NestJS如何结合LangChain，构建高效的Prompt模板？

作为一名后端开发者，你可能已经迫不及待地想在自己的NestJS项目中接入像LangChain这样强大的框架了。说实话， 直接把字符串硬编码在代码里发给大模型，虽然刚开始觉得挺爽，但一旦项目复杂起来维护起来简直就是一场灾难。这时候，Prompt Template就成了你的救命稻草。今天咱们就抛开那些枯燥的官方文档， 用一种更接地气的方式，深入聊聊在NestJS环境下到底该怎么优雅地玩转LangChain的Prompt模板，一句话概括...。

NestJS中使用LangChain的Prompt模板：结构化的工作

在NestJS中使用LangChain的Prompt模板，其实就是在做“结构化”的工作。把混乱的自然语言指令，变成代码中可维护、可复用的对象，改进一下。。

PromptTemplate：基础形式

登场的是PromptTemplate。这是最基础的形式，它主要用于生成纯文本字符串。当你不需要区分消息角色，只是单纯想给LLM发送一段指令时它就是你的首选。

const quickTemplate = PromptTemplate.fromTemplate(
  '请简要评价{product}在{aspect}方面的表现。'
);
const promptValue = quickTemplate.format;

你没事吧？ 看完这段代码， 你可能会问，每次都要new一个实例，还要手动列inputVariables是不是有点太繁琐了？别急， LangChain也提供了一个更便捷的静态方法.fromTemplate它能自动帮你识别模板里的变量名，省去了不少敲键盘的功夫。

ChatPromptTemplate：角色扮演

现在的LLM大多是基于Chat模型的， 它们更习惯处理“对话”结构，而不是一大段纯文本。这时候，ChatPromptTemplate就该闪亮登场了。 我算是看透了。 它允许我们定义不同角色的消息，比如System、Human和AI。

import { ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate } from '@langchain/core/prompts';
async createChatPrompt {
  const chatTemplate = ChatPromptTemplate.fromMessages();
  const result = await chatTemplate.invoke({
    role: '资深程序员',
    question: 'React Hooks 的依赖项数组到底该怎么填？'
  });
  console.log;
}

这里有个细节需要特别注意：invoke是异步方法，必须使用await。如果你直接打印result可能会看到一个Promise对象而不是你想要的后来啊。再说一个result.messages就是我们到头来传给大模型的BaseMessage数组，里面包含了SystemMessage和HumanMessage实例，拭目以待。。

.invoke、.formatMessages和.format的区别

.invoke: 异步。返回ChatPromptValue对象。这是LangChain Runnable接口调用方式， 地道。 适合直接链式传递给LLM。

.formatMessages: 异步。直接返回BaseMessage数组。如果你只需要消息列表而不需要包装对象，用这个很方便，层次低了。。

.format: 同步。返回纯文本字符串。它会将所有消息拼接成一个字符串，通常用于调试或者不需要消息结构的场景。

const template = ChatPromptTemplate.fromMessages;
// 1. invoke
const val1 = await template.invoke;
// 2. formatMessages
const val2 = await template.formatMessages;
// 3. format
const val3 = template.format;

高级技巧：部分变量填充与动态消息列表

部分变量填充：partial功能的应用场景与实现方式对比分析

有时候， 我们会有这样的需求：一个模板里有五个变量，但其中三个是固定的，只有两个是每次请求都不一样的。如果每次都要把这三个固定的变量传一遍，那代码冗余度就太高了。

LangChain提供了partialVariables ,专门解决这个问题。我们可以预先填充一部分变量， 生成一个新的“半成品”模板.，蚌埠住了！

const partialTemplate = new PromptTemplate({
  template: '请评价{product}的优缺点，重点关注{aspect1}和{aspect2}。',
  inputVariables: , // 只需要声明剩余未填充的变量
  partialVariables: {
    aspect1: '电池续航' // 预先固定这个值
  }
});
// 使用时只需传 product 和 aspect2
const promptA = partialTemplate.format({
  product: '某品牌手机',
  aspect2: '屏幕显示'
});

动态消息列表：MessagesPlaceholder让聊天记录无缝融入提示词

在，让它能记住上下文。但是历史记录的长度是不确定的，这时候普通的模板变量就不够用了。 这时候,MessagesPlaceholder 就派上用场了。它就像一个特殊的占位符,告诉模板:"嘿,这里到时候我会塞给你一整个消息列表,你别管有多少条,全部放进去就行。"，说白了就是...

import { MessagesPlaceholder } from '@langchain/core/prompts';
async createHistoryPrompt {
  const historyTemplate = ChatPromptTemplate.fromMessages();
  const result = await historyTemplate.invoke({
    name: '小智',
    // 这里传入一个包含历史消息的数组
    chat_history: ,
    input: "我刚才说我叫什么?"
  });
  console.log;
}
这种结构非常灵活， 主要原因是它允许你在System指令和当前用户输入之间，插入任意长度的对话历史。这是实现具备记忆功能AI应用的关键一步。
"少样本提示"让模型学会举一反三 
除了上述的结构化技巧，LangChain还支持“少样本提示”。简单来说就是通过给模型看几个例子，让它学会怎么回答。这在处理复杂任务时效果奇佳。
比如你想让模型学会做“情感分析”，你可以”这个逻辑，配合前面提到的 PromptTemplate ,你就能组合出非常强大的提示词策略。
虽然这部分逻辑稍微复杂一点，通常涉及到  ExampleSelector ,但其核心思想依然是模板化。你可以把“例子”看作是一种特殊的变量填充。每个例子通常是一个字典,键对应输入变量,值对应具体的输入和输出。
开发中的那些坑与避坑指南 
异步与同步的混淆  在NestJS里  invoke  和  formatMessages  是异步的,千万别忘了  await ,否则你拿到的只是一个Promise对象,直接传给LLM会报错。
消息类型的选择 
如果你是在做聊天机器人,优先使用  ChatPromptTemplat e ；如果只是简单的文本补全,用  PromptTemplat e 
就够了。
别把简单的事情复杂化。
变量名匹配要精确无误 
模板里的  {variabl e} 
必须与 
inputVariable s 
数组或者调用时传入的对象键名完全一致,否则会报错或者出现意料之外的后来啊 。掌握了这些,你就能在NestJS中构建出既灵活又强大的AI应用了。
别光看,赶紧去你的项目里试试吧！