当前位置：首页 > news >正文

LangChain 实战第 2 章：搞懂消息结构，写出会“记住对话“的客服助手

news 2026/7/23 3:20:54

LangChain 实战第 2 章：搞懂消息结构，写出会"记住对话"的客服助手

📌 这是系列第 2 篇。上一篇我们已经搭好 Python 环境、配好 DeepSeek、跑通了第一次模型调用。这一篇往上走一步：学会用消息结构和模型聊天，并做出一个能连续对话的命令行客服。

一、本章目标

学完这一章，你应该能够：

理解模型调用里role（角色）是什么
用system消息控制"助手是谁"
用human消息把用户问题传给模型
把ai回复存起来，形成多轮对话
设置最常用的模型参数temperature
亲手实现一个带上下文的命令行客服助手

二、为什么不能只传字符串？

上一章我们是这样调用的：

response = model.invoke("请用一句话介绍 LangChain 的作用")

这样能跑，但在真实项目里不够灵活。因为实际场景我们经常要同时告诉模型：

你是什么角色（客服？讲师？翻译？）
回答要遵守什么规则（语气、长度、格式）
用户现在问了什么
前面已经聊过什么

把这些信息全塞进一个字符串里，既难维护又容易出错。更好的办法，是把它们拆成结构化的消息传给模型。

三、三种消息角色：system / human / ai

大模型对话里有三类最常出现的消息：

角色	作用
`system`	设置模型的角色、规则和回答风格
`human`	用户的输入
`ai`	模型的回复

SystemMessage（系统消息）：开发者设定——AI 是谁、能干啥、不能干啥、用什么语气、输出什么格式。
HumanMessage（用户消息）：普通人的提问、需求、问题。
AIMessage（AI 回复）：大模型返回的内容。

在 LangChain 里，这三个类是这样导入的：

from langchain_core.messages import AIMessage, HumanMessage, SystemMessage

拼一组消息也很直观：

messages = [ SystemMessage(content="你是一名客服助手，回答要礼貌、简洁。"), HumanMessage(content="我的订单什么时候发货？"), ]

💡 记住这个组合：system 定规则，human 提问题，ai 记回答。后面所有对话都建立在它之上。

四、SystemMessage：给 AI 定身份和规矩

SystemMessage相当于在对话最开头，给 AI 立好"永久人设"：

在一轮对话最前面发给模型
优先级高于用户的所有提问（HumanMessage）
整轮对话全程生效

它对应 OpenAI 接口里的role: "system"。常见用途有：

限定角色（你是电商客服 / Python 讲师）
限定语气（礼貌、专业、口语化）
限定回答长度
限定输出格式（JSON、分点、不超过 N 字）
限定不能回答的范围

示例：

SystemMessage(content="你是一名 Python 讲师，回答要适合初学者。")

⚠️ 新手建议：第一阶段的 system 规则别写太长太复杂。规则一多，模型反而可能执行不稳定。先把"角色 + 一句要求"写清楚就够用了。

五、HumanMessage：把用户的话传进去

HumanMessage表示用户输入，也就是"用户说了什么"。

HumanMessage(content="我想查询订单物流")

真实项目里，用户输入通常来自这些地方：

命令行输入
Web 页面的输入框
App 的聊天框
后端 API 的请求参数

本章先用命令行输入来演示，最容易看懂原理。

六、AIMessage：模型的回复，也是下一轮的"记忆"

AIMessage表示模型回复。它不只是"拿到答案就完事"——在多轮对话里，必须把模型回复也加进历史消息，否则模型根本不知道之前聊过什么。

messages.append(AIMessage(content=response.content))

加上这一行后，下一次调用模型时，它就能"看到"自己上一次的回答，对话才连得起来。

七、案例一：一句话定好客服人设

用system消息控制模型角色。创建01_customer_service.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.messages import HumanMessage, SystemMessage load_dotenv() model = init_chat_model( model="deepseek-v4-flash", model_provider="openai", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), temperature=0.5, ) messages = [ SystemMessage( content=( "你是一名电商客服助手。" "回答要礼貌、简洁。" "如果用户没有提供订单号，就提醒用户提供订单号。" ) ), HumanMessage(content="我的快递怎么还没到？"), ] response = model.invoke(messages) print(response.content)

