转型 AI 必看——LangChain 实战第三课：原生 API 写对话太累？用 LangChain 秒变清爽高手！

昨天我们讲了怎么在命令行里面，和 AI 持续对话。
 一些眼尖的同学已经开始思考了：
为什么 LangChain 封装了 HumanMessage、AIMessage、SystemMessage？

其实这三个东西，恰恰就是我们和 AI 沟通的提示词核心。

• • HumanMessage，代表用户说了什么。
• • AIMessage，代表 AI 回答过什么。
• • SystemMessage，代表我们给 AI 下的背景设定。

如果你用过原生 API，就会发现它们本质上就是
role = "user"、role = "assistant"、role = "system"

只是 LangChain 做了一层封装，让写法更直观。

为什么要有这层封装？

因为一旦对话变长，光靠 "role": "user" 这种写法，眼睛很容易花。

但如果换成 HumanMessage / AIMessage / SystemMessage，

一眼就能分清楚谁说了什么，哪段是设定，哪段是回答。

像我有点点代码洁癖，看到这种封装得很统一的格式，就觉得很“优雅”。

至少在视觉上，给人不错的阅读体验。

下面，老规矩，给大家看看原生版本和langchain版本的区别。

今天的代码和昨天的其实差不多的。

原生版本，新建文件03_chat_message.py

           
           
           
           import os
from openai import OpenAI
from dotenv import load_dotenv

load_dotenv()
client = OpenAI(api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com/v1")

# 系统设定
messages = [
    {"role": "system", "content": "你是一个 AI 助手"}
]

while True:
    user_input = input("你：")
    if user_input.lower() in ["exit", "quit", "退出"]:
        break

    # 用户发言
    messages.append({"role": "user", "content": user_input})

    # 调用大模型
    response = client.chat.completions.create(
        model="deepseek-chat",
        messages=messages
    )

    ai_reply = response.choices[0].message.content
    print("AI：", ai_reply)

    # AI 回答
    messages.append({"role": "assistant", "content": ai_reply})

langchain版本，新建文件03_chat_message_langchain.py

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

load_dotenv()

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

# 系统设定
messages = [SystemMessage(content="你是一个 AI 助手")]

while True:
    user_input = input("你：")
    if user_input.lower() in ["exit", "quit", "退出"]:
        break

    # 用户发言 → HumanMessage
    messages.append(HumanMessage(content=user_input))

    # 调用大模型
    response = llm.invoke(messages)
    print("AI：", response.content)

    # AI 回答 → AIMessage
    messages.append(AIMessage(content=response.content))

虽然现在功能比较简单，代码行数看着差不多，但是langchain这个写法在后面有大用。

特别是在做记忆管理和RAG的时候，更加高效。

而且，原生写法靠 "role"，读起来很累。

LangChain 封装了 Human / AI / SystemMessage。 代码一眼就能分清身份，谁提供了什么提示词。