目录
- 设置角色和指令
- 提示词工程
- 对话示例
- 格式化输出
- 基于Model的结构化输出
提示词(Prompt) 就是发送给模型的消息，其中SystemMessage是 系统提示词(system prompt) ，可以给模型设定角色、聊天的背景、任务说明，对模型生成的内容脊很大的影响。
设置角色和指令
在创建模型的时候设定角色，就不需要在每次请求调用的时候，去指定了
# 创建 agent
agent = create_agent(model=model,system_prompt="你是一个天气预报助手。" # 在这边设置，就不需要每次调用的时候去配置了
)提示词工程
提示词工程（Prompt Engineering），通过优化提示词使模型输出的结果更符合业务需要的过程。
一般来说，系统提示词（System Prompt）会包含以下几个部分，不是每次都需要全部包含，根据需要进行裁剪，通常按此顺序排列：
- 身份角色(Identity)：你是谁？描述AI的职责、沟通风格和总体目标。
- 指令说明(Instructions)：你能做什么，什么不能做。请指导模型如何生成所需的响应。它应该遵循哪些规则?模型应该做什么，以及模型绝对不能做什么?
- 对话示例(Examples)：你应该怎么做。提供可能的输入示例，以及模型期望的输出。
- 背景信息(Context)：向模型提供生成响应所需的任何额外信息，例如RAG的额外知识库数据，或您认为特别相关的任何其他数据。
在编写 System Prompt 时，你可以使用 Markdown 格式和XML标签的组合来帮助模型理解提示和上下文数据的逻辑边界。
- Markdown 的标题和列表有助于标记提示的不同部分，并向模型传达层级结构。它们还可以提高开发过程中提示的可读性。
- XML 标签可以帮助明确区分一段内容（例如用作参考的辅助文档）的起始和结束位置 。
告诉模型，要做什么，不要做什么，减少不必要的输出，少了 Token 节约了钱
# 下面提示词会输出很多东西
# system_prompt = """
# 你是一个编程助手，你帮助用户编写 Python 代码。
# """# 告诉模型，要做什么，不要做什么，减少不必要的输出，少了 Token 节约了钱
system_prompt = """
# 身份
- 你是一个编程助手，你帮助用户编写 Python 代码。# 指令
- 定义变量时，使用 snake case 命名法，而不是 camel case 命名法。
- 不要返回 markdown 格式说明，仅仅返回代码即可。
"""print("创建 agent")
# 创建 agent
agent = create_agent(model=model,system_prompt=system_prompt # 在这边设置，就不需要每次调用的时候去配置了
)
对话示例
对话示例(Few-Shot examples)是一种为模型提供多个示例的方法，以便它可以学习行为模式并生成更准确的响应。
简单的说就是：让AI学着示例的风格回复
system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。#示例，模拟AI的回复，让AI学着示例的风格回复
user:月球的首都是什么?
assistant:月华城(Lunara)一 镶嵌在月球静海环形山中的水晶穹顶都市，其核心是一座利用月球潮汐能驱动的巨型生态循环塔。user:火星的首都是什么?
assistant:赤晶城(Aresia)- 深嵌于火星奥林匹斯山熔岩管内的蜂巢都市，地表仅露出由火星红士烧制而成的螺旋尖塔。
"""
格式化输出
模型擅长自然语言交流和非结构化数据识别，但是传统程序识别结构化的数据会更加方便。所以有时候我们希望模型也能输出固定结构的内容，方便我们解析。
这可以通过系统提示词来实现，我们可以在提示词中指定模型的输出格式，从而使模型的输出更易于解析和使用。
system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。# 指令
- 请务必以JSON格式输出，不要加任何markdown样式。#示例，模拟AI的回复，让AI学着示例的风格回复
user:月球的首都是什么?
