los message template van relacionados a su tipo de mensaje:
- SystemMessage: SystemMessagePromptTemplate
- HumanMessage: HumanMessagePromptTemplate
- AIMessage: ChatPromptTemplate
Las plantillas dinámicas en LangChain te permiten construir prompts que reciben variables en tiempo de ejecución, ideales para chatbots que responden sobre productos, documentación técnica o cualquier flujo donde el contexto cambie. Aquí aprendes a combinar mensajes de sistema y humano usando ChatPromptTemplate, SystemMessagePromptTemplate y HumanMessagePromptTemplate para alimentar un modelo de chat.
¿Qué son las plantillas dinámicas en LangChain?
Una plantilla dinámica es un prompt con variables entre corchetes que se rellenan justo antes de enviarse al modelo. En lugar de escribir un mensaje fijo, defines un esqueleto y decides los valores cuando llamas al chat.
¿Qué es ChatPromptTemplate? Es una clase de LangChain que une varios mensajes (sistema y humano) en una sola estructura ordenada que el modelo de chat puede procesar como una conversación.
En la librería langchain.prompts.chat encuentras las tres piezas que necesitas: una para el mensaje del sistema, otra para el mensaje del usuario y una que las orquesta a todas. Son los mismos tipos que el chat acepta de forma nativa.
¿Cómo construir el prompt del sistema con SystemMessagePromptTemplate?
El mensaje del sistema define el rol del modelo. Puedes escribir algo como “Eres un experto en productos que debe proporcionar información detallada sobre productos de la marca {marca}”, donde marca es la variable que se sustituye después.
Para crearlo, usas el método from_template sobre SystemMessagePromptTemplate y le pasas tu plantilla. El objeto resultante guarda automáticamente las input variables, en este caso marca, y te recordará que debes proporcionarla al momento de formatear [01:30].
¿Cómo definir el mensaje humano y unirlo al sistema?
El mensaje humano representa la pregunta real del usuario y también puede ser una variable.
¿Qué pasos sigue el HumanMessagePromptTemplate?
{consulta_usuario}, sin texto adicional.HumanMessagePromptTemplate.from_template(plantilla_humana).consulta_usuario.Un detalle común al programar esto: si olvidas el método from_template, LangChain lanza un error. Es la forma estándar de convertir un string en plantilla [02:45].
¿Cómo se combinan ambos prompts en un ChatPromptTemplate?
Para unirlos, instancias ChatPromptTemplate con el método from_messages y le pasas una lista ordenada: primero el prompt del sistema, luego el prompt humano. Esa secuencia es la que el modelo leerá como conversación.
Al inspeccionar el resultado verás dos input variables declaradas: marca (heredada del sistema) y consulta_usuario (heredada del humano). LangChain consolida automáticamente todos los inputs que necesitas rellenar antes de generar una respuesta.
¿Cómo formatear el prompt e inyectarlo al modelo de chat?
Una vez tienes el ChatPromptTemplate, llamas a su método format_prompt y pasas las variables como argumentos:
consulta_usuario = "qué características tiene el teléfono más nuevo".marca = "Apple".El resultado sustituye los corchetes y deja un mensaje listo: “Eres un experto en productos que debe proporcionar información detallada sobre productos de la marca Apple”, seguido de la pregunta humana.
¿Por qué usar to_messages antes de enviar al modelo? Porque el modelo de chat espera una lista de mensajes, no un objeto prompt. El método
to_messages()convierte el prompt formateado en esa lista esperada.
Al pasar esa lista al modelo, recibes un AI message con el content correspondiente. En el ejemplo, la respuesta empieza con “El teléfono más nuevo de Apple es el iPhone 12” y continúa describiendo características [05:20].
¿Cómo aplicar esto en un chatbot multilingüe sobre documentación técnica?
El reto práctico es construir un asistente que responda dudas sobre las especificaciones de un producto, como un celular, refrigerador o microondas, en distintos idiomas según el mercado.
