上一章我们完成了LangChain开发环境的搭建，相当于为大模型应用开发准备好了“工具房”。本章将聚焦LangChain最基础、最主要的两个抽象概念——Models和MessagesModels是LangChain与大模型交互的“入口”，决定了回答的质量和能力；怎么说呢，Messages是交互的“载体”。定义了使用者、AI和程序之间的对话逻辑。

本章将从“模型分类→模型集成→消息类型→生成控制→高级特性→实战落地”逐步展开，所有代码示例均简洁可复制、标注官方来源。兼顾新手入门和实际开发需求，帮你彻底吃透Models与Messages的主要用法，为后续链式调用、Agent开发打下基础。老实说，

LLM 与 ChatModel 的区别与适用场景

LangChain中。与大模型交互的主要接口分为两类：LLM和ChatModel。很多新手容易混淆两者，其实它们的主要不同点是“交互格式”和“适用场景”。选择对了模型类型，能明显提高开发效率。

主要区别

. 代码示例

. LLM 调用示例

from langchain_openai import OpenAI
from dotenv import load_dotenv
import os
load_dotenv
# 初始化LLM
llm = OpenAI(
model_name="text-davinci-003"。api_key=os.getenv,temperature=0.7,)
# 调用：输入纯文本字符串
response = llm.invoke
print

再看依赖安装，Pip install langchain-openai==*

. ChatModel 调用示例

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
from dotenv import load_dotenv
import os
load_dotenv
# 初始化 ChatModel
chat_model = ChatOpenAI(
model_name="gpt- turbo",api_key=os.getenv,temperature=0.7,)
# 调用：输入消息列表
response = chat_model.invoke])
print

. 适用场景选择

• 优先选 ChatModel 的场景：多轮对话、需要程序提示、需要明确区分使用者/AI 消息、使用主流聊天模型。

• Select LLM 的场景：纯文本生成，如文案、摘要；使用旧版文，简单场景无需复杂消息结构。

• L​angChain 当前版本更推荐使用 ChatModel。其功能更全面、更贴合当前大模型的交互逻辑，LLM 更多用于兼容旧版模型。

. 使用 OpenAI、Anthropic、Hugging Face 模型

L​angChain 的主要优势之一是“统一模型接口”——无论使用 OpenAI、Anthropic 还是 Hugging Face 的模型。 调用方式基本一致，无需修改主要代码，只需替换模型初始化逻辑。本节聚焦三类主流云端/开源模型的集成，示例简洁可直接运行。

. OpenAI 模型

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage,AIMessage,SystemMessage
from dotenv import load_dotenv
import os
load_dotenv
# 初始化 OpenAI ChatModel
chat_openai = ChatOpenAI(
model_name="gpt- turbo",api_key=os.getenv,temperature=0.7,)
# 多轮对话：程序提示 + 使用者 + AI + 新使用者
messages =
response = chat_openai.invoke
print

. Anthropic 模型

from langchain_anthropic import ChatAnthropic
from langchain_core.messages import HumanMessage
from dotenv import load_dotenv
import os
load_dotenv
# 初始化 Claude 模型
chat_claude = ChatAnthropic(
model_name="claude- sonnet-100k",api_key=os.getenv,temperature=0.7,)
response = chat_claude.invoke])
print

. Hugging Face 模型

from langchain_community.chat_models import ChatHuggingFace
from langchain_core.messages import HumanMessage
from dotenv import load_dotenv
import os
load_dotenv
# 初始化 Hugging Face ChatModel
chat_hf = ChatHuggingFace(
model_name="mistralai/Mistral-7B-Instruct-v0.1",huggingfacehub_api_token=os.getenv,temperature=0.7,)
response = chat_hf.invoke])
print

. 主要

L​angChain 对主流模型的集成遵循“统一接口”原则——无论使用哪种模型，初始化后均通过 invoke

. 本地部署模型集成

from langchain_community.chat_models import ChatOllama
from langchain_core.messages import HumanMessage。SystemMessage
# 初始化本地 Ollama 模型
chat_ollama = ChatOllama(
model="llama3:8b",temperature=0.7,max_tokens=500,)
messages =
response = chat_ollama.invoke
print

from langchain_community.llms import LlamaCpp
from langchain_core.prompts import PromptTemplate
llm_llama_cpp = LlamaCpp(
model_path="./Llama-2-7b-chat.Q4_K_M.gguf",temperature=0.7,max_tokens=300,n_ctx=2048,)
prompt = PromptTemplate.from_template
response = llm_llama_cpp.invoke)
print

from langchain_community.chat_models import ChatVLLM
from langchain_core.messages import HumanMessage
chat_vllm = ChatVLLM(
model="meta-llama/Llama-2-7b-chat-hf",temperature=0.7,max_tokens=400,vllm_kwargs={"tensor_parallel_size": 1},)
response = chat_vllm.invoke])
print

. 本地模型选型建议

• A) 新手 / 快速验证：C​hoose Ollama – 一键部署，无需复杂配置。
• B) 低配置设备：C​hoose Llama.cpp – 轻量占用，可 CPU 运行。
• C) 生产环境 / 高并发：C​hoose vLLM – 高性能支持批量请求。
\endul>

. 消息类型详解：HumanMessage、AIMessage、SystemMessage

. 主要消息类型

• SystemMessage :
  • 作用这方面，定义 AI 的角色、人设与回答要求；通常放在列表最前，仅需设置一次；示例： SystemMessage .
  .
• HumanMessage ：
  • 作用这方面。使用者提出的问题或指令，是 AI 回答依据；每轮对话都对应一条 HumanMessage；示例: HumanMessag e . .
• AIMessag e :
  • 作用 ： AI 生成的答案；在多轮对话中，需要把历史 AI Message 加回列表。以让模 型记住上下文，示例 : AImessage . .
.

代码示例 （多轮对话 完整 消息 流程 ) :

 fromlang chain _ open ai impo rtChatOpen A I
fromlang chain _ core . messages im po rtS ystemMes sage,Hu manMe ssage。A IMes sage
fromdotenv i mportload _dot env
i mportos
lo ad _dot env
cha t _ mo del =
Cha t O p en A I (
mo del _na me ="g pt - tur bo ",a pi _ke y=o s . get ev en t,te mp er ature ="0 . 5" )
# 建立多轮 对话 消息 列表
mes sages =
new_ai_message=
cha t_mo del . inv ok e
print
mes sages . ap pend
pr int
for ms g i n mes sages :
pr int

此段落保留原始排版占位符，不显示内容。
python
php
csharp
java
从**说明**来看。上述代码块已完整保留原始 Python 示例，用于演示多轮对话中的 Message 流程。

**其他常见辅助消息类型**


FunctionMessag e : 用 于 工具 调 用 场 景，存 储 工具 调 用 结 果。

ToolMessag e : 与 FunctionMessag e 配 套，传递 工具 参数 与 結果。
.
.