1. 项目背景某政务服务平台接入了LLM做智能问答。技术团队选用了一个热门的开源模型，测试时问题"如何办理社保转移？"得到了专业准确的回答。但上线后，客服主管发现一个诡异的规律：每天上午的回答质量很好，下午就开始答非所问，到了晚上甚至出现"好的，我会按照您的要求拒绝回答该问题"这样的反常输出。排查后发现，这不是模型"犯困"——而是Chat Template 在特定条件下未被正确应用。上午的测试人员用的是OpenAI SDK，SDK自动应用了Chat Template；下午的业务方直接调HTTP API，裸传了messages数组，服务端因为没有正确的Chat Template配合，将system/user消息拼接成了一个畸形Prompt。晚上是第三方系统调用，用的base模型而非instruct模型，直接将user消息当作文本补全任务处理。痛点：LLM不是一个"输入什么就理解什么"的黑盒。Base模型、Instruct模型、Chat模型对输入格式的要求完全不同——Base模型期望原始文本，Instruct模型有特定格式模板（如|im_start|system\n...|im_end|），Chat模型通过Chat Template将messages结构转化为模型可理解的Prompt。模板错配的后果轻则回答质量下降，重则安全机制失效（因为system prompt可能没被正确注入）。本章将深入剖析Prompt的构成、Chat Template的加载与匹配机制、多轮对话的上下文管理策略，并通过对比实验直观展示有无模板、正确/错误模板三种情况下