在 LangChain 中，提示模板（Prompt Template）是连接用户输入与大语言模型（LLM）的关键桥梁。通过模板，我们可以将动态变量安全、规范地注入到提示中，再交由 LLM 进行推理。

1.1 基础示例：使用 PromptTemplate + OllamaLLM

from langchain_ollama.llms import OllamaLLM
from langchain_core.prompts import PromptTemplate
import datetime

# 初始化本地 LLM（使用 Ollama 托管的 Qwen3 4B 模型）
llm = OllamaLLM(model="qwen3:4b")

def get_datetime():
    now = datetime.datetime.now()
    return now.strftime("%m/%d/%Y, %H:%M:%S")

# 定义提示模板（显式声明变量）
prompt = PromptTemplate(
    template="告诉我{city}在{year}年{date}的平均气温",
    input_variables=["city", "year", "date"]
)

# 方式一：直接格式化后调用 LLM
message1 = prompt.format(city="上海", year=2025, date=get_datetime())
response1 = llm.invoke(message1)
print(response1)
print("*" * 100)

# 方式二：使用 partial() 预填充部分或全部变量
partial_prompt = prompt.partial(city="成都", date=get_datetime(), year="2025")
response2 = llm.invoke(partial_prompt.format())  # 无需传参
print(response2)

说明：

• prompt.format() 返回的是 字符串（str）
• llm.invoke() 接受该字符串作为输入
• partial() 创建了一个新模板，其部分变量已被固化，后续调用更简洁

1.2 llm.invoke() 的输入类型详解

LangChain 的 invoke() 方法支持多种输入格式，具体取决于所使用的 LLM 类型：

输入类型	适用场景	示例
str	基础文本推理（适用于非聊天型 LLM）	"你好，请介绍一下量子计算。"
PromptValue	使用 PromptTemplate 或 ChatPromptTemplate 生成的中间表示	prompt.format_prompt(...)
List[BaseMessage]	聊天模型（ChatModel）多轮对话	[SystemMessage(...), HumanMessage(...)]

关键区别：基础 LLM vs 聊天模型（ChatModel）

特性	基础 LLM（如 OllamaLLM, OpenAI 非 chat）	聊天模型（如 ChatOpenAI, ChatOllama）
输入格式	字符串（str） 或 PromptValue	消息列表（List[BaseMessage]）
是否支持角色	不支持	支持 system / user / assistant
推荐模板	PromptTemplate	ChatPromptTemplate
典型用途	单次指令、文本生成	对话系统、带上下文的问答

重要提醒：

• 如果你使用的是 OllamaLLM（继承自 BaseLLM），它不接受 BaseMessage 列表，只接受 str。
• 若想使用聊天格式，应改用 ChatOllama（属于 BaseChatModel）。

1.3 正确选择输入类型

场景1：简单单轮问答（推荐用 str）

from langchain_core.prompts import PromptTemplate
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="qwen3:4b")

response = llm.invoke("解释一下牛顿第一定律。")

场景2：带变量的模板（推荐用 PromptTemplate → str）

from langchain_core.prompts import PromptTemplate
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="qwen3:4b")

prompt = PromptTemplate.from_template("用{language}解释{concept}")
text = prompt.format(language="中文", concept="相对论")
response = llm.invoke(text)

场景3：多轮对话（必须用 ChatPromptTemplate + ChatModel）

from langchain_ollama.chat_models import ChatOllama
from langchain_core.prompts import ChatPromptTemplate

chat_llm = ChatOllama(model="qwen3:4b")

chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一名耐心的数学老师。"),
    ("human", "如何解方程 {equation}？")
])

messages = chat_template.format_messages(equation="x^2 - 4 = 0")
response = chat_llm.invoke(messages)  # messages 是 List[BaseMessage]

1.4 总结：输入类型与模型匹配关系

模型类型	推荐输入格式	对应模板类
BaseLLM（如 OllamaLLM）	str 或 PromptValue.to_string()	PromptTemplate
BaseChatModel（如 ChatOllama）	List[BaseMessage] 或 PromptValue.to_messages()	ChatPromptTemplate

最佳实践：

• 不要混用：不要把 BaseMessage 列表传给 OllamaLLM.invoke()，会报错。
• 统一接口：若不确定模型类型，可通过 .invoke(prompt_value) 让 LangChain 自动处理转换。

