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。AIMessageAI 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(contentresponse.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.pyimport 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( modeldeepseek-v4-flash, model_provideropenai, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlos.getenv(DEEPSEEK_BASE_URL), temperature0.5, ) 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_modelmodel init_chat_model( modeldeepseek-v4-flash, model_provideropenai, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlos.getenv(DEEPSEEK_BASE_URL), temperature0.3, ) 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.pyimport 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_urlos.getenv(DEEPSEEK_BASE_URL), api_keyos.getenv(DEEPSEEK_API_KEY), modeldeepseek-v4-flash, temperature0.5, model_provideropenai ) 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(contentquestion)) response model.invoke(messages) print(客服的回答: response.content) messages.append(AIMessage(contentresponse.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.pyimport 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_urlos.getenv(DEEPSEEK_BASE_URL), api_keyos.getenv(DEEPSEEK_API_KEY), modeldeepseek-v4-flash, temperature0.5, model_provideropenai ) 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(contentquestion)) 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(contentresponse.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_namehistory), (human, {question}), ] )其中history用来接收以前的HumanMessage和AIMessagequestion表示用户当前的问题本章只要知道有这种更方便的写法就行完整用法下一章讲 Prompt 模板时展开。十三、本章重点速记模型调用既可以传字符串也可以传消息列表SystemMessage设置角色和规则HumanMessage表示用户输入AIMessage表示模型回复多轮对话必须保存历史消息历史消息不能无限增长用history[-6:]截断temperature影响回答的稳定性和创造性十四、常见问题Q1为什么模型没严格按 system 规则回答大模型不是传统if/else程序。system 规则能提高按要求回答的概率但不保证 100% 执行。如果要求很重要后续可以配合更清晰的 Prompt、结构化输出、程序校验、后处理逻辑来兜底。Q2为什么多轮对话越来越慢因为每次请求都把历史消息一起发给了模型。历史越长请求内容越多、越慢。解决办法就是限制历史数量例如history[-6:]。
