LangChain 聊天模型多场景实战：从固定角色到合规客服

执行结果与分析

[图：执行结果示例]

• 核心亮点：无需模板，直接通过 SystemMessage 固定角色，快速实现'领域专家'的基础能力；
• 适用场景：角色和提问场景固定（如专属技术问答、固定知识科普）。

三、案例 2：带参数的领域专家——动态角色与个性化输出

场景需求：构建一个'可切换领域'的专家模型——支持动态指定领域（如机器学习、Python、Java）、输出风格（如'用比喻说明''带代码示例'），并解释用户指定的概念（如过拟合、装饰器）。

核心思路

用 from_template 定义单角色的参数化模板（系统角色模板 + 用户角色模板），再用 from_messages 组合成完整对话模板，最后用 format_messages 注入动态参数（领域、风格、概念），实现'一次模板，多场景复用'。

完整代码与拆解

# 1. 导入依赖：LLM 客户端 + 模板类
from langchain_openai import ChatOpenAI
from langchain_core.prompts import (
    ChatPromptTemplate,       # 对话模板容器
    SystemMessagePromptTemplate, # 系统角色模板
    HumanMessagePromptTemplate # 用户角色模板
)

# 2. 步骤 1：用 from_template 定义单角色参数化模板（核心：{变量名}表示动态参数）
# 系统角色模板：动态指定领域（{domain}）和输出风格（{style_guide}）
system_template = SystemMessagePromptTemplate.from_template("你是一位专业的{domain}专家，回答需严格满足：{style_guide}")
# 用户角色模板：动态指定要解释的概念（{concept}）
human_template = HumanMessagePromptTemplate.from_template("请解释：{concept}")

# 3. 步骤 2：用 from_messages 组合多角色模板（将系统模板和用户模板整合为完整对话）
chat_prompt = ChatPromptTemplate.from_messages([
    system_template,  # 加入系统角色模板
    human_template    # 加入用户角色模板
])

# 4. 步骤 3：用 format_messages 注入动态参数（生成可直接传给 LLM 的消息列表）
# 这里指定：领域=机器学习，风格=用比喻 + 示例，概念=过拟合
messages = chat_prompt.format_messages(
    domain="机器学习",
    style_guide="使用生活比喻和具体示例说明，避免专业术语堆砌",
    concept="过拟合"
)

# 5. 初始化 LLM 模型（同案例 1）
model = ChatOpenAI(
    model_name='deepseek-r1:7b',
    base_url="http://127.0.0.1:11434/v1",
    api_key="none",
    temperature=0.7
)

# 6. 调用 LLM 并输出结果
response = model.invoke(messages)
print("带参数领域专家响应结果：")
print(response.content)

执行结果与分析

[图：执行结果示例]

• 核心亮点：通过 from_template 定义参数化模板，from_messages 组合，实现'一套代码支持多领域、多风格'，复用性极强；
• 关键逻辑：from_template 负责'拆'（单角色参数化），from_messages 负责'合'（多角色整合），format_messages 负责'填'（注入参数）。

四、案例 3：合规客服系统——场景化约束与风险控制

场景需求：构建一个企业客服助手，需满足严格的合规规则：不透露内部系统名、不提供医疗/金融建议、特定场景（如病情咨询、支付问题）转人工，同时支持动态指定企业名称、用户等级。

核心思路

用 ChatPromptTemplate.from_messages 直接定义'系统 + 用户'的组合模板（跳过单独的 from_template，适合模板逻辑较简单的场景），在 system prompt 中明确合规约束，通过参数注入业务信息（企业名、转人工条件、用户等级），确保 LLM 严格遵守规则。

完整代码与拆解

# 1. 导入依赖：LLM 客户端 + 对话模板
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 2. 初始化 LLM 模型（同前）
# model = ChatOpenAI(
#     model_name='deepseek-r1:7b', 
#     base_url="http://127.0.0.1:11434/v1", 
#     api_key="none", 
#     temperature=0.7 
# )

# 3. 步骤 1：用 from_messages 定义合规客服模板（系统角色含约束，用户角色含参数）
compliance_template = ChatPromptTemplate.from_messages([
    # 系统角色：明确企业、合规规则、转人工条件（{company}、{transfer_cond}为参数）
    ("system","""您是{company}的客服助手，必须严格遵守以下规则：
 1. 不透露任何内部系统名称（如 CRM、订单系统名）；
 2. 绝对不提供医疗建议、金融投资建议；
 3. 遇到{transfer_cond}这类问题，必须回复'已为您转接人工客服，请耐心等待'，不做额外解释；
 4. 回复需礼貌，开头需称呼用户等级（如'VIP 用户您好'）。"""),
    # 用户角色：动态指定用户等级（{user_level}）和提问（{query}）
    ("human","[{user_level}用户]：{query}")
])

# 4. 步骤 2：注入参数生成消息列表（模拟'VIP 用户问感冒吃什么药'）
messages = compliance_template.format_messages(
    company="老王医生",              # 企业名称
    transfer_cond="病情咨询、支付问题", # 转人工条件
    user_level="VIP",                # 用户等级
    query="感冒应该吃什么药？"        # 用户提问（属于'病情咨询'，需转人工）
)

# 5. 调用 LLM 并输出结果
response = model.invoke(messages)
print("合规客服系统响应结果：")
print(response.content)

执行结果与分析

[图：执行结果示例]

• 核心亮点：通过 system prompt 的'规则清单'实现强约束，LLM 会自动识别用户提问是否命中'转人工条件'（如案例中'感冒吃药'属于'病情咨询'），严格执行合规逻辑；
• 关键设计：将'可变业务信息'（企业名、转人工条件）设为参数，无需修改模板即可适配不同企业/场景，降低维护成本。

五、实战总结：核心流程与关键技巧

3 个实战技巧

• 模板设计：简单场景用 from_messages 直接定义组合模板；复杂场景用 from_template 拆单角色模板，再用 from_messages 整合；
• 合规控制：将规则（如禁止内容、转人工条件）写在 system prompt 中，用'清单式描述'（1.2.3.）让 LLM 更易理解；
• 参数化：把'可变信息'（领域、企业名、用户等级）设为参数，避免硬编码，提升模板复用性。

2. 模型替换建议

案例中用的是 deepseek，若想替换为其他模型，只需修改 model_name 和 base_url：

• GPT-3.5/4：model_name="gpt-3.5-turbo"，base_url="https://api.openai.com/v1"；
• Claude 3：需用 langchain_anthropic 库的 ChatAnthropic 类，而非 ChatOpenAI。