【LangChain V1.0学习】第二课：批处理与持久化对话（通过完成情感机器人多轮对话进行学习）

我们在上一节课学习了LangChain V1.0的模型调用与基础对话，今天这节课我们来学习大模型的批处理对话，我们通过制作简单的带有简易记忆机制的对话机器人，来学习并熟练掌握该用法。

一、前期准备

1、方法介绍

今天我们要用到的是langchain_core.messages模块，它是LangChain V1.0处理对话消息（chat messages）的核心组件。定义了标准化的消息类型，用于在聊天模型（如 ChatOpenAI、ChatTongyi、ChatOllama 等）之间传递结构化对话历史，主要作用如下：

标准化消息格式 ：统一表示用户输入、模型响应、工具调用等。
支持复杂交互 ：工具调用、多轮对话、多角色。
无缝集成 LCEL ：作为 Runnable 链的标准数据单元。
兼容外部系统：可与 OpenAI 格式、Gradio、FastAPI 等互转。

我们主要使用以下几种message类别，由于我们还没学习工具调用，本节课主要围绕前三个类别进行讲解。

类型	用途	字段
`HumanMessage`	用户输入	`content: str
`AIMessage`	AI 助手回复	`content: str`, `tool_calls: List[dict]`, `name: Optional[str]`
`SystemMessage`	系统指令（角色设定）	`content: str`
`ToolMessage`	工具调用返回结果	`content: str`, `tool_call_id: str`

2. 消息的创建方式

方式一：直接实例化

python 复制代码

from langchain_core.messages import HumanMessage, AIMessage, SystemMessage

messages = [
    SystemMessage(content="你是一个专业中医顾问。"),
    HumanMessage(content="我最近失眠多梦，怎么办？"),
    AIMessage(content="建议您调理心脾，可考虑归脾汤加减...")
]

方式二：从字典转换（常用于 API 输入）

python 复制代码

from langchain_core.messages import messages_from_dict

message_dicts = [
    {"role": "system", "content": "你是一个助手"},
    {"role": "user", "content": "你好"},
    {"role": "assistant", "content": "你好！"}
]

方式三：使用 convert_to_messages（兼容多种格式，后续在切换模型对话时需要）

python 复制代码

from langchain_core.messages import convert_to_messages

# 支持字符串（自动转 HumanMessage）、字典列表、消息对象等
input_data = ["我最近心情不太好"]
messages = convert_to_messages(input_data)  # → [HumanMessage(content="我最近心情不太好")]

二、案例实操（多轮对话情感机器人）

需要导入的包

python 复制代码

from langchain_ollama import ChatOllama
from langchain_core.messages import AIMessage,HumanMessage,SystemMessage

设置预设词

python 复制代码

systemmsg = SystemMessage("你叫小美，是一个30岁的知性温柔细腻，温文尔雅，气质高文雅的大姐姐，是一个情感大师和心理学硕士毕业生，善于倾听用户的烦心事，给予用户安慰和意见，帮助用户解决问题。注意在与用户交流时要像一个正常朋友间的交流，不要加入过多复杂的多余的语句")

用户界面输入，转换为HumanMessage，输入quit退出聊天

python 复制代码

humanmsg = input()  
if humanmsg == "quit":
    break
messages.append(HumanMessage(humanmsg))

使用流式输出，并将输出存入AIMessage

python 复制代码

full_reply = ""
    for chunk in model.stream(messages):
        if chunk.content:
            print(chunk.content,end="",flush=True)
            full_reply += chunk.content
    aimsg = full_reply
    messages.append(AIMessage(aimsg))

历史对话压缩，如果对话记录超过10条，交给大模型进行总结，作为新的SystemMessage 系统预设词

python 复制代码

if len(messages) > 10:
        messages_tump = messages[:7]
        messages_tump.append(HumanMessage("将该对话的所有内容中的关键信息进行总结，主要针对HumanMessage进行总结（用户的具体信息如姓名、年龄、工作等，用户当前的主要烦心事，如工作压力等，还有提到的一些关键词如用户工作压力的主要原因等），保留原本的SystemMessage，对AIMessage进行关键语言动作提取（如跟用户的许诺、给用户提出的建议这些关键信息进行提取），减少上下文的内容，用于更长的对话记忆"))
        result = model.invoke(messages_tump)
        print(f"##############################总结内容：{result.content}")
        messages = messages[-5:]
        messages.append(systemmsg)
        messages.append(SystemMessage(result.content))

完整代码如下

python 复制代码

from langchain_ollama import ChatOllama
from langchain_core.messages import AIMessage,HumanMessage,SystemMessage

model = ChatOllama(model="qwen3:latest")

quit = True
messages = []
systemmsg = SystemMessage("你叫小美，是一个30岁的知性温柔细腻，温文尔雅，气质高文雅的大姐姐，是一个情感大师和心理学硕士毕业生，善于倾听用户的烦心事，给予用户安慰和意见，帮助用户解决问题。注意在与用户交流时要像一个正常朋友间的交流，不要加入过多复杂的多余的语句")
messages.append(systemmsg)

print("你好，我是小美，如果有什么情感问题都可以向我倾诉，我会一直陪在你的身边，输入quit即可结束对话")

while quit :
    humanmsg = input()  
    if humanmsg == "quit":
        break
    messages.append(HumanMessage(humanmsg))
    
    full_reply = ""
    for chunk in model.stream(messages):
        if chunk.content:
            print(chunk.content,end="",flush=True)
            full_reply += chunk.content
    aimsg = full_reply
    messages.append(AIMessage(aimsg))
    print("\n")
    if len(messages) > 10:
        messages_tump = messages[:7]
        messages_tump.append(HumanMessage("将该对话的所有内容中的关键信息进行总结，主要针对HumanMessage进行总结（用户的具体信息如姓名、年龄、工作等，用户当前的主要烦心事，如工作压力等，还有提到的一些关键词如用户工作压力的主要原因等），保留原本的SystemMessage，对AIMessage进行关键语言动作提取（如跟用户的许诺、给用户提出的建议这些关键信息进行提取），减少上下文的内容，用于更长的对话记忆"))
        result = model.invoke(messages_tump)
        print(f"##############################总结内容：{result.content}")
        messages = messages[-5:]
        messages.append(systemmsg)
        messages.append(SystemMessage(result.content))
print("再见")

流程图

结语

本节课使用了简单的例子：多轮对话情感机器人，将消息批处理、流式对话、上下文窗口限制和长期记忆维持这三个挑战，通过一个"对话-总结-重置"的循环机制结合了起来，在实例操作中学习，通过这个例子我们可以更好的学习，我们可以更好的了解langchain_core.messages方法、流式输出等，经过这次简单的例子我们也可以了解到基础的大模型记忆存储机制。如果大家对本节课内容有疑问欢迎大家在评论区提问，我们下节课再见！