运行：

python 01_customer_service.py

重点观察两点：模型是否用了客服语气？是否提醒你提供订单号？

八、模型参数 temperature：控制"稳重"还是"脑洞"

temperature是最常用、也最该先搞懂的模型参数。它控制输出的随机性、创造性、幻觉程度，取值范围0 ~ 2：

越接近0：输出固定、严谨、重复度高，几乎不瞎编；
越接近2：脑洞大、自由发挥，容易编造不存在的内容。

取值区间	特点	适合场景
`= 0`	完全确定性，同输入同输出	代码生成、RAG 知识库问答、数据提取、订单查询、数学计算
`0.1 ~ 0.4`	轻微随机，逻辑稳、极少幻觉	客服问答、RAG、文档解析、结构化提取、规范代码
`0.5 ~ 0.8`	创意与逻辑平衡	文案、总结、普通聊天
`≥ 1.0`	高创造性，易虚构	写故事、诗歌、创意文案

设置方式就是把temperature传给init_chat_model：

model = init_chat_model( model="deepseek-v4-flash", model_provider="openai", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), temperature=0.3, )

💡 经验值：问答 / 客服 / 知识库把temperature调低（0.1~0.4）；文案 / 创意 / 改写可以调高（0.7~1.0）。第一阶段先把temperature用熟就够了，别一上来追一堆参数。

九、案例二：能连续对话的命令行客服

上面案例每次都只问一句话。真实客服要能"接着聊"。核心思路：把每一轮的用户提问和模型回复都存进messages列表。

创建02_chat_with_history.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.messages import SystemMessage, HumanMessage, AIMessage load_dotenv() model = init_chat_model( base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-v4-flash", temperature=0.5, model_provider="openai" ) messages = [ SystemMessage(content="你是一个快递客服，回答问题要有礼貌，假如对方没有提供单号，请让其先提供快递单号") ] while True: question = input("用户:") if question == "exit": break messages.append(HumanMessage(content=question)) response = model.invoke(messages) print("客服的回答:" + response.content) messages.append(AIMessage(content=response.content))

运行：

python 02_chat_with_history.py

可以这样测试：

用户：我要查物流用户：订单号是 A10086 用户：那我可以申请退款吗？

因为程序把历史消息都保留了，模型能看到前面的对话，所以第三问它才知道你在说"刚才那个订单"。

十、多轮对话的坑：历史不能无限堆

保存历史消息很有用，但不能无限制地一直存。原因很现实：

消息越多，每次请求花的钱越多
上下文太长，模型处理速度变慢
超过模型上下文上限会直接报错
太早的消息可能干扰当前回答

本章先用"保存全部历史"这种最简单的方式。后面会专门讲怎么控制上下文长度。

十一、案例三：只保留最近几轮

为了避免历史无限增长，可以只保留最近几条消息。创建03_chat_with_limited_history.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model from langchain_core.messages import SystemMessage, HumanMessage, AIMessage load_dotenv() model = init_chat_model( base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-v4-flash", temperature=0.5, model_provider="openai" ) system = SystemMessage(content="你是一个快递客服，回答问题要有礼貌，假如对方没有提供单号，请让其先提供快递单号") history = [] while True: question = input("用户:") if question.lower() == "exit": break history.append(HumanMessage(content=question)) print("history 的长度是:" + str(len(history))) messages = [system] + history[-6:] response = model.invoke(messages) print("客服的回答:" + response.content) history.append(AIMessage(content=response.content))

关键在这一行：

messages = [system] + history[-6:]

history[-6:]表示只取最后 6 条历史消息。因为一轮对话通常包含"用户消息 + AI 回复"两条，所以 6 条 ≈ 最近 3 轮对话。

📘 顺手复习一下 list 切片（后面会经常用）：

# lst[start:end:step]，索引从 0 开始 a = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9] print(a[:4]) # [0, 1, 2, 3] print(a[3:]) # [3, 4, 5, 6, 7, 8, 9] print(a[::-1]) # [9, 8, 7, 6, 5, 4, 3, 2, 1, 0] 倒序 print(a[::2]) # [0, 2, 4, 6, 8] 隔一个取 print(a[-1]) # 9 最后一位 print(a[-6:]) # [4, 5, 6, 7, 8, 9] 最后六个

十二、进阶预告：用模板更优雅地插历史

本章我们是手动拼消息的：

messages = [system_message] + history[-6:]

这种写法直观，适合先理解原理。等学到ChatPromptTemplate，可以用MessagesPlaceholder在模板里预留历史消息的位置，更省心：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder prompt_template = ChatPromptTemplate.from_messages( [ ("system", "你是一名电商客服助手，回答要礼貌、简洁。"), MessagesPlaceholder(variable_name="history"), ("human", "{question}"), ] )

其中：