博文视点Broadview
以下文章来源于网工手艺 ，作者朱嘉盛
网工手艺 .
网工15年|新手友好|乐于分享|敬畏网络|专注运维|守正创新

今天详细演示在LangChain 框架中，用于与 DeepSeek 大模型实现交互的SystemMessage/HumanMessage类。
本文设计了几个小实验，你可以跟着一步步操作。本文实验内容源自《网络工程师 的AI 之路》一书中的示例代码并加以拓展。

一、实验背景

1.1 PromptTemplate

PromptTemplate 是 LangChain 中用于生成动态提示词（Prompt）的工具。它的核心思想是，将提示词设计为模板，然后通过变量填充来生成最终发送给 LLM 的提示内容。
类型：类（PromptTemplate）
作用：生成动态提示词（Prompt），通过模板和变量生成最终文本。
输出：字符串
示例：早前文章介绍

1.2 SystemMessage/HumanMessage类

在 LangChain 的聊天模型（Chat Models）框架下，消息不仅包含文本，还会包含角色（role）信息。
类型：类（SystemMessage、HumanMessage）
作用：封装聊天消息，带角色信息（system、user、assistant），用于多轮对话。
输出：消息对象（含 content 和 role）
示例：本文重点介绍
无论是 PromptTemplate，还是 SystemMessage/HumanMessage，它们都是 LangChain 框架中与 AI 大模型进行交互的重要方式，值得我们重点掌握。它们都属于“提示设计”工具，核心作用是告诉大模型“该怎么做”。其中，PromptTemplate 更偏向生成内容模板，SystemMessage/HumanMessage 更偏向组织对话结构。以下是 AI 生成的对比表格。

二、实验过程

话不多说，我们直接开始实验。考虑到很多读者反馈在国内无法使用 ChatGPT，本次实验将改用 DeepSeek。DeepSeek 提供在线版本和离线版本，这种特性更适合网络运维场景中涉及的信息安全需求。
在实验开始前，我们需要登录 DeepSeek 官网完成充值，并获取 API 密钥。
https://platform.deepseek.com/

现在假设你已获取 API Key，该密钥用于计费，请注意保密，避免外泄。
充值、API Key 制作、离线本地部署等，可参考：DeepSeek

2.1 沿用 langchain_openai 库

书中 2.3.6 小节的实验 2，使用了 LangChain 框架中的 langchain_openai 库来调用 GPT 大模型。

我们如何沿用这套方法来调用 DeepSeek 大模型呢？
我们都知道，OpenAI 是 AI 大模型领域的老大哥，市面上其他大模型通常会尽量适配 OpenAI 的相关工具，DeepSeek 同样如此，其官方使用手册中已有明确说明。
https://api-docs.deepseek.com/zh-cn/

找到官网文档中的相关信息后，我们就能明确接下来的思路了。

• 出于与 OpenAI 兼容考虑，您也可以将base_url设置为https://api.deepseek.com/v1来使用，但注意，此处v1与模型版本无关。
  接下来，我们只需‘照猫画虎’即可。
  from langchain.schema import HumanMessage, SystemMessage
  from langchain_openai.chat_models import ChatOpenAI

设置 DeepSeek API Key

openai_api_key = “在此处填写个人的 DeepSeek API key。”

设置 HumanMessage 和 SystemMessage

messages = [
SystemMessage(content=”你是一名咨询助理。”),
HumanMessage(content=”请写一段关于华为的简介。”)
]

使用 DeepSeek 的模型

llm = ChatOpenAI(
model=”deepseek-chat”,
temperature=0,
openai_api_key=openai_api_key,
base_url=”https://api.deepseek.com/v1“
)

将 Prompt 发送给 DeepSeek，获取并打印回答

response = llm.invoke(messages)
print(response.content)
我们尝试运行一下脚本，结果如下。

关于具体模型，DeepSeek 在手册中也有明确说明。

• deepseek-chat 和 deepseek-reasoner 都已经升级为 DeepSeek-V3.1。deepseek-chat 对应 DeepSeek-V3.1 的非思考模式，deepseek-reasoner 对应 DeepSeek-V3.1 的思考模式.
  关于代码解释的相关内容，你可以自行查阅书中的讲解，也可以通过 AI 聊天工具进行探索。
  【发布】《网络工程师的 AI 之路》勘误及优化全纪录

  2.2 使用 langchain_deepseek 库

  我们可以探索 LangChain 官网，直接搜索DeepSeek关键字，很快就能找到 langchain_deepseek 库。
  https://python.langchain.com/docs/integrations/providers/deepseek/
  模块 langchain_deepseek 由 LangChain 社群开发，是用于在 LangChain 框架中便捷调用 DeepSeek 模型 API 的插件。
  
