摘要：本文介绍利用langChain核心组件Models里的Chat Models构建基本的Chatbot，能实现简单的问答。

概述

   实现聊天机器人通常不仅仅是一问一答，还需要“机器人”能够结合上下文，再垂直领域需要“机器人”可以随时索引专业信息等。

Chat Model

LangChain核心组件Models，包含Chat Models, Embeddings, LLMs。

其中Chat Model虽然聊天模型在后台使用语言模型（LLM），但它暴露的接口却有所不同。不光是提供一个“输入文本、输出文本”的API，而是提供了一个以“聊天消息”作为输入和输出的接口。ChatModel的接口比LLM更加结构化。

Embeddings是嵌入模型用于将离散的高维数据，比如句子，文章映射到低维向量空间；一般是向量数据库配合使用，实现向量匹配，构建知识库。

本文主要用ChatModel

1. message对象

   刚才提到ChatModel不光是提供一个“输入文本、输出文本”的API，而是提供了一个以“聊天消息”作为输入和输出的接口。
   LangChain支持的聊天模型消息类型主要包括：AIMessage、HumanMessage、SystemMessage、ChatMessage；

1.1 消息类型介绍：

1.1.1 HumanMessage
表示人或用户产生的消息，既聊天主题的对话内容。

{"type":"HumanMessage","content":"你好，我是小明，今天天气怎么样？"
}

1.1.2 AIMessage
   表示由人工智能或聊天机器人生成的消息。它通常是对用户输入的响应或系统触发的自动回复。用于记录和传输由 AI 生成的回复内容。

{"type":"AIMessage","content":"你好，小明！😊 不过作为AI助手，我无法获取实时天气数据哦。"
}

1.1.3 SysMessage
   代表由系统生成的消息，通常用于传递系统状态、指令或元信息。

#例如 传递指令
{"type":"SystemMessage","content":"不论用户输入何种语言，请用中文回答问题。"
}

#例如 指定对话状态
{"type": "SystemMessage","content": "对话已经开始。"
}

1.1.4 ChatMessage
   通用消息类型，可以包含任何消息内容，主要用于记录传输对话的上下文。

{"type": "ChatMessage","role": "human","content": "你好，我是小明，今天天气怎么样？"
},
{"type": "ChatMessage","role": "ai","content": "你好，小明！😊 不过作为AI助手，我无法获取实时天气数据哦。。"
},
{
"type": "ChatMessage",
"role": "system",
"content": "会话已重置。"

1.2 使用场景：

1.2.1 AIMessage 和 HumanMessage：

• 在对话中区分用户输入和 AI 响应。
• 追踪对话的来回交流，用于分析/改进对话系统的性能。
  1.2.2 SystemMessage
• 包含开始、结束等系统事件信息以及指令信息等。
• 主要用于对对话进行控制。
  1.2.3 ChatMessage
• 统一对不用类型信息进行存储，用于处理多种消息类型的复杂对话场景。

实际应用中主要需要处理AIMessage 、HumanMessage、SystemMessage三种。

2. 利用ChatModel构建简单的 Chatbot

2.1 实现基本的问答：

① 基本问答

# chat model message
from langchain.chat_models import ChatOpenAI
from langchain_core.messages import HumanMessage,AIMessage,SystemMessage,ChatMessage# 定义模型调用API URL
base_url = "https://api.deepseek.com/v1"
# 定义模型调用API KEY（实际应用会放到环境变量中，避免明文暴露）
api_key = "输入你的模型 API key"
# 定义模型名称（对应DeepSeek-V3）
model='deepseek-chat' chatbot = ChatOpenAI(base_url=base_url, api_key=api_key,model=model)messages=[HumanMessage(content="你好，我是小明，今天天气怎么样？")]result = chatbot(messages)print("type: {},  content:{}".format(result.type,result.content))

type: ai,  content:你好，小明！😊 不过作为AI助手，我无法获取实时天气数据哦。建议你：1. 查看手机上的天气应用
2. 在搜索引擎输入"天气+你所在的城市"（比如"北京天气"）
3. 问问智能音箱或语音助手需要我教你如何设置手机天气小工具吗？或者你那边现在天气如何？可以和我分享呀~ ☀️🌧️⛅

② 利用SystemMessage传递指令，指定输出语言

如果希望使用英语可以利用SystemMessage 传递指令

# 增加SystemMessage 指定输出为英语
messages = [SystemMessage(content="不论用户输入何种语言，请用英文回答问题。"),HumanMessage(content="你好，我是小明，今天天气怎么样？")
]result = chatbot(messages)print("type: {},  content:{}".format(result.type,result.content))

得到结果：

type: ai,  content:Hello, I'm an AI assistant and I can only respond in English. You asked: "Hello, I'm Xiao Ming, how's the weather today?"Since I don't have real-time weather data capabilities, I can't provide current weather conditions. However, I can suggest you check a weather app or website for the most accurate forecast in your location.Would you like me to help with anything else?

