在LangChain构建LLM应用的流程中，PromptTemplate（提示模板） 和 Message（消息） 是两个贯穿 “提示生成→对话交互” 的核心组件。前者解决 “提示标准化与复用” 问题，后者则是 “对话上下文承载” 的最小单元 —— 但很多开发者容易混淆两者的定位与用途。本文将全面拆解两者的核心能力，并通过对比明确其本质差异，助力你在实际开发中精准选型。

一、什么是提示词（Prompt）

在大模型领域，经常耳熟能详的一个英文单词是Prompt，那么到底Prompt是什么呢？我们不妨打开有道翻译，看看它的解释：

在讨论大模型时，我们常说的"Prompt" 是指：输入给大模型的问题或者指令，这些输入指令用来引导模型生成相应的回答或输出。提示词的质量直接影响模型的回答效果，决定着模型能否完成预期的任务。

关于提示词以及提示词工程本文不做过多展开，感兴趣的读者可以参考如下推荐链接去学习：

1、OpenAI官方教程：

https://platform.openai.com/docs/guides/prompt-engineering

2、提示工程教程网站：

https://www.promptingguide.ai/zh/introduction

二、提示词模版（Prompt Template）

LangChain 中的 PromptTemplate 是用于定义提示结构、分离静态文本与动态变量的工具，其本质是 “将重复的提示逻辑抽象为可复用模板”，避免开发者每次调用模型时都手动拼接字符串。在LangChain框架中，提示词是由提示词模版（PromptTemplate）类生成的。每一个PromptTemplate类的实例都定义了一种特定的提示词和生成规则。

1、核心价值

• 复用性：一套模板可在多场景重复使用（如电商客服的 “订单查询提示”，只需替换 “订单号” 变量）；

• 一致性：确保不同输入下的提示格式统一（如所有用户提问都包含 “系统指令 + 用户问题” 结构）；

• 动态注入：支持将外部数据（如用户输入、数据库查询结果）作为变量注入模板，生成个性化提示；

• 可维护性：模板集中管理，修改静态逻辑（如 “回复风格要求”）时无需改动所有调用代码。

2、提示词模板分类

提示词模板的输出是一个 PromptValue（提示值），该 PromptValue 可传递给LLM（大语言模型）或ChatModel（聊天模型），也可转换为字符串或消息列表。PromptValue 存在的意义，是为了让字符串和消息之间的切换更便捷。提示模板主要分为以下几种类型：

（1）字符串提示模板（StringPromptTemplates）

这类提示模板用于格式化单个字符串，通常适用于较简单的输入场景。例如，构建和使用字符串提示模板的常见方式如下：

from langchain_core.prompts import PromptTemplate

（2）聊天提示模板（ChatPromptTemplates）

这类提示模板用于格式化消息列表，其本身由一系列子模板组成。例如，构建和使用聊天提示模板的常见方式如下：

from langchain_core.prompts import ChatPromptTemplate

在上述示例中，调用该聊天提示模板时会生成两条消息：第一条是系统消息（无待填充变量），第二条是用户消息（会通过用户传入的 “topic” 变量进行格式化）。调用结果如下所示：

（3）消息占位符（MessagesPlaceholder）

这类提示模板用于在特定位置插入消息列表。在前面的聊天提示模板示例中，我们展示了如何格式化两条字符串类型的消息；但如果需要让用户传入一组消息并插入到模板的指定位置，就需要用到消息占位符。使用方式如下：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder

上述代码最终会生成 4 条消息：1 条系统消息 + 传入的 3 条消息（2 条用户消息、1 条 AI 消息）。若传入 5 条消息，则最终会生成 6 条消息（1 条系统消息 + 5 条传入消息）。这种方式在需要将消息列表插入模板指定位置时非常实用。

此外，也可不直接使用 MessagesPlaceholder 类，通过以下简化方式实现相同功能：

prompt_template = ChatPromptTemplate([

三、Message

LangChain 中的 Message 是对话场景下交互信息的最小单元，它不仅包含 “内容”，还绑定了 “角色”（如用户、系统、模型），是Chat Model与外界交互的 “标准数据格式”。

1.核心价值

• 区分交互角色：明确消息的发送者（系统 / 用户 / 模型 / 工具），让 Chat Model 理解对话逻辑（如优先遵循 System指令，响应Human 输入）；

• 承载上下文：多轮对话中，Message 列表构成 “聊天历史”，让模型能 “记住” 过往交互（如用户之前提到的 “订单号”）；

• 支持多模态与工具调用：扩展文本之外的内容（如图像、工具调用结果），是多模态对话与工具联动的基础。

2. 分类与详细解析：按角色划分的 Message 类型

LangChain 按 “交互角色” 将 Message 分为 4 大类，每种角色对应明确的功能定位，覆盖从基础对话到工具调用的全场景。

类型	角色	核心作用	适用场景
SystemMessage	system	设定模型的 “行为准则”，定义对话的全局规则（如语气、能力边界、输出格式）	所有对话场景，尤其是需要约束模型行为时（如 “你是电商客服，仅回答订单问题”）
HumanMessage	human	承载用户的输入信息（如提问、需求描述）	用户与模型的直接交互（如 “查询我的订单状态”）
AIMessage	AI	承载模型的输出信息（即模型的回复内容）	多轮对话中记录模型历史回复，用于上下文衔接
ToolMessage		承载工具 / 函数调用的结果（如 API 返回数据、数据库查询结果）	工具调用场景（如模型调用 “天气 API” 后，用此类型传递天气数据给模型）

（1）SystemMessage：模型的 “行为说明书”

