13.LangChain组件——聊天模型的使用

糖逗

1. LangChain中的聊天消息，都包含哪几种类型？

• AIMessage：就是AI输出的消息，可以是针对问题的回答。(0peenAI库中的assistant角色）
• HumanMessage：人类消息就是用户信息,由人给出的信息发送给LLMS的提示信息,比如"实现一个快速排序方法"(OpenAI库中的user角色)
• SystemMessage：可以用于指定模型具体所处的环境和背景,如角色扮演等。你可以在这里给出具体的指示,比如"作为一个代码专家"，或者"返回json格式"。(OpenAI库中的system角色）
  

2.代码实战
①调用阿里云大模型

1. #写法1：常规形式
   
2. from langchain_community.chat_models.tongyi import ChatTongyi
   
3. from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
   
4. 
   
5. # 得到模型对象, qwen3-max就是聊天模型
   
6. model = ChatTongyi(model="qwen3-max")
   
7. 
   
8. # 准备消息列表
   
9. <b>messages = [
   
10.     SystemMessage(content="你是一个边塞诗人。"),
    
11.     HumanMessage(content="写一首唐诗"),
    
12.     AIMessage(content="锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦。"),
    
13.     HumanMessage(content="按照你上一个回复的格式，在写一首唐诗。")
    
14. ]</b>
    
15. 
    
16. # 调用stream流式执行
    
17. res = model.stream(input=messages)
    
18. 
    
19. # for循环迭代打印输出，通过.content来获取到内容
    
20. for chunk in res:
    
21.     print(chunk.content, end="", flush=True)
    

复制代码

②调用本地Ollama模型

1. from langchain_ollama import ChatOllama
   
2. from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
   
3. 
   
4. # 得到模型对象, qwen3-max就是聊天模型
   
5. model = ChatOllama(model="qwen3:4b")
   
6. 
   
7. # 准备消息列表
   
8. messages = [
   
9.     SystemMessage(content="你是一个边塞诗人。"),
   
10.     HumanMessage(content="写一首唐诗"),
    
11.     AIMessage(content="锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦。"),
    
12.     HumanMessage(content="按照你上一个回复的格式，在写一首唐诗。")
    
13. ]
    
14. 
    
15. # 调用stream流式执行
    
16. res = model.stream(input=messages)
    
17. 
    
18. # for循环迭代打印输出，通过.content来获取到内容
    
19. for chunk in res:
    
20.     print(chunk.content, end="", flush=True)
    

复制代码

3.简写形式VS非简写形式
简写形式，可以动态替换{变量}占位中的值




学习视频：【黑马程序员大模型RAG与Agent智能体项目实战教程，基于主流的LangChain技术从大模型提示词到实战项目】 https://www.bilibili.com/video/BV1yjz5BLEoY/?p=24&share_source=copy_web&vd_source=792a2cb63a1882bff4ed856eadc41a71

糖逗

FishC

你好！很高兴为你解答 LangChain 中聊天模型的相关问题。

你提供的学习资料总结得很棒，我来帮你把代码部分补充完整。

关于问题1：你的回答完全正确。
LangChain 中主要的聊天消息类型有三种：

• SystemMessage: 设定AI的角色或背景（对应OpenAI的system角色）。
• HumanMessage: 代表用户的输入（对应OpenAI的user角色）。
• AIMessage: 代表AI模型的回复（对应OpenAI的assistant角色）。
  

代码实战补全：
两份代码中的 messages 变量都需要被赋值为一个包含上述消息类型的列表。

① 调用阿里云大模型（通义千问）的完整示例：

1. 
   
2. from langchain_community.chat_models.tongyi import ChatTongyi
   
3. from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
   
4. 
   
5. # 得到模型对象
   
6. model = ChatTongyi(model="qwen3-max")
   
7. 
   
8. # 准备消息列表：一个完整的对话上下文
   
9. messages = [
   
10.     SystemMessage(content="你是一个专业的Python编程助手，请用简洁明了的方式回答。"),
    
11.     HumanMessage(content="请用Python写一个函数，计算斐波那契数列的第n项。")
    
12. ]
    
13. 
    
14. # 调用stream流式执行
    
15. res = model.stream(input=messages)
    
16. 
    
17. # for循环迭代打印输出
    
18. for chunk in res:
    
19.     print(chunk.content, end="", flush=True)
    

复制代码

② 调用本地Ollama模型的完整示例：

1. 
   
2. from langchain_ollama import ChatOllama
   
3. from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
   
4. 
   
5. # 得到模型对象，这里以 llama3.2 为例
   
6. model = ChatOllama(model="llama3.2")
   
7. 
   
8. # 准备消息列表
   
9. messages = [
   
10.     SystemMessage(content="你是一个乐于助人的翻译助手。"),
    
11.     HumanMessage(content="将这句话翻译成英文：'你好，世界！'")
    
12. ]
    
13. 
    
14. # 调用stream流式执行
    
15. res = model.stream(input=messages)
    
16. 
    
17. # for循环迭代打印输出
    
18. for chunk in res:
    
19.     print(chunk.content, end="", flush=True)
    

复制代码

重要说明：

• 消息列表 messages 的顺序非常重要。模型会根据整个列表的对话历史来生成回复。
• 使用 .stream() 方法是进行“流式”调用，回复内容会逐词（或逐片段）实时返回，适合需要即时反馈的场景。如果你不需要流式响应，也可以使用 .invoke() 方法来一次性获取完整的回复。
  

希望这些完整的代码能帮助你更好地理解和使用 LangChain 的聊天模型！祝你学习顺利！

以上回复来自 FishC AI 小助理，如未能正确解答您的问题，请继续追问。