LangChain、Models 与 Messages

5.1 基本定义

LangChain 是一个用于构建大模型应用的开发框架。

它不是 RAG 专用框架。除了 RAG，还可以用于对话应用、Agent 等大模型应用。

“框架”可以暂时理解成：

一套组织组件、规定组件如何协作并组合工作流的方式。

5.2 LangChain 在 RAG 中的位置

                    RAG 应用
                       │
                  LangChain
                 组织 / 连接
                       │
      ┌────────────────┼────────────────┐
      ↓                ↓                ↓
 Embedding Model   Vector Store    LLM / Chat Model
   文本转向量       存储与检索        生成答案

LangChain 更像“项目经理 + 连接器”。真正完成计算的是外部组件：

• Embedding Model 负责把文本变成向量；
• 向量数据库负责存储和检索向量；
• LLM 或 Chat Model 负责理解上下文并生成答案；
• LangChain 负责调用、组织和串联这些能力。

5.3 三个必须排除的误解

LangChain 不是大模型
LangChain 不是向量数据库
LangChain 也不等于 RAG

---

六、Models 基础

LangChain 自己不会生成答案，它需要通过 Models 接口与真正的模型交互。

Python 程序
    ↓
LangChain 的模型接口
    ↓
OpenAI / DeepSeek / Qwen / 其他模型服务
    ↓
返回模型结果

今天需要区分三类模型。

6.1 LLM

这里把 LLM 接口理解为偏“文本输入、文本输出”的模型调用方式：

输入：一段字符串 Prompt
输出：模型生成的文本

示意代码：

response = llm.invoke("请用一句话解释 RAG。")

6.2 Chat Model

Chat Model 以“消息列表”为核心输入，消息带有不同角色，更适合聊天和多轮对话：

输入：System / Human / AI 等消息组成的列表
输出：通常是 AIMessage

示意代码：

response = chat_model.invoke(messages)
print(response.content)

初学代码中，模型对象有时仍被命名为 llm，例如 llm = ChatOpenAI(...)。变量名不改变它实际属于 Chat Model 接口这一事实；要根据所创建的类和输入输出方式判断。

6.3 Embedding Model

Embedding Model 不负责回答问题，而是把文本转换成向量：

输入："怎么申请年假？"
输出：[0.142, -0.372, 0.821, ...]

这些向量用于语义相似度计算和检索。

6.4 三者对比

类型 主要输入 主要输出 在 RAG 中的作用

---

LLM 字符串 Prompt 生成文本 根据 Prompt 生成答案 Chat Model 带角色的消息列表 AI 消息 理解对话上下文并生成回答 Embedding Model 文本 数值向量 向量化文档和问题，支持语义检索

---

七、Messages 与多轮对话

Chat Model 常见的三种消息类型如下。

7.1 SystemMessage

用于设定模型的身份、总体规则和行为边界。

from langchain_core.messages import SystemMessage

SystemMessage(content="你是一名耐心的 Python 老师。")

7.2 HumanMessage

表示用户说的话。

from langchain_core.messages import HumanMessage

HumanMessage(content="请解释什么是变量。")

7.3 AIMessage

表示 AI 之前的回答，也通常是 Chat Model 返回的消息对象类型。

from langchain_core.messages import AIMessage

AIMessage(content="变量可以理解成保存数据的名字。")

7.4 多轮对话的消息结构

from langchain_core.messages import (
    SystemMessage,
    HumanMessage,
    AIMessage,
)

messages = [
    SystemMessage(content="你是一名耐心的 Python 老师。"),
    HumanMessage(content="什么是变量？"),
    AIMessage(content="变量是程序中用于保存或引用数据的名称。"),
    HumanMessage(content="请再举一个简单例子。"),
]

response = chat_model.invoke(messages)
print(response.content)

消息历史应保留原来的角色顺序：

System：规则和身份
Human：用户第一轮问题
AI：模型第一轮回答
Human：用户第二轮问题
……

7.5 关键易错点：历史消息不是全部变成 SystemMessage

错误理解：

为了让模型知道历史，把以前所有内容都包装成 SystemMessage。

正确理解：

历史对话中的用户内容仍是 HumanMessage，AI 回答仍是 AIMessage；SystemMessage 主要承载系统级规则和身份设定。

角色本身就是对话上下文的一部分。全部改成 SystemMessage 会丢失真实的说话者结构，还会不恰当地提高普通历史内容的指令层级。

---

八、invoke() 的通用含义

不要把 invoke() 死记成“调用大模型”。更通用、更准确的理解是：

给当前组件一份输入，执行该组件一次，并得到输出。

不同调用对象有不同含义：

prompt.invoke(data)       # 执行 PromptTemplate：填充变量
llm.invoke(prompt_value)  # 执行模型：生成结果
chain.invoke(data)        # 执行整条 Chain：数据依次流经各组件

统一抽象：

输入 → 当前组件.invoke(...) → 输出

这也是为什么理解组件和数据流，比死背某一行代码更重要。

---