prompt提示词】

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
【Java 转 AI 开发必看：LangChain1.0 从入门到精通，一文搞定生产级 AI 应用开发 Prompt提示词】

前言

这是一个系统学习LangChain 1.0和LangGraph 1.0的实践仓库，涵盖从基础概念到实战项目的完整学习路径。

前期知识回顾

Java 转 AI 开发必看：LangChain1.0 从入门到精通，一文搞定生产级 AI 应用开发 基础调用LLM
提示词模板 (Prompt Templates)

PromptTemplate 简单文本模板

核心概念

PromptTemplate 用于书写简单的文本文档

  • 优点：可以对格式化补全文字。

  • 缺点：不能携带角色信息，只能生成纯字符

  • 适用场景：摘要、翻译、续写

三种方式：

  • 使用 from_template（最简单）

  • 显式指定变量（更严格）input_variables

  • 使用 invoke（直接生成消息） ，传输一个字典

defexample_2_prompt_template_basics():""" 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"生成的提示词：\n{prompt1}\n")response1=model.invoke(prompt1)print(f"AI 回复：{response1.content}\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="智能手表",feature="超长续航")print(f"生成的提示词：\n{prompt2}\n")response2=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"})print(f"生成的提示词：\n{prompt_value.text}\n")

ChatPromptTemplate - 聊天消息模板

核心概念

ChatPromptTemplate 用于构建聊天消息

  • 优点：支持多种角色，创建消息对象列表(List[BaseMessage])

  • 缺点：创建相对复杂

  • 适用场景：多轮对话、聊天机器人、智能代理

三种方式：

  • 使用元组格式（最简单，推荐）

    • 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")])

  • 使用字符串简写（最简洁）

    • messages=simple_template.format_messages(question="什么是机器学习？")
defexample_3_chat_prompt_template():""" 示例3：ChatPromptTemplate 的基本用法 """print("\n"+"="*70)print("示例 3：ChatPromptTemplate - 聊天消息模板")print("="*70)# 方法 1：使用元组格式（最简单，推荐）print("\n【方法 1：元组格式（推荐）】")chat_template=ChatPromptTemplate.from_messages([("system","你是一个{role}，擅长{expertise}。"),("user","请帮我{task}")])print(f"模板变量：{chat_template.input_variables}")# 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")print("\n生成的消息：")formsginmessages:print(f"{msg.type}:{msg.content}")response=model.invoke(messages)print(f"\nAI 回复：{response.content[:150]}...\n")# 方法 2：使用字符串简写（最简洁）print("【方法 2：字符串简写】")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=model.invoke(messages)print(f"AI 回复：{response.content[:100]}...\n")

多轮对话模板

核心概念

构建包含多系统提示词和对话历史的模板

模板的结构：

  • System: 设定角色和指令

  • User: 第一个问题

  • Assistant: 第一个回答

  • User: 第二个问题（基于上下文）

defexample_4_conversation_template():""" 示例4：构建多轮对话的模板 """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{role}。{instruction}"),("user","{question1}"),("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messages=template.format_messages(role="Python 专家",instruction="回答要简洁、准确",question1="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)print("生成的完整对话：")fori,msginenumerate(messages,1):content_preview=msg.content[:60]+"..."iflen(msg.content)>60elsemsg.contentprint(f"{i}. [{msg.type}]{content_preview}")response=model.invoke(messages)print(f"\nAI 回复：{response.content}\n")