• 核心逻辑：优先级最高的消息，用于预先定义模型的行为，且模型会默认认为 System 指令是 “全局规则”，贯穿整个对话；

• 注意事项：内容需具体、明确，避免模糊表述（如 “回答简洁” 不如 “回答不超过 3 句话，每句不超过 20 字”）。

from langchain_core.messages import SystemMessage

（2）HumanMessage 与 AIMessage：对话的 “输入输出载体”

• HumanMessage：用户输入的直接映射，可包含文本、多模态内容（如图像 URL，需模型支持）；

• AIMessage：模型回复的存储载体，多轮对话中需将历史 AIMessage 与 HumanMessage 一起传入模型，确保上下文连贯。

代码示例（多轮对话列表）：

from langchain_core.messages import HumanMessage, AIMessage

（3）ToolMessage：工具调用的 “结果传递器”

• 核心逻辑：当模型调用外部工具（如 API、数据库）后，工具的返回结果需用 ToolMessage 封装，再传入模型，模型会基于该结果生成最终回复；

• 关键属性：除了 content（工具结果），还需指定 name（工具名称，与模型调用时的工具名一致），确保模型关联 “调用请求” 与 “结果”。

代码示例（工具调用流程）：

from langchain_core.messages import HumanMessage, AIMessage, FunctionMessage

3. Message 的格式与兼容性

LangChain 支持两种主流的 Message 格式，确保与不同模型生态兼容：

• LangChain原生格式：基于langchain_core.messages 中的类（如 SystemMessage），结构清晰，支持多模态扩展；

• OpenAI 格式：字典格式，键为 role（对应 type）和 content（对应 content），如 {“role”: “system”, “content”: “你是助手”}，适合从 OpenAI 生态迁移的项目。

两者可通过 from_dict 和 to_dict 方法互相转换：

from langchain_core.messages import SystemMessage

4. Message 的核心特性总结

• 输入：角色（type）+ 内容（content，支持文本 / 多模态）+ 可选属性（如工具调用信息）；

• 输出：标准化的 Message 对象，可直接传入 Chat Model；

• 核心目标：承载对话上下文，区分交互角色，支持复杂对话与工具联动；

• 依赖场景：所有 Chat Model 调用场景，是多轮对话、工具调用、多模态交互的基础。

四、PromptTemplate 与 Message 的关系

很多开发者混淆两者，核心是未明确 “模板” 与 “消息” 的差异。下表从 6 个核心维度对比，帮你彻底厘清：

对比维度	PromptTemplate	Message
本质属性	「提示生成器」：静态逻辑与动态变量的组合，是 “生产提示的模板”	「交互数据单元」：对话中实际传递的信息载体，是 “生产出的产品”
核心结构	静态文本 + 变量占位符（如 {user_question}），结构是 “模板化的规则”	角色（type）+ 内容（content），结构是 “结构化的交互数据”
核心用途	1. 标准化提示生成流程；2. 复用提示逻辑；3. 动态注入变量（如用户输入）	1. 承载对话上下文；2. 区分交互角色（系统 / 用户 / 模型）；3. 传递工具调用结果
与模型的交互模式	「预处理阶段」：在调用模型前，将模板与变量结合，生成最终的 “输入内容”（字符串或 Message 列表），不直接与模型交互	「交互阶段」：直接作为模型的输入 / 输出（输入是 Human/System Message，输出是 AIMessage），是模型交互的 “直接对象”
生命周期	初始化后可重复使用（如一套客服模板可服务所有用户），生命周期长	动态生成与销毁（每轮对话生成新的 Message，对话结束后可丢弃或归档），生命周期短
依赖关系	ChatPromptTemplate 依赖 Message 的角色定义（如 SystemMessage 模板），最终生成 Message 列表	可独立创建（如手动构建 Message 列表），也可由 ChatPromptTemplate 生成，是 “被生成的对象”

五、应用场景分析

在实际 LLM 应用中，两者并非孤立，而是协同工作，以下是两个典型场景：

1. 多轮对话机器人（如客服助手）

• PromptTemplate：用 ChatPromptTemplate 定义 “系统指令 + 历史占位符 + 用户问题模板”，确保所有用户的对话都遵循统一规则；

• Message：用 MessagesPlaceholder 动态注入 “聊天历史”（HumanMessage + AIMessage 列表），让模型记住过往交互；

• 流程：每次用户提问 → 模板注入 “历史 + 新问题” 生成 Message 列表 → 传入模型 → 模型返回 AIMessage → 更新聊天历史。

2. RAG 问答系统（基于文档的问答）

• PromptTemplate：用 ChatPromptTemplate 定义 “系统指令（基于文档回答）+ 文档片段变量 + 用户问题模板”，如：

rag_template = ChatPromptTemplate.from_messages([

• Message：模板注入 “文档片段（动态变量）+ 用户问题” 生成 Message 列表，传入 Chat Model，模型返回基于文档的 AIMessage；

• 优势：模板确保 “文档片段 + 问题” 的格式统一，Message 确保模型能正确识别 “系统指令” 与 “用户问题” 的角色。

六、总结：如何正确选择与使用？

当你需要标准化提示逻辑、复用提示结构时，用PromptTemplate，优先选择 ChatPromptTemplate（适配 Chat Model，与 Message 无缝衔接）。

当你需要承载对话上下文、区分交互角色时：用Message，按场景选择 SystemMessage（定规则）、HumanMessage（用户输入）、AIMessage（模型回复）。

核心原则：PromptTemplate 是 “生产 Message 的工具”，Message 是 “与模型交互的载体”—— 先定义模板确保逻辑统一，再通过模板生成 Message 实现交互。

掌握两者的核心逻辑与区别，是构建稳定、可维护的 LangChain 应用的基础。无论是简单的对话机器人，还是复杂的 RAG 系统、工具调用应用，都需要通过 “模板标准化” 与 “消息结构化” 的协同，实现高效的 LLM 交互。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！