LangChain 是一个基于语言模型开发应用程序的框架。它使得应用程序具备以下特点：1.数据感知：将语言模型与其他数据源连接起来。2.代理性：允许语言模型与其环境进行交互
LangChain 的主要价值在于：组件：用于处理语言模型的抽象，以及每个抽象的多个实现集合。这些组件是模块化且易于使用的，无论您是否在使用 LangChain 框架的其他部分
现成的链式结构：由多个组件组成的结构化组合，用于完成特定的高级任务现成的链式结构使得入门变得轻松。对于更复杂的应用程序和微妙的用例，组件使得可以轻松定制现有链式结构或构建新的结构。此篇博客主要介绍Langchain的prompt相关内容。
Langchain中提供了哪些Prompt呢？具体如下图所示，是截至目前Langchain提供的所有模版，对于base类模版，在通过langchain构建应用时，一般很少用到，开发者主要用的还是ChatPromptTemplate，PromptTemplate，以及各类MessagePromptTemplate。
为什么Lanchain会提供不同类型的MessagePromptTemplate呢？因为Openai的原始接口中，对于chat completion这个接口，里面的user role就分为user，system，assistant三个角色，所以，这里的MessageTemplate也分为HumanMessagePromptTemplate，AIMessagePromptTemplate，SystemMessagePromptTemplate。
openai官方提供的chat completion的接口如下图所示，可以看到原始调用openai的接口中，需要传入role的信息，所以上面的三种messagePromptTemplate对应三种不同的角色。
了解了前面的基础知识后，来看看如何使用PromptTemplate。下面的代码中调用from_template
（...）传入了一份带变量的字符串，调用format信息后，打印出来的message就是将变量值于原有字符串merge后的值。另外，从结果也可以看到，PromptTemplate是一个报刊input_variables和template变量的的class。
import openai
import os
from langchain.prompts import (PromptTemplate)prompt_template = PromptTemplate.from_template("Tell me a joke about {context}")
message = prompt_template.format(context="chidren")
print(prompt_template)
print(type(prompt_template))
print(message)
除了通过from_template()的方法初始化一个PromptTemplate的class外，还可以通过下面的方法初始化这个class
prompt_template_two = PromptTemplate(input_variables=['name'],template="what is your {name}"
)
print(prompt_template_two)接着来看看SystemMessagePromptTemplate的使用,在创建好一个PromptTemplate后，可以将prompt赋值给SystemMessagePromptTemplate。可以看到SystemMessagePromptTemplate除了prompt变量外，还有template_format,validate_template变量。
prompt = PromptTemplate(template="You are a helpful assistant that translates {input_language} to {output_language}.",input_variables=["input_language", "output_language"],
)
system_message_prompt = SystemMessagePromptTemplate(prompt=prompt)
print(system_message_prompt)
print(type(system_message_prompt))
除了上面的方式初始化一个SystemMessageTemplate外，还可以通过调用from_template的方式进行初始化。可以看到初始化出来的对象是一样的。
prompt_string = """Translate the text \
that is delimited by triple backticks \
into a style that is {style}. \
text: ```{text}```
"""
system_message_prompt_two = SystemMessagePromptTemplate.from_template(prompt_string)
print(system_message_prompt_two)
接下来再看看ChatPromptTemplate,这里先创建了一个HumanMessagePromptTemplate，然后通过from_message，将创建了promptTemplate赋值给了ChatPromptTemplate
human_prompt_template = HumanMessagePromptTemplate.from_template(prompt_string)
print(human_prompt_template)
print('-------------------')
chat_prompt = ChatPromptTemplate.from_messages([human_prompt_template])
print(chat_prompt)执行结果如下图所示，可以看到直接打印的话，HumanMessagePromptTemplate和前面的SystemMessagePromptTemplate无区别，class包含的字段都一样。组装出来的ChatPromptTemplate包含input_variables,output_parser,messages三个变量，messages的值就是生成的HumanMessagePromptTemplate.
调用ChatPromptTemplate的format_messages()方法，可以将变量值和原有的prompt中的文字进行合并。结果如下图所示，返回的message是一个List,List只有一个值就是HumanMessage对象，HumanMessage对象又包含content，additional_kwargs={},example变量。
message = chat_prompt.format_messages(style="myStyle", text="mytext")
print(message)
可以看到不同promptTemplate之间有一点绕，这可能也和AI技术不断在更新，langchain也在不断迭代有关吧。
message对象生成好后，就可以调用model生成内容了，代码如下所示：
chat = ChatOpenAI(model_name="gpt-3.5-turbo", verbose=True)
response = chat(message)
print(response)
print(response.content)调用大模型生成的内容如下图所示：
以上就是对Langchain中Prompt的使用介绍。
