基于LangChain的RAG与Agent智能体开发 - LangChain调用聊天大模型消息简写

大家好我是小锋老师最近更新《2027版 基于LangChain的RAG与Agent智能体 开发视频教程》专辑感谢大家支持。本课程主要介绍和讲解RAGLangChain简介接入通义千万大模型 Ollama简介以及安装和使用OpenAI 库介绍和使用以及最重要的基于LangChain实现RAG与Agent智能体开发技术。视频教程课件源码打包下载 链接https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg提取码0000基于LangChain的RAG与Agent智能体开发 - LangChain调用聊天大模型消息简写前面我们调用大模型的会话消息使用的是对象SystemMessageAIMessageHumanMesssage但是写起来麻烦而且不灵活。我们以后开发都用下面的简写形式列表里面是元组元组第一个元素是角色(system,assistant,user)第二个元素是内容。完整测试代码from langchain_community.chat_models import ChatTongyi from langchain_core.messages import HumanMessage, SystemMessage, AIMessage # 创建模型 model ChatTongyi(modelqwen3-max) # 初始化聊天对话 messages [ SystemMessage(content你是一个Python编程大师), AIMessage(content我是一个Python编程大师请问有什么可以帮助您的吗), HumanMessage(content给我写一个Python快速排序算法) ] # 消息简写 messages2 [ (system, 你是一个Python编程大师), (assistant, 我是一个Python编程大师请问有什么可以帮助您的吗), (user, 给我写一个Python快速排序算法) ] # 调用模型 result model.stream(inputmessages2) # 输出结果 for chunk in result: print(chunk.content, end, flushTrue)我们运行测试下调用本地Ollama大模型的示例代码我们也改下吧from langchain_core.messages import HumanMessage, SystemMessage, AIMessage from langchain_ollama import ChatOllama # 创建模型 model ChatOllama(modelqwen3:4b) # 初始化聊天对话 messages [ SystemMessage(content你是一个Python编程大师), AIMessage(content我是一个Python编程大师请问有什么可以帮助您的吗), HumanMessage(content给我写一个Python快速排序算法) ] # 消息简写 messages2 [ (system, 你是一个Python编程大师), (assistant, 我是一个Python编程大师请问有什么可以帮助您的吗), (user, 给我写一个Python快速排序算法) ] # 调用模型 result model.stream(inputmessages2) # 输出结果 for chunk in result: print(chunk.content, end, flushTrue)运行测试也没问题