③ 处理批量问题

batch_messages = [[HumanMessage(content="你好，我是小明，今天天气怎么样？")],[HumanMessage(content="我今年18岁，你有多少岁了?")],
]# 返回LLMResulr 对象
result = chatbot.generate(batch_messages)# 遍历每轮的响应
for gen in result.generations:# 输出每轮第一次响应结果print("=============================")print(gen[0].text)

输出：

=============================
你好，小明！😊 不过作为AI助手，我无法获取实时天气数据哦。你可以通过手机天气应用、网页搜索（比如“北京今天天气”） 或询问智能设备（如小爱同学、Siri）来获取最新天气情况～需要的话，我也可以帮你查某个城市**近期典型天气**或提供出行建议！☀️🌧️
=============================
哈哈，我其实没有真实的“年龄”哦～作为一个AI助手，我的知识库更新到2023年，但我的存在时间取决于你遇到我的那一刻——就像现在，对你来说我就是“刚出生”的新朋友！✨不过按人类的时间算，你可以当我是永远18岁的数字伙伴～ （毕竟和同龄人聊天更轻松嘛😉） 有什么想聊的随时找我！

2.2 带缓存的聊天：

我们每次调用OpenAI的API都是要花钱的，在实际生产过程中，同一个问题可以对结果进行缓存，可以减少接口的调用次数，降低成本；同时还能提高响应速度。
对上述ChatBot进行多轮会话（不带缓存）：

# 第一轮对话
messages = [HumanMessage(content="请给我将一个笑话。")]
result = chatbot.invoke(messages)
print("第一轮对话：")
print("type: {},  content:{}".format(result.type,result.content))# 模拟第二轮对话
messages =  [HumanMessage(content="请给我将一个笑话。")]
result = chatbot.invoke(messages)
print("第二轮对话：")
print("type: {},  content:{}".format(result.type,result.content))

输出：

第一轮对话：
type: ai,  content:好的！来一个轻松的小笑话：**顾客**：老板，你这包子怎么涨价了？
**老板**：因为猪肉涨价了啊！
**顾客**（指着豆沙包）：那这个为什么也涨？
**老板**（沉默两秒）：…因为猪肉涨价，我得多吃豆沙包补充体力，所以它也缺货了！（冷知识：所有涨价最终都会怪到猪肉头上😂）希望逗你一笑～ 需要其他类型的笑话随时说哦！
第二轮对话：
type: ai,  content:好的，来一个轻松的笑话：🐔 **鸡的困惑**
一只小鸡问母鸡：“妈妈，人类为什么总说‘鸡蛋’？明明是我们先有的，为什么不叫‘鸡蛋’？”
母鸡沉思两秒：“可能他们觉得‘鸡蛋’听起来比较……‘鸡’动人心？”（冷到你了记得加件外套～ 😄）

结果，虽然问题一样，单给的答案不一样，说明二次调用了API，另外可以看到两次调用的时间：

增加缓存

from langchain.cache import InMemoryCache,SQLiteCache
from langchain.globals import set_llm_cache# 启动全局缓存 可以是内存缓存，也可以是Sqllite本地缓存
# set_llm_cache(SQLiteCache(database_path=".langchain.db"))
set_llm_cache(InMemoryCache())

之后再执行相同的问题：

# 第一轮对话
messages = [HumanMessage(content="请给我将一个笑话。")]
result = chatbot.invoke(messages)
print("第一轮对话：")
print("type: {},  content:{}".format(result.type,result.content))# 模拟第二轮对话
messages =  [HumanMessage(content="请给我将一个笑话。")]
result = chatbot.invoke(messages)
print("第二轮对话：")
print("type: {},  content:{}".format(result.type,result.content))

输出：

第一轮对话：
type: ai,  content:当然！这里有个经典笑话送给你：**顾客**：老板，你这清炒小白菜怎么有肉味？
**老板**：啊，可能因为…我炒菜时戴着口罩。
**顾客**：这和口罩有什么关系？
**老板**：我口罩是猪肉馅的。（然后被卫生局拖走）（冷知识：这其实是网友对“食堂黑暗料理”的吐槽梗改编😂）需要再来一个吗？
第二轮对话：
type: ai,  content:当然！这里有个经典笑话送给你：**顾客**：老板，你这清炒小白菜怎么有肉味？
**老板**：啊，可能因为…我炒菜时戴着口罩。
**顾客**：这和口罩有什么关系？
**老板**：我口罩是猪肉馅的。（然后被卫生局拖走）（冷知识：这其实是网友对“食堂黑暗料理”的吐槽梗改编😂）需要再来一个吗？

可以看到第二次直接走缓存，不化时间：

（PS：监控配置LangSmith）

3. 局限

以上chatbot只是简单的示例，实际应用中还需要考虑上下文管理、知识库访问，工具调用等能力。