介绍
专门为 对话交互 设计的大模型。
特点
- 输入是 「带角色的消息列表」
- 天生支持多轮对话
- 天生支持工具调用（函数调用）
- 经过指令微调 + RLHF 对齐
→ 听话、安全、符合人类对话习惯 - 接口规范、稳定、易开发
角色
在 LangChain 的聊天模型（Chat Model）中，消息是按 角色（Role） 来组织的，最核心的角色有三个：
- system：系统提示（设定AI身份）
- user：用户问题
- assistant：AI回答
SystemMessage（系统角色）
作用：给 AI 设定身份、规则、行为准则，是“AI 的人设”。
特点：
- 放在消息列表最前面
- 只在对话开始时生效一次（部分模型支持中途更新）
- 优先级高，AI 会优先遵循系统提示
例子：
"你是一个专业的Python编程助手，回答要简洁、准确，避免废话。"
HumanMessage（用户角色）
作用：代表用户的提问、指令或输入。
特点：
- 每次用户交互都用这个角色
- 可以是问题、指令、上下文补充等
例子：
"帮我解释一下什么是RAG？"
AIMessage（AI 助手角色）
作用：代表 AI 上一轮的回答，用于多轮对话的 上下文记忆。
特点：
- 由模型返回，开发者需要把它追加到消息列表中
- 是多轮对话的关键，让 AI 知道自己之前说了什么
例子：
"RAG是检索增强生成，通过检索外部知识库来提升大模型回答的准确性..."
其他辅助角色（可选）
FunctionMessage / ToolMessage：用于工具调用场景，记录工具调用的结果，让 AI 基于工具返回的信息继续回答。
ChatMessage：通用角色，可自定义角色名，用于特殊场景。
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）。
总结
- SystemMessage：定规则、立人设
- HumanMessage：用户输入
- AIMessage：AI 输出，用于上下文
多轮对话 = 不断追加 HumanMessage 和 AIMessage 到列表中
和普通 LLM（大语言模型）的区别
| 对比 | LLM（文本续写） | Chat Model（聊天模型） |
|---|---|---|
| 输入 | 一段文本 | 多角色消息结构 |
| 能力 | 续写、补全 | 对话、理解意图、多轮 |
| 工具调用 | 弱/不支持 | 原生支持 |
| 训练 | 预训练 | 预训练 + SFT + RLHF |
| 开发体验 | 难控制 | 易控制、稳定 |
| 现在主流 | 旧接口 | 新项目全部用这个 |
一句话：LLM 是续写器，Chat Model 是对话机器人。
为什么现在开发都用 Chat Model？
- 做产品必须多轮对话
- 必须工具调用（查天气、查数据库、RAG）
- 行为可控，不会乱输出
- 所有新模型只更新 Chat 接口
市面典型 Chat Model 有哪些？
- OpenAI：gpt-3.5-turbo、gpt-4o
- 百度文心：ERNIE Bot
- 阿里通义：Qwen
- 智谱：GLM-4
- 字节：豆包 Doubao
- 腾讯：混元 Hunyuan
- 讯飞：星火 Spark
应用场景
- 智能客服
- AI 助手
- 聊天机器人
- RAG 知识库问答
- 带工具的 AI（联网、查数据）
- 多轮交互类产品
总结
Chat Model = 对话专用大模型
- 输入：角色消息
- 能力：多轮对话 + 工具调用
- 训练：对齐人类偏好
- 开发：99% 新项目首选
你要我给你一段最精简的 Python + LangChain Chat Model 示例代码吗？