摘要
模型调用不只是传字符串那么简单。SystemMessage控制角色，HumanMessage传问题，AIMessage存回复，这三者组合起来才能做出真正的多轮对话。本文用一个客服助手的例子，把消息结构和上下文管理讲清楚。
一、为什么不能只传字符串
上一章我们调模型的时候，直接往里扔了一个字符串：
python
model.invoke("介绍一下你自己")
这种写法在测试的时候没问题，但做真实项目就不够用了。因为实际场景里，你需要告诉模型：
-
你是谁，扮演什么角色
-
回答要遵守什么规则
-
用户问了什么
-
之前聊过什么
这些信息需要用结构化的方式传进去，而不是堆在一个字符串里。
二、三种核心消息角色
大模型对话里有三种基本的消息类型：
SystemMessage
开发者用来设定AI的身份和规则。比如"你是客服，说话要客气，只回答订单相关问题"。这条消息在一轮对话的最开始发，比用户的所有问题优先级都高。
HumanMessage
用户发的内容。就是普通人问的问题、提的需求。
AIMessage
模型返回的回复。在多轮对话里，需要把模型的回复存下来，下次请求时再传回去，这样模型才能记住之前说过什么。
LangChain里对应的导入方式：
python
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
三、SystemMessage的用法
SystemMessage相当于给AI立规矩。在用户开口之前，先告诉AI它该怎么做。
例子：
python
from langchain_core.messages import SystemMessage
system_msg = SystemMessage(content="""你是XX电商平台的客服助手。
规则：
1. 称呼用户为"亲"
2. 回答要简洁，不超过50字
3. 遇到订单问题，要求用户提供订单号
4. 不回答与平台业务无关的问题
""")
常见的用法包括：限定角色身份、限定语气风格、限定回答长度、限定输出格式、限定不能回答的范围。
注意一点：SystemMessage的规则不是硬性约束，大模型不是传统程序，规则只能提高按要求回答的概率，不能保证百分百执行。如果规则太复杂或者互相矛盾，模型反而容易跑偏。
四、HumanMessage和AIMessage
HumanMessage就是用户输入：
python
from langchain_core.messages import HumanMessage
user_msg = HumanMessage(content="我买的手机还没发货")
AIMessage是模型的回复，在多轮对话里要把它保存下来，下次请求时带回去：
python
from langchain_core.messages import AIMessage
ai_msg = AIMessage(content="亲，请提供您的订单号，我帮您查询")
把这三条消息放到一个列表里，传给模型：
python
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
model = init_chat_model(…)
messages = [
SystemMessage(content="你是客服助手，说话客气"),
HumanMessage(content="我买的手机还没发货"),
AIMessage(content="亲，请提供订单号"),
HumanMessage(content="订单号是123456")
]
response = model.invoke(messages)
五、完整的客服助手示例
新建 01_customer_service.py：
python
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage
import os
load_dotenv()
model = init_chat_model(
model="deepseek-v4-flash",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL")
)
system_msg = SystemMessage(content="""你是电商客服小助手。
规则：
1. 称呼用户为"亲"
2. 回答控制在50字以内
3. 订单问题必须先索要订单号
4. 不回答业务以外的问题
""")
while True:
user_input = input("\\n用户：")
if user_input.lower() == "q":
break
messages = [system_msg, HumanMessage(content=user_input)]
response = model.invoke(messages)
print(f"客服：{response.content}")
运行之后输入"我的快递到哪了"，模型会先问你要订单号。这就是SystemMessage在起作用。
六、temperature参数
调用模型时可以设置temperature，控制输出的随机性。
取值范围一般是0到2：
设为0时，相同输入每次都返回一模一样的答案。适合代码生成、数学计算、订单查询这类需要精确结果的场景。
设在0.1到0.4之间，输出轻微随机但逻辑稳定，极少胡编。适合客服、知识库问答、结构化信息提取。
设在0.5到0.8之间，创意和逻辑相对平衡，适合文案、总结、日常聊天。
设在1.0以上，随机性很强，适合写故事和诗歌，但容易虚构内容。
客服场景建议用0.1到0.3，确保回答稳定。
设置方式：
python
model = init_chat_model(
…,
temperature=0.2
)
七、带多轮对话的客服助手
前面那个例子每次只问一轮，模型记不住之前说过什么。要让它记住，得把历史消息存下来。
新建 02_chat_with_history.py：
python
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
import os
load_dotenv()
model = init_chat_model(
model="deepseek-v4-flash",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
temperature=0.2
)
system_msg = SystemMessage(content="你是电商客服小助手，说话客气，回答简洁。")
messages = [system_msg]
while True:
user_input = input("\\n用户：")
if user_input.lower() == "q":
break
messages.append(HumanMessage(content=user_input))
response = model.invoke(messages)
messages.append(AIMessage(content=response.content))
print(f"客服：{response.content}")
对话过程：
用户：我买的东西还没到
客服：亲，请提供订单号帮您查询
用户：订单号是ABC123
客服：查询到您的包裹已发出，预计后天送达
因为每次请求都带上了之前所有的对话记录，所以模型知道"ABC123"是前面提到的那个订单号。
八、限制历史消息长度
上面的写法有个问题：对话越长，每次请求带的文本越多，成本和响应时间都会增加。还可能超过模型的上下文窗口限制。
简单处理方式：只保留最近几轮。
新建 03_chat_with_limited_history.py：
python
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
import os
load_dotenv()
model = init_chat_model(
model="deepseek-v4-flash",
model_provider="openai",
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
temperature=0.2
)
system_msg = SystemMessage(content="你是电商客服小助手，说话客气，回答简洁。")
MAX_HISTORY = 6
messages = [system_msg]
while True:
user_input = input("\\n用户：")
if user_input.lower() == "q":
break
messages.append(HumanMessage(content=user_input))
response = model.invoke(messages)
messages.append(AIMessage(content=response.content))
if len(messages) > MAX_HISTORY + 1:
messages = [system_msg] + messages[-(MAX_HISTORY):]
print(f"客服：{response.content}")
这里的逻辑是：保留SystemMessage不动，然后从历史消息里截取最后6条。一轮对话包含用户消息和AI回复，6条大约相当于3轮对话。
