LangChain教程：调用阿里千问聊天模型chat model（使用Message类封装角色） 作者：马育民 • 2026-02-24 07:38 • 阅读：10003 # 介绍 使用下面的类封装角色： - SystemMessage：系统角色 - HumanMessage：用户角色 - AIMessage：AI角色 角色的作用详见 [链接](https://www.malaoshi.top/show_1GW2poSGZZqf.html "链接") # 案例1 对于简单的使用，如：只有一轮对话，且简单提问，可以只用 **用户角色** **提示：**在 **只有一轮对话，且简单提问**，执行结果与调用普通大模型相同 ### 创建用户角色 如下： ``` HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可") ``` ### 代码 ``` from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.messages import HumanMessage # 初始化模型 chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key") # 准备消息list messages = [ # 设置用户角色 HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可") ] # 调用stream向模型提问，返回 generator类型 res = chat.stream(input=messages) print("res类型：", type(res)) # 流式输出 for chunk in res: print(chunk.content, end="", flush=True) ``` ### 代码解释1 ``` messages = [ HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可") ] ``` - HumanMessage：**用户角色**，封装 **用户的提问** - messages：将用户的提问放到该 `list` 中，在一轮对话中，没有体现出用处 ### 代码解释2 ``` for chunk in res: print(chunk.content, end="", flush=True) ``` 在聊天模型中，需要调用 `chunk.content` 获取到模型返回的内容 # 案例2 只有一轮对话，但有场景时，可以设置 **系统角色 + 用户角色** **提示：**虽然比上个例子稍微复杂，但执行结果与调用普通大模型相同 ### 创建系统角色 ``` SystemMessage(content="你是一名侦探小说家") ``` ### 代码 ``` from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.messages import HumanMessage, SystemMessage # 初始化模型 chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key") # 准备消息list messages = [ # 设置系统角色 SystemMessage(content="你是一名侦探小说家"), # 设置用户角色 HumanMessage(content="给我写100字的侦探小说") ] # 调用stream向模型提问，返回 generator类型 res = chat.stream(input=messages) print("res类型：", type(res)) # 流式输出 for chunk in res: print(chunk.content, end="", flush=True) ``` ### 代码解释 ``` messages = [ SystemMessage(content="你是一名侦探小说家"), HumanMessage(content="给我写100字的侦探小说") ] ``` - SystemMessage：系统角色 - HumanMessage：用户的提问，封装在该类中 - messages：将系统角色，用户的提问放到该 `list` 中，在一轮对话中，没有体现出用处 # 案例3（真实场景） 多轮对话时，且有使用场景时，应该设置 **系统角色 + 用户角色 + AI角色** **AI角色：**代表 AI 上一轮的回答，用于多轮对话的 **上下文记忆** ### 创建AI角色 ``` AIMessage(content=res_txt) ``` ### 代码 ``` from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.messages import HumanMessage, SystemMessage, AIMessage # 初始化模型 chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key") # 准备消息list messages = [ # 设置系统角色 SystemMessage(content="你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"), ] """ 第一次提问：3x+5=20，x 等于多少？ 第二次提问：把x=6代入公式，等于多少 """ def printMessages(messages): """ 打印消息列表 :param messages: :return: """ print("------messages内容:") for item in messages: print(item.__class__.__name__, ":", item.content) print("------messages内容结束") print("===== 小学数学老师对话助手 =====\n") while True: # 4. 用户角色：获取当前轮次的用户提问（变量输入） user_input = input("请提问：") # 设置用户角色 user_msg = HumanMessage(content=user_input) # 将用户提问加入对话历史 messages.append(user_msg) printMessages(messages) # 5. 通过 stream() 流式调用，调用模型生成回答（AI角色的「实时回答」）。 res = chat.stream(messages) # 将回答的内容拼装到该字符串 res_txt = "" # 输出AI回答 print("\n\nAI老师的回答：") # 流式输出 for chunk in res: print(chunk.content, end="", flush=True) res_txt = res_txt + chunk.content print("\n回答完毕！\n") # 删除上次用户的提问 messages.pop() # 6. 设置AI角色 ai_msg = AIMessage(content=res_txt) # 将本次回答加入历史（核心！作为下一轮的上下文） messages.append(ai_msg) ``` ### 代码解释1 由于是多轮对话，所以代码结构与之前完全不同，是在循环中，获取用户提问，并调用大模型 ### 代码解释2 ``` messages = [ SystemMessage(content="你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"), ] ``` 初始化时，消息列表中，**只有系统角色** ### 代码解释3 ``` # 4. 用户角色：获取当前轮次的用户提问（变量输入） user_input = input("请提问：") # 将用户提问加入对话历史 user_msg = HumanMessage(content=user_input) messages.append(user_msg) ``` 在循环中，获取用户的提问，并封装到 `HumanMessage` 中，然后放入 `messages` 消息列表中 ### 代码解释4 ``` ai_msg = AIMessage(content=res_txt) messages.append(ai_msg) ``` 最后将大模型的回答内容，封装到 `AIMessage` 中，并放入 `messages` 消息列表中，这样，第二轮提问时，大模型才只能上下文内容，才能正确回答 ### 执行1-有3个角色 第一轮提问：`3x+5=20，x 等于多少？` 第二轮提示：`把x=6代入公式，等于多少` ### 执行2-没有ai角色 将下面代码注释掉，没有ai角色： ``` # ai_msg = AIMessage(content=res_txt) # messages.append(ai_msg) ``` 第一轮的提问，能正确回答 第二轮的提问，会无法回答，显示如下：  ### 必须携带AI 助手角色的场景 只要对话存在 **上下文依赖**，就必须携带关键历史，比如： - 用户追问：先问 “什么是 RAG”，再问 “它的核心步骤是什么”（后一个问题依赖前一个的定义）； - 多轮纠错：用户指出 “你刚才的代码有问题”，模型需要知道 “刚才的代码是什么”； - 场景化交互：电商客服中，用户先提 “我的订单没发货”，再问 “能退款吗”（依赖 “订单” 这个上下文）。 ### 无需带的场景 用户先问 “写一首唐诗”，再问 “计算 1+2+3 的和”（两个问题无关联，无需带前一轮历史）。 原文出处：http://malaoshi.top/show_1GW2praxl83S.html