基于LangChain的RAG与Agent智能体开发 - 使用LangChain调用聊天大模型

大家好，我是小锋老师，最近更新《2027版 基于LangChain的RAG与Agent智能体 开发视频教程》专辑，感谢大家支持。

本课程主要介绍和讲解RAG，LangChain简介，接入通义千万大模型 ，Ollama简介以及安装和使用，OpenAI 库介绍和使用，以及最重要的基于LangChain实现RAG与Agent智能体开发技术。

视频教程+课件+源码打包下载 ：

链接：https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg

提取码：0000

基于LangChain的RAG与Agent智能体开发 - 使用LangChain调用聊天大模型

再之前学习openai库的时候，对话消息有三种角色。

messages: 对话消息列表

• system: 系统设定

• user: 用户输入

• assistant: AI回复

我们现在使用LangChain框架，也有三个角色，

• system对应SystemMessage，系统设定消息

• user对应HumanMessage，用户输入消息

• assistant对应AIMessage，AI回复消息

接下来，我们看一个示例：

from langchain_community.chat_models import ChatTongyi
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

# 创建模型
model = ChatTongyi(model="qwen3-max")

# 初始化聊天对话
messages = [
    SystemMessage(content="你是一个Python编程大师"),
    AIMessage(content="我是一个Python编程大师，请问有什么可以帮助您的吗？"),
    HumanMessage(content="给我写一个Python快速排序算法")
]

# 调用模型
result = model.stream(input=messages)

# 输出结果
for chunk in result:
    print(chunk.content, end="", flush=True)

运行输出：

我们也换成调用本地ollama大模型：

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

# 创建模型
model = ChatOllama(model="qwen3:4b")

# 初始化聊天对话
messages = [
    SystemMessage(content="你是一个Python编程大师"),
    AIMessage(content="我是一个Python编程大师，请问有什么可以帮助您的吗？"),
    HumanMessage(content="给我写一个Python快速排序算法")
]

# 调用模型
result = model.stream(input=messages)

# 输出结果
for chunk in result:
    print(chunk.content, end="", flush=True)

运行输出：