assistant:
{"name": "月华市 (Lunaria)","location": "位于月球正面赤道附近的静海基地遗址之上，依托巨大的穹顶与地下网络建成","vibe": "冷冽、高效、革新","economy": "氦-3能源开采、量子通信枢纽、尖端生物圈农业"
}
"""messages = agent.stream({"messages": [HumanMessage(content="金星的首都是什么？")]},stream_mode="messages"
)
{"name": "云冕城 (Aurelia-V)","location": "悬浮于金星北半球约五十公里高空的同温层，由超导气浮基座与碳纤维锚索构成的空中环形群岛","vibe": "空灵、坚韧、云端诗学、浮世琉璃","economy": "超高空恒星光能捕获、大气碳硫循环精炼、微重力气培农业、极端行星气候工程枢纽"
}
完整代码
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool
from dotenv import load_dotenv
import osfrom langchain_core.messages import SystemMessage, HumanMessage, AIMessageload_dotenv()# 获取环境变更值
base_url = os.getenv("DASHSCOPE_BASE_URL")
api_key = os.getenv("DASHSCOPE_API_KEY")print("初始化模型")
# 初始化模型
model = init_chat_model(model="qwen3.6-plus",model_provider="openai", # 指定模型提供者（阿里兼容 openai)base_url=base_url,api_key=api_key,temperature=1.5,top_p=0.9,
)# 下面提示词会输出很多东西
# system_prompt = """
# 你是一个编程助手，你帮助用户编写 Python 代码。
# """# 告诉模型，要做什么，不要做什么，减少不必要的输出，少了 Token 节约了钱
system_prompt = """
# 身份
- 你是一个科幻作家，根据用户的要求创建一个太空之都。# 指令
- 请务必以JSON格式输出，不要加任何markdown样式。#示例，模拟AI的回复，让AI学着示例的风格回复
user:月球的首都是什么?
assistant:
{"name": "月华市 (Lunaria)","location": "位于月球正面赤道附近的静海基地遗址之上，依托巨大的穹顶与地下网络建成","vibe": "冷冽、高效、革新","economy": "氦-3能源开采、量子通信枢纽、尖端生物圈农业"
}
"""print("创建 agent")
# 创建 agent
agent = create_agent(model=model,system_prompt=system_prompt # 在这边设置，就不需要每次调用的时候去配置了
)print("调用 agent")
messages = agent.stream({"messages": [HumanMessage(content="金星的首都是什么？")]},stream_mode="messages"
)for token, metadata in messages:if token.content:print(token.content, end="", flush=True)基于Model的结构化输出
在LangChain中，实现结构化输出会更加简单。我们无需自己在提示词中添加描述实现结构化输出，而仅仅是两步即可:
- 定义一个数据类型(基于pydantic)
- 创建智能体，设置输出格式
# init_chat_model 中的。qwen3.6-plus 不支持 response_format=CapitalInfo 的方式
from pydantic import BaseModel#首先，我们定义一个类，用来封装模型要输出的数据:
class CapitalInfo(BaseModel):name: strlocation: strvibe: streconomy: stragent = create_agent(model=model,system_prompt="你是一个科幻作家，根据用户的要求创建一个太空之都。",response_format=CapitalInfo, # 设置结构化输出的格式
)
完整代码
from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
from langchain.tools import tool
from dotenv import load_dotenv
import osfrom langchain_core.messages import SystemMessage, HumanMessage, AIMessageload_dotenv()# 获取环境变更值
base_url = os.getenv("DASHSCOPE_BASE_URL")
api_key = os.getenv("DASHSCOPE_API_KEY")from pydantic import BaseModelclass CapitalInfo(BaseModel):name: strlocation: strvibe: streconomy: str# 初始化模型
model = init_chat_model(model="qwen3.6-plus",model_provider="openai", # 指定模型提供者（阿里兼容 openai)base_url=base_url,api_key=api_key,temperature=1.5,top_p=0.9,
)# 告诉模型，要做什么，不要做什么，减少不必要的输出，少了 Token 节约了钱
system_prompt = """
你是一个科幻作家，根据用户的要求创建一个太空之都。
"""print("创建 agent")
# 创建 agent
agent = create_agent(model="deepseek-chat", # init_chat_model 中的。qwen3.6-plus 不支持 response_format=CapitalInfo 的方式system_prompt=system_prompt, # 在这边设置，就不需要每次调用的时候去配置了response_format=CapitalInfo, # 设置结构化输出的格式
)print("调用 agent")
response = agent.invoke({"messages": [HumanMessage(content="金星的首都是什么？")]},
)print(response)