本文详解如何通过合理设计 chatprompttemplate 的消息类型（system/human）来确保 llm 同时完成文本重述和目标语言翻译，避免仅重述不翻译的常见错误。
本文详解如何通过合理设计 chatprompttemplate 的消息类型（system/human）来确保 llm 同时完成文本重述和目标语言翻译，避免仅重述不翻译的常见错误。
在 LangChain 中使用 ChatPromptTemplate 构建 prompt chain 时，消息角色（role）的语义至关重要。原始代码中将所有指令（包括语言要求）都放在 "system" 消息中，而用户输入仅作为 "user" 消息传入，这导致模型未被明确告知“需执行翻译任务”——系统消息虽设定了上下文，但缺乏对具体操作步骤的显式指令；而人类消息（即 "user"）又只传递了原始文本，未包含任务定义，因此模型倾向于仅完成更易识别的重述动作，忽略翻译。
✅ 正确做法是：将角色定义与任务指令分离，并将核心操作逻辑置于 "human" 消息中：
- "system" 消息用于设定助手身份与行为准则（如：“你是一位擅长文本重述与多语言翻译的助手”）；
- "human" 消息则清晰声明待执行的两步任务（重述 + 翻译），并内联 {input} 和 {language} 占位符，确保模型在推理时能同时感知输入内容与目标语言约束。
以下是优化后的完整链构建示例：
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
# ✅ 清晰的角色分工
system_message = "You are a helpful assistant specializing in rephrasing and translating technical texts accurately and professionally."
human_template = (
"Your task comprises two mandatory steps:\n"
"1. Rephrase the following text to improve clarity, conciseness, and tone—without changing its factual meaning: {input}.\n"
"2. Translate the rephrased version into {language}. Output only the final translated text—no explanations, no markup, no extra commentary."
)
chat_prompt = ChatPromptTemplate.from_messages([
("system", system_message),
("human", human_template),
])
# 链式组装（假设 llm 已初始化）
chain = chat_prompt | llm | StrOutputParser()
# 调用时传入 input 和 language（注意：此处 language 应为自然语言名称，如 "Czech (CZ)"，与前端选中的 value 一致）
answer = chain.invoke({
"input": user_input,
"language": selected_language # e.g., "Czech (CZ)"
})
? 关键注意事项：
- ❌ 避免在多个 "system" 消息中拼接指令（如原代码中两个 "system" 条目），LangChain 不保证其合并逻辑，且易稀释主任务信号；
- ✅ "human" 消息是驱动模型执行动作的核心入口，所有可变任务指令（含变量插值）必须放在此处；
- ? 若仍出现翻译失效，可在 human_template 中强化约束，例如追加：“If the output is not in {language}, revise it immediately.” 或要求输出前自我校验；
- ? 前端 language_options 字典设计合理，但需确保 selected_language（如 "Czech (CZ)"）与模型训练语料中的语言标识兼容；若模型对括号标注敏感，可改用纯语言名（如 "Czech"）并同步更新字典值。
通过明确划分系统角色与用户指令，并将任务逻辑结构化嵌入 human 消息，即可稳定触发 LLM 的双重能力，让 prompt chain 真正按预期工作。