MessagePromptTemplate（高级）

核心概念：

MessagePromptTemplate 可以提供更细的颗粒度的控制

组件：

  • SystemMessagePromptTemplate:系统提示词组件

  • HumanMessagePromptTemplate：用户提示词组件

  • AIMessagePromptTemplate：ai提示返回格式

defexample_5_message_templates():""" 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}。")# AI 消息模板（预设 AI 的回复格式）ai_template=AIMessagePromptTemplate.from_template("好的，作为{profession}，我来帮你解答关于{topic}的问题。")human_template=HumanMessagePromptTemplate.from_template("关于{topic}，我想知道{question}")# 组合成 ChatPromptTemplatechat_template=ChatPromptTemplate.from_messages([system_template,ai_template,human_template])print("模板组件：")print(f" 1. SystemMessagePromptTemplate")print(f" 2. AIMessagePromptTemplate")print(f" 3. HumanMessagePromptTemplate")print(f"\n总变量：{chat_template.input_variables}\n")# 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=model.invoke(messages)print(f"AI 回复：{response.content[:200]}...\n")

部分变量（Partial Variables）

核心概念

使用partial（）进行部分填充数据，可在后续的程序中继续填充其他变量。

适用场景：

  • 某些变量固定不变

  • 需要创建模板变体

defexample_6_partial_variables():""" 示例6：部分变量 - 预填充某些变量 """print("\n"+"="*70)print("示例 6：部分变量（Partial Variables）")print("="*70)# 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}")])print(f"原始模板变量：{original_template.input_variables}\n")# 部分填充：固定 role 和 audiencepartially_filled=original_template.partial(role="科技博客作者",audience="程序员")print(f"部分填充后的变量：{partially_filled.input_variables}\n")# 现在只需要提供 taskmessages1=partially_filled.format_messages(task="写一篇关于 Python 装饰器的文章开头")response1=model.invoke(messages1)print(f"文章 1：{response1.content[:150]}...\n")# 复用模板，不同的 taskmessages2=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")

LCEL 链式调用

核心概念：

模板+模型的链式调用，中间使用|进行连接

链的组成：

  • 模板 | 模型

  • (Template) | (LLM)

调用方式：链对象直接使用invoke方法传参字典 key值为模板变量命名，value为变量替换内容

使用优势：

  • 代码更简洁

  • 组件可复用

  • 易于调试和监控

chain.invoke({"role":"幽默的程序员","input":"解释什么是bug"})

示例：

defexample_9_lcel_chains():""" 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|modelprint("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")
版权声明: 本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若内容造成侵权/违法违规/事实不符，请联系邮箱：809451989@qq.com进行投诉反馈，一经查实，立即删除！
网站建设 2026/4/17 14:35:21

从拖延到高效：Super Productivity如何重塑你的时间管理系统

从拖延到高效：Super Productivity如何重塑你的时间管理系统 【免费下载链接】super-productivity Super Productivity is an advanced todo list app with integrated Timeboxing and time tracking capabilities. It also comes with integrations for Jira, GitLa…

作者头像 李华
网站建设 2026/4/17 14:31:31

2026届学术党必备的六大降重复率方案横评

Ai论文网站排名（开题报告、文献综述、降aigc率、降重综合对比） TOP1. 千笔AI TOP2. aipasspaper TOP3. 清北论文 TOP4. 豆包 TOP5. kimi TOP6. deepseek 在学术研究范畴之内，免费的 AI 论文工具正逐渐地改变传统的写作方式，…

作者头像 李华
网站建设 2026/4/17 14:31:15

7-Zip完整指南：免费开源压缩软件的终极使用教程

7-Zip完整指南：免费开源压缩软件的终极使用教程 【免费下载链接】7z 7-Zip Official Chinese Simplified Repository (Homepage and 7z Extra package) 项目地址: https://gitcode.com/gh_mirrors/7z1/7z 你是否曾经因为文件太大无法通过邮件发送而烦恼&…

作者头像 李华
网站建设 2026/4/17 14:31:11

Python生物信息学终极指南：从入门到实战的完整教程

Python生物信息学终极指南：从入门到实战的完整教程 【免费下载链接】Bioinformatics-with-Python-Cookbook-Second-Edition 项目地址: https://gitcode.com/gh_mirrors/bi/Bioinformatics-with-Python-Cookbook-Second-Edition 《Bioinformatics-with-Pytho…

作者头像 李华