---

1.5 补充：PromptValue 的作用

PromptValue 是 LangChain 内部用于统一提示表示的抽象类：

• .to_string() → 返回 str
• .to_messages() → 返回 List[BaseMessage]

pv = prompt.format_prompt(city="北京", year=2025, date=get_datetime())
print(pv.to_string())        # 用于基础 LLM
# print(pv.to_messages())    # 仅当 prompt 是 ChatPromptTemplate 时有效

1.6结论

• PromptTemplate + OllamaLLM → 生成字符串 → 调用 invoke(str)
• ChatPromptTemplate + ChatOllama → 生成消息列表 → 调用 invoke(List[BaseMessage])
• partial() 可预填充变量，提升复用性和链式调用效率

2.1 LLM.invoke() 输入类型详解

 核心结论

输入类型	类型说明	适用模型	使用场景
str	普通字符串	基础 LLM（如 OllamaLLM, OpenAI 非聊天接口）	简单文本推理
PromptValue	LangChain 内部提示对象，可转换为 str 或 List[BaseMessage]	所有 LLM / ChatModel	使用 PromptTemplate 后的中间表示
List[BaseMessage]	消息列表，包含角色（system/human/ai）	聊天模型（ChatModel）	多轮对话、复杂交互

 注意：PromptValue 是一种“统一中间格式”，它能适配不同类型的模型输出需求。

from langchain_core.prompts import PromptTemplate
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="qwen3:4b")

prompt1 = PromptTemplate.from_template("你好，{name}！")
prompt_value1 = prompt1.format(name="小明")        # 返回 str
prompt_value2 = prompt1.format_prompt(name="小明")  # 返回 PromptValue

response1 = llm.invoke(prompt_value1)  # 字符串输入 
response2 = llm.invoke(prompt_value2)  # PromptValue 输入 

输出结果：

print(type(prompt_value1))  # <class 'str'>
print(type(prompt_value2))  # <class 'langchain_core.prompts.prompt.PromptValue'>

解释：

• format() → 返回 纯字符串
• format_prompt() → 返回 PromptValue 对象

结果说明：

• response1 和 response2 实际上是等价的，因为：

prompt_value1 == prompt_value2.to_string()  # True

• llm.invoke() 在内部会自动调用 .to_string() 将 PromptValue 转换为 str，再传给底层模型。

因此：PromptValue 可以直接用于基础 LLM 的 invoke() 方法。

2.2ChatModel 场景：使用 List[BaseMessage]

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_ollama import ChatOllama

chat_llm = ChatOllama(model="qwen3:4b")

messages = [
    SystemMessage(content="你是一个有帮助的助手。"),
    HumanMessage(content="今天天气怎么样？")
]

print(type(messages))  # <class 'list'>
response = chat_llm.invoke(messages)
print(response)

输出结果：

• messages 是一个 List[BaseMessage]
• chat_llm.invoke(messages) 成功执行，并返回一个 AIMessage 对象（含模型回复）

这种方式适用于支持多轮对话的 ChatModel，例如：

• ChatOpenAI
• ChatOllama
• ChatAnthropic

3.完整示例对比

示例1：基础 LLM + 字符串输入

from langchain_core.prompts import PromptTemplate
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="qwen3:4b")
prompt = PromptTemplate.from_template("你是{role}，请回答：{question}")
text = prompt.format(role="物理老师", question="什么是量子纠缠？")
response = llm.invoke(text)
print(response)

示例2：基础 LLM + PromptValue 输入

pv = prompt.format_prompt(role="物理老师", question="什么是量子纠缠？")
response = llm.invoke(pv)  # 自动转为字符串
print(response)

示例3：聊天模型 + 消息列表输入

from langchain_ollama import ChatOllama
from langchain_core.messages import SystemMessage, HumanMessage

chat_llm = ChatOllama(model="qwen3:4b")
messages = [
    SystemMessage(content="你是一名专业的物理教师。"),
    HumanMessage(content="解释一下量子纠缠。")
]
response = chat_llm.invoke(messages)
print(response.content)

from langchain_core.prompts import ChatPromptTemplate

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手。"),
    ("human", "你好！")
])

pv = chat_prompt.format_prompt()
messages = pv.to_messages()  # 可以转换为消息列表