转型 AI 应用开发——LangChain 实战第二课：手把手搭建命令行 AI 聊天

昨天我们跑通了第一次调用，输出就像“演示版”，一问一答，但一次性结束。今天，我们来进行连续的对话。

就像我们平时用豆包或者DeepSeek这些AI 聊天一样，持续提问，随问随答。

在昨天原来的目录上，我们新建两个文件。老规矩，一个原生版本，一个langchain版本。

原生版本，新建文件02_talk_with_deepseek.py

           
           
           
           from openai import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

client = OpenAI(
    api_key=os.getenv("deepseek_api_key"),
    base_url="https://api.deepseek.com"
)

print("=== 欢迎进入 AI 命令行聊天 ===")
print("输入 'exit' 退出聊天")

# 初始化对话历史，只包含系统消息
messages = [
    {"role": "system", "content": "你是一个聪明的 AI 助手，会回答用户的问题。"}
]

while True:
    user_input = input("\n你：")
    if user_input.lower() == "exit":
        print("聊天结束，再见！")
        break

    # 添加用户消息到对话历史
    messages.append({"role": "user", "content": user_input})

    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages,
        stream=False
    )

    answer = response.choices[0].message.content
    # 添加AI回复到对话历史
    messages.append({"role": "assistant", "content": answer})
    print(f"AI：{answer}")

langchain版本，新建文件02_talk_with_deepseek_langchain.py

           
           
           
           from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
from dotenv import load_dotenv
import os

# 加载 .env 文件
load_dotenv()

# 初始化 LangChain LLM
llm = ChatOpenAI(
    api_key=os.getenv("deepseek_api_key"),
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat",
    temperature=0.7
)

print("=== 欢迎进入 LangChain AI 命令行聊天 ===")
print("输入 'exit' 退出聊天")

# 初始化对话历史，只包含系统消息
messages = [
    SystemMessage(content="你是一个聪明的 AI 助手，会回答用户的问题。")
]

while True:
    user_input = input("\n你：")
    if user_input.lower() == "exit":
        print("聊天结束，再见！")
        break

    # 添加用户消息到对话历史
    messages.append(HumanMessage(content=user_input))

    response = llm.invoke(messages)
    # 添加AI回复到对话历史
    messages.append(response)
    print(f"AI：{response.content}")

我们使用while True来激活一个循环，然后通过input("\n你：")来进行连续的输入。

通过在循环中持续填入增量的历史消息到message对象后调用大模型，并且打印大模型的回复，来达到持续交互的目的。

Langchain中使用 messages.append(HumanMessage(content=user_input))，用HumanMessage对象来包装用户输入，看起来更加整洁。

当我们的代码复杂后，有更高的可读性。