【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 | List[Union[str, dict]],name: Optional[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
fromlangchain_core.messagesimportHumanMessage,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）
fromlangchain_core.messagesimportmessages_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）
fromlangchain_core.messagesimportconvert_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
fromlangchain_ollamaimportChatOllamafromlangchain_core.messagesimportAIMessage,HumanMessage,SystemMessage设置预设词
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
humanmsg=input()ifhumanmsg=="quit":breakmessages.append(HumanMessage(humanmsg))使用流式输出，并将输出存入AIMessage
full_reply=""forchunkinmodel.stream(messages):ifchunk.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
iflen(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
fromlangchain_ollamaimportChatOllamafromlangchain_core.messagesimportAIMessage,HumanMessage,SystemMessage model=ChatOllama(model="qwen3:latest")quit=Truemessages=[]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")whilequit:humanmsg=input()ifhumanmsg=="quit":breakmessages.append(HumanMessage(humanmsg))full_reply=""forchunkinmodel.stream(messages):ifchunk.content:print(chunk.content,end="",flush=True)full_reply+=chunk.content aimsg=full_reply messages.append(AIMessage(aimsg))print("\n")iflen(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！