本文详解 langchain 中 chatprompttemplate 的消息类型分工，指出原链因混淆 system 与 human 角色导致翻译失效，并提供结构清晰、可复用的 prompt 链设计方法，确保改写与目标语言翻译同步准确完成。
本文详解 langchain 中 chatprompttemplate 的消息类型分工，指出原链因混淆 system 与 human 角色导致翻译失效，并提供结构清晰、可复用的 prompt 链设计方法，确保改写与目标语言翻译同步准确完成。
在 LangChain 的 ChatPromptTemplate 中，system、human（或 user）和 ai 三类消息承担严格区分的语义角色：
- system 消息用于设定模型身份、能力边界与行为准则（如“你是一个专业翻译助手”），不承载具体任务指令；
- human 消息才是触发模型执行动作的核心输入，必须明确、完整地描述待处理任务（如“请先改写以下文本，再译为德语”）；
- ai 消息仅用于少样本示例（few-shot）场景，在推理链中通常不显式出现。
原代码的问题根源在于将关键任务指令（“重写并翻译为 {language}”）错误地置于 system 消息中，而 user 消息仅传递了原始文本 {input}。由于大模型更倾向于将 system 内容视为背景约束而非可执行指令，它仅完成了改写（默认语言），却忽略了翻译要求。
✅ 正确做法是：将角色定义放在 system，将具体多步任务明确写入 human 模板。以下是优化后的完整链实现：
# ✅ 正确定义 system + human 双消息结构
system_message = "You are a professional linguistic assistant skilled in paraphrasing technical documents and translating them accurately across European languages."
human_template = """Your task has two mandatory steps:
1. Rephrase the following text clearly and professionally, preserving all factual details and technical terms: {input}
2. Translate the rephrased version into {language}. Do NOT output anything other than the final translated text."""
chat_prompt = ChatPromptTemplate.from_messages([
("system", system_message),
("human", human_template),
])
# 绑定 LLM 与输出解析器
chain = chat_prompt | llm | StrOutputParser()
# 调用时传入用户输入和目标语言（注意：此处应传 language_code，如 "cs"，而非显示标签 "Czech (CZ)"）
answer = chain.invoke({
"input": user_input,
"language": selected_label # ← 关键修正：使用字典键（如 "cs"）而非值（如 "Czech (CZ)"）
})⚠️ 注意事项：
- 语言参数一致性：前端 language_options 字典的 key（如 "cs"）才是标准语言代码，应直接传给 prompt；若传入 "Czech (CZ)"，模型可能无法识别，导致翻译失败。
- 指令原子性：避免在 system 中混入操作指令；所有“做什么”必须出现在 human 模板中，并用编号、换行等增强可读性。
- 输出控制：添加 Do NOT output anything other than... 等强约束语句，可显著提升 StrOutputParser 解析稳定性，防止模型附加解释或格式符号。
通过严格遵循消息角色分工，并将任务逻辑内聚于 human 模板，即可构建出可靠、可维护、符合预期的 prompt chain。