  我们需要先安装一下这个 langchain_deepseek 库。
  pip install -i https://pypi.tuna.tsinghua.edu.cn/simple langchain_deepseek -U
  安装完后，我们可以查一下这个库。
  C:\Windows\System32>pip show langchain_deepseek
  Name: langchain-deepseek
  Version: 0.1.4
  Summary: An integration package connecting DeepSeek and LangChain
  Home-page:
  Author:
  Author-email:
  License: MIT
  Location: C:\Program Files\Python312\Lib\site-packages
  Requires: langchain-core, langchain-openai
  Required-by:

C:\Windows\System32>
由此可见，langchain-deepseek 仍依赖于 langchain-openai。
接着，我们修改一下实验代码。
from langchain.schema import HumanMessage, SystemMessage
from langchain_deepseek.chat_models import ChatDeepSeek

直接在代码中设置 API Key

deepseek_api_key = “在此处填写个人的 DeepSeek API key。”

设置消息

messages = [
SystemMessage(content=”你是一名咨询助理。”),
HumanMessage(content=”请写一段关于华为的简介。”)
]

使用 DeepSeek 的模型

llm = ChatDeepSeek(
model=”deepseek-reasoner”,
temperature=0,
api_key=deepseek_api_key
)

获取并打印回答

response = llm.invoke(messages)
print(response.content)
我们尝试运行一下脚本，结果如下。

成功运行，代码虽然有点不同，算殊途同归吧。

2.3 使用 langchain 库

我们再到 LangChain 官网看看。
https://python.langchain.com/docs/introduction/

从官网上看，如今 LangChain 官方已经主动适配 DeepSeek 了。官方提供的示例代码，我结合实验，再简化一下。
from langchain.schema import SystemMessage, HumanMessage
from langchain.chat_models import init_chat_model

api_key = “在此处填写个人的 DeepSeek API key。”

model = init_chat_model(“deepseek-chat”, model_provider=”deepseek”,api_key=api_key)

messages = [
SystemMessage(content=”你是一名咨询助理。”),
HumanMessage(content=”请写一段关于华为的简介。”)
]

response = model.invoke(messages)
print(response.content)
顺带着提一句，langchain 本身只是核心框架，具体模型相关的接口（比如 init_chat_model）放在 langchain-community 包里，所以这里还要提前安装 langchain-community 库。实际上，我们在安装 LangChain 框架的时候就都一并安装了。
我们尝试运行一下脚本，结果如下。

现在，我们可以再次查看官方代码中的os.environ[“DEEPSEEK_API_KEY”]等代码，这实际上是通过系统环境变量配合 Python 的 os 模块，在代码中隐藏敏感的个人 API Key 信息。这种思路值得参考，请你自行尝试一下。
至此，我们已通过不同方式完成 LangChain 框架与 DeepSeek 大模型的联动。建议你在实验时，对比这些代码的异同之处。

2.4 组合使用

我们可以对实验脚本做进一步拓展，将 PromptTemplate 与 SystemMessage、HumanMessage 组合使用。
from langchain.prompts import PromptTemplate
from langchain.schema import SystemMessage, HumanMessage
from langchain_deepseek.chat_models import ChatDeepSeek

deepseek_api_key = “在此处填写个人的 DeepSeek API key。”

template = “请写一段关于{topic}的简介。”
prompt = PromptTemplate(input_variables=[“topic”], template=template)

messages = [
SystemMessage(content=”你是一名咨询助理。”),
HumanMessage(content=prompt.format(topic=”华为”))
]

llm = ChatDeepSeek(
model=”deepseek-chat”,
temperature=0,
api_key=deepseek_api_key
)

response = llm.invoke(messages)
print(response.content)
从代码层面看，我们可以将 PromptTemplate 输出的文本作为 HumanMessage 或 SystemMessage 的内容。
我们尝试运行一下脚本，结果如下。

三、本文总结

在本文中，我们首先介绍了 LangChain 框架中实现人与 AI 大模型（代码层面）互动的两种重要方式，即PromptTemplate 与 SystemMessage、HumanMessage，讨论了它们的特点及相互联系与差异。接着，通过 3 个具体实验，重点讲解了如何通过 LangChain 调用 DeepSeek 大模型，并借助 SystemMessage、HumanMessage 实现联动。最后，在原有实验基础上微调代码，将 PromptTemplate 与 SystemMessage、HumanMessage 组合应用。
在从 NetDevOps 向 AIOps 探索的过程中，我们需要重点掌握代码与 AI 大模型的联动方法，以及不同大模型之间的迁移使用技巧。我个人比较建议大家先扎实掌握这部分内容，再推进后续学习。
如今，AI 确实能帮我们快速生成代码，但如何引导 AI 产出符合需求的代码，如何在 AI 生成的代码基础上进行针对性调整以适配实际应用场景，这些都非常考验基本功。若基础足够扎实，AI 为你插上翅膀，助你翱翔。