La plantilla del sistema podría verse así: “Resuelve preguntas de un usuario sobre la siguiente documentación técnica. Responde en {idioma}”, seguida del bloque de documentación como contexto. La variable idioma te permite alternar entre:
Con esa estructura reutilizas el mismo flujo: defines el prompt del sistema con SystemMessagePromptTemplate, el prompt humano con la consulta del usuario y los unes en un ChatPromptTemplate. Cambias solo las variables y obtienes respuestas adaptadas al producto y al mercado.
¿Qué producto elegirías tú para tu primer chatbot multilingüe? Cuéntame en los comentarios cómo planeas estructurar tus variables.
Las plantillas dinámicas en LangChain te permiten construir prompts que reciben variables en tiempo de ejecución, ideales para chatbots que responden sobre productos, documentación técnica o cualquier flujo donde el contexto cambie. Aquí aprendes a combinar mensajes de sistema y humano usando ChatPromptTemplate, SystemMessagePromptTemplate y HumanMessagePromptTemplate para alimentar un modelo de chat.
Una plantilla dinámica es un prompt con variables entre corchetes que se rellenan justo antes de enviarse al modelo. En lugar de escribir un mensaje fijo, defines un esqueleto y decides los valores cuando llamas al chat.
¿Qué es ChatPromptTemplate? Es una clase de LangChain que une varios mensajes (sistema y humano) en una sola estructura ordenada que el modelo de chat puede procesar como una conversación.
En la librería langchain.prompts.chat encuentras las tres piezas que necesitas: una para el mensaje del sistema, otra para el mensaje del usuario y una que las orquesta a todas. Son los mismos tipos que el chat acepta de forma nativa.
El mensaje del sistema define el rol del modelo. Puedes escribir algo como “Eres un experto en productos que debe proporcionar información detallada sobre productos de la marca {marca}”, donde marca es la variable que se sustituye después.
Para crearlo, usas el método from_template sobre SystemMessagePromptTemplate y le pasas tu plantilla. El objeto resultante guarda automáticamente las input variables, en este caso marca, y te recordará que debes proporcionarla al momento de formatear [01:30].
El mensaje humano representa la pregunta real del usuario y también puede ser una variable.
{consulta_usuario}, sin texto adicional.HumanMessagePromptTemplate.from_template(plantilla_humana).consulta_usuario.Un detalle común al programar esto: si olvidas el método from_template, LangChain lanza un error. Es la forma estándar de convertir un string en plantilla [02:45].
Para unirlos, instancias ChatPromptTemplate con el método from_messages y le pasas una lista ordenada: primero el prompt del sistema, luego el prompt humano. Esa secuencia es la que el modelo leerá como conversación.
Al inspeccionar el resultado verás dos input variables declaradas: marca (heredada del sistema) y consulta_usuario (heredada del humano). LangChain consolida automáticamente todos los inputs que necesitas rellenar antes de generar una respuesta.
Una vez tienes el ChatPromptTemplate, llamas a su método format_prompt y pasas las variables como argumentos:
consulta_usuario = "qué características tiene el teléfono más nuevo".marca = "Apple".El resultado sustituye los corchetes y deja un mensaje listo: “Eres un experto en productos que debe proporcionar información detallada sobre productos de la marca Apple”, seguido de la pregunta humana.
¿Por qué usar to_messages antes de enviar al modelo? Porque el modelo de chat espera una lista de mensajes, no un objeto prompt. El método
to_messages()convierte el prompt formateado en esa lista esperada.
Al pasar esa lista al modelo, recibes un AI message con el content correspondiente. En el ejemplo, la respuesta empieza con “El teléfono más nuevo de Apple es el iPhone 12” y continúa describiendo características [05:20].
El reto práctico es construir un asistente que responda dudas sobre las especificaciones de un producto, como un celular, refrigerador o microondas, en distintos idiomas según el mercado.
La plantilla del sistema podría verse así: “Resuelve preguntas de un usuario sobre la siguiente documentación técnica. Responde en {idioma}”, seguida del bloque de documentación como contexto. La variable idioma te permite alternar entre:
Con esa estructura reutilizas el mismo flujo: defines el prompt del sistema con SystemMessagePromptTemplate, el prompt humano con la consulta del usuario y los unes en un ChatPromptTemplate. Cambias solo las variables y obtienes respuestas adaptadas al producto y al mercado.
