【Langchain学习笔记（三）】基于 DeepSeek 构建聊天机器人

基于 DeepSeek 构建聊天机器人

前言

本文主要介绍如何基于 DeepSeek 来创建一个聊天机器人。首先介绍 PromptTemplate 提示模版t，它作为设计对话流的基础，能够极大提升用户体验。接着，深入 DeepSeek 环境准备及模型创建过程，包括获取API、创建和配置 API Key、设置 base_url 以及选择合适的模型等步骤。基于 Langchain 框架，将介绍如何通过 MessagesPlaceholder 处理复杂的多轮对话，构建 Chain 保存对话历史，并了解 RunnableWithMessageHistory 对象的实现流式输出，并通过示例代码演示整个流程的实际运行效果。

备注：本系列文章基于B站课程： 马士兵-AI大模型全套教程（学习路线+LLM大语言模型+RAG实战+Langchain+ChatGLM-4+Transformer+DeepSeek） 学习整理得到。

1、使用 PromptTemplate 提示模板

Langchain 给我们提供了一个提示词模板 ChatPromptTemplate，它用来帮助我们去构建提示词。可以先简单的理解为 python 的字符串拼接的模板

定义提示模版：

from langchain_core.prompts import ChatPromptTemplate

prompt_template = ChatPromptTemplate.from_messages(
    [("system", '请将以下的内容翻译成{language}'), ("user", "{text}")]
)

完整使用代码及运行结果：

import os
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = "DEEPSEEK_API_KEY"
# 1、创建模型
model = ChatOpenAI(
    model='deepseek-chat',
    base_url="https://api.deepseek.com/v1"
)

# 2、定义提示模版
prompt_template = ChatPromptTemplate.from_messages(
    [("system", '请将以下的内容翻译成{language}'), ("user", "{text}")]
)
# 3、创建返回的数据解析器
parser = StrOutputParser()

# 4、创建链chain
chain = prompt_template | model | parser

# 5、直接使用chain进行调用
result = chain.invoke({"language": "English", "text": '我下午还有一节课，不能去打球了'})
print(result)

2、DeepSeek 环境准备及模型创建

2.1 获取 API

访问 DeepSeek 开放平台

2.2 创建 API Key

在左侧点击 API Keys，然后创建 API Key

2.3 配置 API KEY

os.environ["OPENAI_API_KEY"] = "your_key"

就是在上一步中创建的 Key

2.4 配置 base_url

model = ChatOpenAI(
    base_url="https://api.deepseek.com"
)

代理地址或中转地址，一律填写 "https://api.deepseek.com"
注意：出于与 OpenAi 兼容考虑，也可以将 base_url 设置为 "https://api.deepseek.com/v1"；也就是说上一个用不了再试试这个。

2.5 配置 model

model = ChatOpenAI(
    model='deepseek-reasoner',
    base_url="https://api.deepseek.com/v1"
)

deepseek-reasoner 是 DeepSeek 最新推出的推理模型 DeepSeek-R1。通过指定 model='deepseek-reasoner' ，即可调用 DeepSeek-R1。
注意：通过指定 model='deepseek-chat' ，即可调用 DeepSeek-V3。

3、Langchain 构建聊天机器人

这个聊天机器人能够进行对话并记住之前的互动
需要安装：pip install langchain_community

• Chat History：允许聊天机器人“记住”过去的互动，并在回应后续问题时考虑它们；
• 流式输出

3.1 引入 MessagesPlaceholder 来处理多轮对话

• MessagesPlaceholder：用于在 Prompt 中插入历史消息，支持多轮对话；
• 动态的系统消息可以通过 {} 进行参数化。

# 定义提示模版
prompt_template = ChatPromptTemplate.from_messages([
    ('system', '你是一个乐于助人的助手。用{language}尽你所能回答所有问题。'),
    MessagesPlaceholder(variable_name='my_msg')
])

