介绍
使用下面的类封装角色：
- SystemMessage：系统角色
- HumanMessage：用户角色
- AIMessage：AI角色
角色的作用详见 链接
案例1
对于简单的使用，如：只有一轮对话，且简单提问，可以只用 用户角色
提示：在 只有一轮对话，且简单提问，执行结果与调用普通大模型相同
创建用户角色
如下：
HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可")
代码
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage
# 初始化模型
chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key")
# 准备消息list
messages = [
# 设置用户角色
HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可")
]
# 调用stream向模型提问，返回 generator类型
res = chat.stream(input=messages)
print("res类型：", type(res))
# 流式输出
for chunk in res:
print(chunk.content, end="", flush=True)
代码解释1
messages = [
HumanMessage(content="我要学习大模型，给我列个简单的学习计划，10点即可")
]
- HumanMessage：用户角色，封装 用户的提问
- messages：将用户的提问放到该
list中，在一轮对话中，没有体现出用处
代码解释2
for chunk in res:
print(chunk.content, end="", flush=True)
在聊天模型中，需要调用 chunk.content 获取到模型返回的内容
案例2
只有一轮对话，但有场景时，可以设置 系统角色 + 用户角色
提示：虽然比上个例子稍微复杂，但执行结果与调用普通大模型相同
创建系统角色
SystemMessage(content="你是一名侦探小说家")
代码
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage, SystemMessage
# 初始化模型
chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key")
# 准备消息list
messages = [
# 设置系统角色
SystemMessage(content="你是一名侦探小说家"),
# 设置用户角色
HumanMessage(content="给我写100字的侦探小说")
]
# 调用stream向模型提问，返回 generator类型
res = chat.stream(input=messages)
print("res类型：", type(res))
# 流式输出
for chunk in res:
print(chunk.content, end="", flush=True)
代码解释
messages = [
SystemMessage(content="你是一名侦探小说家"),
HumanMessage(content="给我写100字的侦探小说")
]
- SystemMessage：系统角色
- HumanMessage：用户的提问，封装在该类中
- messages：将系统角色，用户的提问放到该
list中，在一轮对话中，没有体现出用处
案例3（真实场景）
多轮对话时，且有使用场景时，应该设置 系统角色 + 用户角色 + AI角色
AI角色：代表 AI 上一轮的回答，用于多轮对话的 上下文记忆
创建AI角色
AIMessage(content=res_txt)
代码
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
# 初始化模型
chat = ChatTongyi(model="qwen3-max", api_key="填你的阿里前文api key")
# 准备消息list
messages = [
# 设置系统角色
SystemMessage(content="你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
]
"""
第一次提问：3x+5=20，x 等于多少？
第二次提问：把x=6代入公式，等于多少
"""
def printMessages(messages):
"""
打印消息列表
:param messages:
:return:
"""
print("------messages内容:")
for item in messages:
print(item.__class__.__name__, ":", item.content)
print("------messages内容结束")
print("===== 小学数学老师对话助手 =====\n")
while True:
# 4. 用户角色：获取当前轮次的用户提问（变量输入）
user_input = input("请提问：")
# 设置用户角色
user_msg = HumanMessage(content=user_input)
# 将用户提问加入对话历史
messages.append(user_msg)
printMessages(messages)
# 5. 通过 stream() 流式调用，调用模型生成回答（AI角色的「实时回答」）。
res = chat.stream(messages)
# 将回答的内容拼装到该字符串
res_txt = ""
# 输出AI回答
print("\n\nAI老师的回答：")
# 流式输出
for chunk in res:
print(chunk.content, end="", flush=True)
res_txt = res_txt + chunk.content
print("\n回答完毕！\n")
# 删除上次用户的提问
messages.pop()
# 6. 设置AI角色
ai_msg = AIMessage(content=res_txt)
# 将本次回答加入历史（核心！作为下一轮的上下文）
messages.append(ai_msg)
代码解释1
由于是多轮对话，所以代码结构与之前完全不同，是在循环中，获取用户提问，并调用大模型
代码解释2
messages = [
SystemMessage(content="你是一个温柔的小学数学老师，回答问题时用“亲”、“小朋友”，并且简短回答问题，回答问题不要用markdown格式"),
]
初始化时，消息列表中，只有系统角色
代码解释3
# 4. 用户角色：获取当前轮次的用户提问（变量输入）
user_input = input("请提问：")
# 将用户提问加入对话历史
user_msg = HumanMessage(content=user_input)
messages.append(user_msg)
在循环中，获取用户的提问，并封装到 HumanMessage 中，然后放入 messages 消息列表中
代码解释4
ai_msg = AIMessage(content=res_txt)
messages.append(ai_msg)
最后将大模型的回答内容，封装到 AIMessage 中，并放入 messages 消息列表中，这样，第二轮提问时，大模型才只能上下文内容，才能正确回答
执行1-有3个角色
第一轮提问：3x+5=20，x 等于多少？
第二轮提示：把x=6代入公式，等于多少
执行2-没有ai角色
将下面代码注释掉，没有ai角色：
# ai_msg = AIMessage(content=res_txt)
# messages.append(ai_msg)
第一轮的提问，能正确回答
第二轮的提问，会无法回答，显示如下：
必须携带AI 助手角色的场景
只要对话存在 上下文依赖，就必须携带关键历史，比如：
- 用户追问：先问 “什么是 RAG”，再问 “它的核心步骤是什么”（后一个问题依赖前一个的定义）；
- 多轮纠错：用户指出 “你刚才的代码有问题”，模型需要知道 “刚才的代码是什么”；
- 场景化交互：电商客服中，用户先提 “我的订单没发货”，再问 “能退款吗”（依赖 “订单” 这个上下文）。
无需带的场景
用户先问 “写一首唐诗”，再问 “计算 1+2+3 的和”（两个问题无关联，无需带前一轮历史）。