1.核心区别

from langchain_openai import OpenAI 和 from langchain_openai import ChatOpenAI 的核心区别在于：

• OpenAI 调用的是传统的文本补全模型（已过时）
• ChatOpenAI 调用的是现代的对话模型，是当前所有新项目的首选 。

区别对比表：

方面	OpenAI	ChatOpenAI
核心用途	调用OpenAI的文本补全模型 (Legacy)	调用OpenAI的对话模型
API 端点	/v1/completions	/v1/chat/completions
输入格式	简单的字符串 (文本提示)	消息列表 (如 SystemMessage, HumanMessage)，支持角色区分
输出格式	字符串 (生成的文本)	AIMessage 对象，包含结构化的内容和元数据
适用模型	仅用于已废弃的文本模型 (如 text-davinci-003) 或嵌入模型	所有现代模型 (如 gpt-4, gpt-3.5-turbo, gpt-4o-mini等)
功能支持	仅基础文本生成，不支持工具调用、多轮对话等高级功能	支持工具调用 (Tool Calling)、结构化输出 (JSON mode)、多轮对话、流式输出等现代LLM特性
当前状态	已过时，仅用于兼容旧代码	首选，用于所有新项目和现代开发

2. 两者使用方式

使用openAI

from langchain_openai import OpenAI

# 初始化一个已过时的文本模型
llm = OpenAI(model="text-davinci-003") 

# 传入简单的字符串
response = llm.invoke("什么是人工智能？")
print(response) # 输出一个字符串

使用 ChatOpenAI

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 初始化一个现代对话模型
chat_model = ChatOpenAI(model="gpt-4o-mini")

# 传入结构化的消息列表
messages = [
    SystemMessage(content="你是一个乐于助人的助手。"),
    HumanMessage(content="什么是人工智能？")
]
response = chat_model.invoke(messages)
print(response.content) # 从AIMessage对象中获取文本内容

3.使用ChatOpenAI输出一个字符串

3.1 直接获取 content 属性

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

chat_model = ChatOpenAI(model="gpt-4o-mini")
messages = [HumanMessage(content="什么是人工智能？")]

response = chat_model.invoke(messages)
# 直接获取content属性，这就是字符串
output_string = response.content
print(output_string)  # 输出：字符串
print(type(output_string))  # <class 'str'>

3.2 使用 invoke 直接返回字符串

from langchain_openai import ChatOpenAI

chat_model = ChatOpenAI(model="gpt-4o-mini")

output_string = chat_model.invoke("什么是人工智能？").content
# 注意：.invoke这种方式返回的是AIMessage
# 需要提取content
print(output_string)  # 字符串

3.3 使用 | 操作符配合 StrOutputParser（LCEL风格）

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 创建chain
chain = ChatOpenAI(model="gpt-4o-mini") | StrOutputParser()

# 直接得到字符串
output_string = chain.invoke("什么是人工智能？")
print(output_string)  # 纯字符串，不是AIMessage
print(type(output_string))  # <class 'str'>

4. PromptTemplate和 ChatPromptTemplate

4.1 定义

• PromptTemplate：通用文本提示词的"动态构建工具"，继承自StringPromptTemplate，生成单轮文本提示。
• ChatPromptTemplate：对话场景专属模板，基于"角色-消息"结构设计，继承自BaseChatPromptTemplate，用于构建多轮对话消息。

4.2 对比

方面	PromptTemplate	ChatPromptTemplate
输出格式	生成单一的字符串	生成消息列表 (List of messages)
适用模型	主要用于 OpenAI 类（文本补全模型）	主要用于 ChatOpenAI 类（对话模型）
消息结构	单一的提示文本	支持多种角色：System, Human, AI, Tool 等
典型用途	简单的文本生成任务	复杂对话、角色设定、多轮交互、工具调用
变量插入	支持变量插值	支持变量插值，且可在不同消息中分别插入

4.3 代码示例对比

使用 PromptTemplate (生成字符串)

from langchain_core.prompts import PromptTemplate

# 定义模板
prompt_template = PromptTemplate.from_template(
    "请用{language}写一段关于{topic}的代码。"
)

# 格式化后得到字符串
prompt_string = prompt_template.format(language="Python", topic="快速排序")
print(prompt_string)
# 输出: "请用Python写一段关于快速排序的代码。"

使用 ChatPromptTemplate (生成消息列表)

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 定义包含多个角色的对话模板
chat_template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}，请用{language}回答用户问题。"),
    ("human", "{question}"),
    # 也可以添加示例对话
    ("ai", "好的，我明白了。"),
    ("human", "请开始吧")
])

# 格式化后得到消息列表
messages = chat_template.format_messages(
    role="编程专家",
    language="中文",
    question="如何实现快速排序？"
)

print(messages)
# 输出: [
#   SystemMessage(content="你是一个编程专家，请用中文回答用户问题。"),
#   HumanMessage(content="如何实现快速排序？"),
#   AIMessage(content="好的，我明白了。"),
#   HumanMessage(content="请开始吧")
# ]

注意：！！！！！

format()返回字符串，format_messages()返回消息列表

使用建议：

• 用 PromptTemplate

✅ 简单场景，只需要一个提示字符串
             prompt = PromptTemplate.from_template("翻译以下内容为{target_lang}：{text}")
✅ 兼容旧代码或旧模型

• 用 ChatPromptTemplate

✅ 现代对话模型（99%的情况）

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个{persona}"),
    ("human", "{input}")
])

✅ 需要角色设定
✅ 需要多轮对话
✅ 需要工具调用或结构化输出
✅ 需要插入对话历史

4.4 from_template()

from_template()是一个类方法，存在于多个 Prompt 类中，用于从字符串模板创建 Prompt 对象。

• PromptTemplate.from_template() - 基础文本模板

from langchain_core.prompts import PromptTemplate

# 基本用法
prompt = PromptTemplate.from_template("翻译以下内容为{target_lang}：{text}")
print(prompt.format(target_lang="英语", text="你好"))
# 输出：翻译以下内容为英语：你好

# 带多个变量
prompt = PromptTemplate.from_template(
    "你是一名{role}，请用{style}的风格回答关于{topic}的问题。"
)
print(prompt.format(role="医生", style="专业", topic="感冒"))
# 输出：你是一名医生，请用专业的风格回答关于感冒的问题。

• ChatPromptTemplate.from_template() - 单轮对话模板

from langchain_core.prompts import ChatPromptTemplate

# 基本用法 - 自动包装为 HumanMessage（单字符串模板 -> 自动变为 Human 消息）
chat_prompt = ChatPromptTemplate.from_template("请解释：{concept}")

# format() 返回拼接后的字符串
print(chat_prompt.format(concept="量子计算"))
# 输出：Human: 请解释：量子计算

# format_messages() 返回消息列表
messages = chat_prompt.format_messages(concept="量子计算")
print(messages)
# 输出：[HumanMessage(content="请解释：量子计算")]
print(messages.content)
# 输出：请解释：量子计算


# 查看内部结构
print(chat_prompt.messages)
# 输出：[HumanMessagePromptTemplate(prompt=PromptTemplate(input_variables=['concept'], template='请解释：{concept}'))]