别再傻傻拼接字符串了，掌握消息结构，让你的模型真正"懂事"!!!

聊聊背景

上篇文章我们搞定了 DeepSeek 的接入，能跑通了。但有个问题不知道你发现没有——那种直接把字符串怼给模型的方式，在实际项目中根本撑不住。

为啥？因为真实场景里，你得告诉模型"你是谁"，用户会连续提问，模型得记住上下文。

消息结构就是来解决这些问题的。今天不聊虚的，直接说三件事：

• SystemMessage 到底有多重要（很多人在这一步就翻车了）

• 多轮对话怎么让模型"记住"前面聊了什么

• 历史消息怎么管才不会把钱包烧穿

---

一、SystemMessage：被大多数人低估的"定海神针"

先说个我在项目中踩过的坑。

早期做客服机器人的时候，我直接在 HumanMessage 里写"你是个客服，你要耐心"。然后模型确实像客服了，但偶尔会蹦出一句"我是AI助手，不是真的客服"——直接穿帮。

问题出在哪？SystemMessage 和 HumanMessage 的优先级不一样。

SystemMessage 是开发者和模型之间的"内部约定"，在对话最开头下发，优先级最高。你在 HumanMessage 里临时交代身份，模型可能当你是"用户的要求"而不是"系统的指令"，选择性服从。

看段代码就明白了：

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content="""你是资深Java工程师，回答必须带代码示例，语气专业"""),
    HumanMessage(content="Spring Boot 3.0 有什么新特性？")
]

SystemMessage 里定的是人格和底线：

• 你是谁（角色身份）

• 你能做什么（能力边界）

• 输出长什么样（格式要求）

• 什么不能碰（禁止事项）

这个设定一旦定了，贯穿整场对话。如果模型不听话，先检查 SystemMessage 写没写对。

---

二、多轮对话：说白了就是"把历史塞回去"

很多新手问我：模型怎么记住前面说了啥？

答案很简单：每次都把完整的对话历史再发给它。

模型本身没有记忆，你每次调用它都是一次独立的计算。想让"记住"，就得把前面的 HumanMessage 和 AIMessage 都带上。

from langchain_core.messages import HumanMessage, AIMessage

# 第一轮
messages = [
    SystemMessage(content="你是健身教练"),
    HumanMessage(content="初学者怎么练胸肌？")
]
resp1 = model.invoke(messages)

# 第二轮 - 把第一轮的对话也带上
messages.append(AIMessage(content=resp1.content))
messages.append(HumanMessage(content="一周练几次合适？"))

resp2 = model.invoke(messages)  # 这时候模型知道你是"练胸肌的初学者"

看到没？消息列表一直在累积。第二轮调用时，模型"看到"了第一轮的所有内容。

这就是多轮对话的本质——不是什么黑科技，就是列表的追加和复用。

---

三、temperature：一条参数定生死

这个参数我得单独拎出来说，因为太多人乱调了。

temperature 控制的是随机性，取值范围 0-2：

数值	效果	什么时候用
0	每次回答一模一样	代码生成、数据提取、数学计算、订单查询
0.1-0.4	逻辑稳定，偶尔换词	客服、知识库问答、文档解析（90%场景就落在这）
0.5-0.8	有点创意了	文案、总结、日常聊天
≥1.0	放飞自我，开始瞎编	故事创作、诗歌、头脑风暴

线上项目的血泪教训：但凡涉及到查询、计算、提取，temperature 一律往 0 靠。

我之前见过有人用 temperature=0.8 做订单状态查询，结果模型编出来一个根本不存在的物流信息——用户直接投诉。从那以后我养成了习惯：所有涉及数据准确性的任务，temperature 闭眼给 0。

---

四、历史消息管理：别让你的对话上下文"撑死"

上面那个例子里，消息列表一直 append，看起来挺方便对吧？

但你想过没有，如果用户聊了 50 轮，就是 100 条消息。每次调用都把 100 条历史全传过去，后果是什么：

• 钱在烧：按 token 计费，历史越长越贵

• 速度变慢：传输加推理，时间线性增长

• 可能直接报错：超出模型上下文窗口限制（比如 DeepSeek 是 64K）

解决方案其实就一行代码——切片截断：

MAX_HISTORY = 6  # 只保留最近6条

history_messages = messages[-MAX_HISTORY:] if len(messages) > MAX_HISTORY else messages

6 条消息 ≈ 最近 3 轮对话（Human + AI 算一轮），够用了。

有个细节值得注意：SystemMessage 不要截掉。可以单独拿出来，和历史消息拼接：

system_msg = messages[0]  # 第一条通常是 System
history = messages[1:]    # 后面的才是对话记录

# 截断历史，但 System 保留
limited = [system_msg] + history[-MAX_HISTORY:]

---

五、下一章预告

今天聊的是最基础的消息管理。下一章会升级到 Prompt 模板工程化，重点讲：

• ChatPromptTemplate 怎么用（比手动拼接优雅十倍）

• MessagesPlaceholder 如何在模板里预留历史插槽

• 三个贴近业务的完整案例（商品文案、学习计划、客服回复）

到时候你会发现，原来 Prompt 可以像搭积木一样结构化地组织。

---

一句话总结

SystemMessage 管身份，HumanMessage 管提问，AIMessage 管回复，历史消息用切片管住长度，temperature 按场景锁死——这套组合拳打好了，你的模型就"懂事"了。

哪位小伙伴还有问题的话，评论区聊。