¿Qué producto elegirías tú para tu primer chatbot multilingüe? Cuéntame en los comentarios cómo planeas estructurar tus variables.
los message template van relacionados a su tipo de mensaje:
.
Esta guía proporciona un caso de uso sobre "Chat Dynamic Prompts", donde partiendo de un prompt dinámico, proveer la información necesaria para dar un contexto a un chat. .
Muchas veces las cadenas toman o devuelven múltiples claves de entrada/salida. En estos casos, ¿cómo podemos saber qué claves queremos guardar en el historial de mensajes de chat? En general, esto se puede controlar mediante los parámetros input_key y output_key de los tipos de memoria. Estos por defecto son undefined.
.
Al operar con un formato entre entrada/salida en los contextos de un prompt, se requiere especificar el nombre del que se va a utilizar como input o entrada del prompt como identificador de la memorización.
.
Enlaces auxiliares:
.
Implementar un "Chat Dynamic Prompts" utilizando TypeScript para generar un chat con un contexto dinámico a partir de una entrada de la cadena conversacional. .
LanChain provee de ChatPromptTemplate para poder darle formato a partir de una plantilla. Una vez establecida las plantillas según el origen (user, AI, etc.), se genera un contexto para que el chat.
import {
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
ChatPromptTemplate,
} from 'langchain/prompts'
const prompt = ChatPromptTemplate.fromMessages([
SystemMessagePromptTemplate.fromTemplate(
'You are a product expert who must provide detailed information about products from the brand {brand}.',
),
HumanMessagePromptTemplate.fromTemplate('{input}'),
])
En el prompt dinámico, generamos las variables de las cuales se embeberán en la creación del contexto.
.
Debido a que se proveerá de una memorización para proveer del contexto a partir del prompt, BufferMemory requiere que se le indique el inputKey para encadenar el contexto.
const memory = new BufferMemory({ inputKey: 'input' })
Finalmente, generamos una cadena conversacional e ingresamos las variables de entrada y dinámicas.
const chain = new ConversationChain({
llm,
memory,
prompt,
})
const response = await chain.call({
input: 'What features does the newest phone have?',
brand: 'Apple',
})
Un sistema de memoria necesita soportar dos acciones básicas: lectura y escritura. Recordemos que cada cadena define un núcleo lógico de ejecución que espera ciertas entradas. Algunas de estas entradas vienen directamente del usuario, pero otras pueden venir de la memoria. Una cadena interactuará con su sistema de memoria dos veces en una ejecución dada. .
. !Image
import { ConversationChain } from 'langchain/chains'
import { ChatOpenAI } from 'langchain/chat_models/openai'
import { BufferMemory } from 'langchain/memory'
import {
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
ChatPromptTemplate,
} from 'langchain/prompts'
const API_TOKEN = // 👈 Enter the API Token from OpenAI
const llm = new ChatOpenAI({
maxTokens: -1,
modelName: 'gpt-4',
temperature: 0,
openAIApiKey: API_TOKEN,
})
const prompt = ChatPromptTemplate.fromMessages([
SystemMessagePromptTemplate.fromTemplate(
'You are a product expert who must provide detailed information about products from the brand {brand}.',
),
HumanMessagePromptTemplate.fromTemplate('{input}'),
])
const memory = new BufferMemory({ inputKey: 'input' })
const chain = new ConversationChain({
llm,
memory,
prompt,
})
const response = await chain.call({
input: 'What features does the newest phone have?',
brand: 'Apple',
})
console.log(response)
¿Es posible crear una plantilla para que el chat responda de cierto modo? Usando ChatPromptTemplate.from_template o algo parecido. Por ejemplo, en un formato que se requiera entregar la especificación técnica de cierto producto. Que responda rellenando las variables con lo solicitado, pensando en que siempre entregue la respuesta del mismo modo y con el mismo formato. Algo así:
template_chat = """
Producto: {producto}
Detalles técnicos: {Detalles_tecnicos}
"""
o alguien sabe ¿Cómo podría hacerse?
Con ChatPromptTemplate, LangChain junta las variables de ambos mensajes, marca y consulta_usuario, para pedirlas desde el comienzo.