3.2 构建 Chain 和保存对话历史

LangChain 提供了 RunnableWithMessageHistory 和 ChatMessageHistory 来支持多轮对话，并保存对话的历史记录。

• ChatMessageHistory：用于保存和管理对话历史；
• RunnableWithMessageHistory：将 Chain 和对话历史管理器结合，支持多轮对话。

store = {}  # 所有用户的聊天记录都保存到store。key:session_id,value:历史聊天记录

# 此函数预期将接受一个session_id，并返回与该session_id对应的聊天记录
def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

do_message = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key='my_msg'  # 每次聊天时候发送msg的key
)

3.3 调用 RunnableWithMessageHistory 对象的 invoke() 方法

• 每次调用 do_message.invoke() 时，都会根据当前会话的 sessionId 获取或创建对应的对话历史；
• HumanMessage：表示用户发送的消息，是对话的一部分。

config = {'configurable': {'session_id': 'ls1234'}}  # 给当前会话定义一个sessionId

# 第一轮对话
resp1 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='你好啊！ 我是孙悟空')],
        'language': '中文'
    },
    config=config
)
print(resp1.content)

# 第二轮对话
resp2 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='请问：我有其它的昵称吗')],
        'language': '中文'
    },
    config=config
)
print(resp2.content)

3.4 流式输出

LangChain 还支持流式响应，这对于处理长文本或实时交互非常有用；
调用 RunnableWithMessageHistory 对象的 stream() 方法，以流的形式返回响应，每次返回一个 token，适合实时显示响应内容。

# 第三轮对话 返回的数据是流式的
config = {'configurable': {'session_id': 'lishi987'}}  # 给当前会话定义一个sessionId
for resp in do_message.stream(
        {'my_msg': [HumanMessage(content='81难后，我该成仙还是成佛？ 或者入魔？')],
         'language': '中文'},
        config=config):
    # 每一次resp都是一个token
    print(resp.content, end='-')

3.5 示例代码及运行效果

from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
import os
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI

os.environ["OPENAI_API_KEY"] = "YOUR_API_KEY"
# 1、创建模型
model = ChatOpenAI(
    model='deepseek-chat',
    base_url="https://api.deepseek.com/v1"
)


# 2、 定义提示模版，引入MessagesPlaceholder来处理多轮对话
prompt_template = ChatPromptTemplate.from_messages([
    ('system', '你是一个乐于助人的助手。用{language}尽你所能回答所有问题。'),
    MessagesPlaceholder(variable_name='my_msg')
])

# 3、创建链chain
chain = prompt_template | model


# 4、定义函数保存和管理对话历史
store = {}  # 所有用户的聊天记录都保存到store。key:session_id,value:历史聊天记录

# 此函数预期将接受一个session_id，并返回与该session_id对应的聊天记录
def get_session_history(session_id: str):
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]
    
# 5、将Chain和对话历史管理器对象结合
do_message = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key='my_msg'  # 每次聊天时候发送msg的key
)

config = {'configurable': {'session_id': 'ls1234'}}  # 给当前会话定义一个sessionId

# 6、调用对话历史管理器对象的invoke()及stream()方法，进行对话
# 第一轮对话
resp1 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='你好啊！ 我是孙悟空')],
        'language': '中文'
    },
    config=config
)
print(resp1.content)

# 第二轮对话
resp2 = do_message.invoke(
    {
        'my_msg': [HumanMessage(content='请问：我有其它的昵称吗')],
        'language': '中文'
    },
    config=config
)
print(resp2.content)
# 第三轮对话 返回的数据是流式的
config = {'configurable': {'session_id': 'lishi987'}}  # 给当前会话定义一个sessionId
for resp in do_message.stream(
        {'my_msg': [HumanMessage(content='81难后，我该成仙还是成佛？ 或者入魔？')],
         'language': '中文'},
        config=config):
    # 每一次resp都是一个token
    print(resp.content, end='-')