免费进群技术交流(微信:huice666)
LangChain Messages 详细学习文档，完整源码及资料可以公开课获取哦
目录
1. 概述
2. 核心概念
3. 消息类型详解
4. 消息内容格式
5. 多模态支持
6. 工具调用
7. 最佳实践
概述
什么是 Messages？
Messages（消息）是 LangChain 中与模型交互的基本单位。它们代表了模型的输入和输出，携带了表示对话状态所需的内容和元数据。
消息的核心组成
每个消息对象包含三个主要部分：
1. Role（角色） - 标识消息类型（如 system、user、assistant）
2. Content（内容） - 消息的实际内容（文本、图像、音频、文档等）
3. Metadata（元数据） - 可选字段，如响应信息、消息 ID、token 使用量等
为什么使用 Messages？
● 标准化：提供跨所有模型提供商的统一消息类型
● 一致性：确保无论调用哪个模型都有一致的行为
● 灵活性：支持文本、多模态内容、工具调用等多种场景
● 可追溯性：包含元数据用于调试和监控
核心概念
1. 基本使用方式
LangChain 支持三种方式传递消息给模型：
方式一：文本提示（Text Prompts）
response = model.invoke("介绍一下但问智能的大模型应用课程")
适用场景：
● 单次独立请求
● 不需要保留对话历史
● 希望代码简洁
方式二：消息对象列表（Message Prompts）
from langchain.messages import SystemMessage, HumanMessage, AIMessage
messages =[
SystemMessage("You are a poetry expert"),
HumanMessage("Write a haiku about spring"),
AIMessage("Cherry blossoms bloom...")
]
response = model.invoke(messages)
适用场景：
● 管理多轮对话
● 处理多模态内容（图像、音频、文件）
● 包含系统指令
方式三：字典格式（Dictionary Format）
messages =[
{"role":"system","content":"You are a poetry expert"},
{"role":"user","content":"Write a haiku about spring"},
{"role":"assistant","content":"Cherry blossoms bloom..."}
]
response = model.invoke(messages)
适用场景：
● 与 OpenAI API 格式兼容
● 简化数据序列化
消息类型详解
1. SystemMessage（系统消息）
作用： 设置模型的行为方式和上下文
基本用法：
from langchain.messages import SystemMessage
system_msg = SystemMessage("You are a helpful coding assistant.")
高级用法 - 详细角色设定：
system_msg = SystemMessage("""
You are a senior Python developer with expertise in web frameworks.
Always provide code examples and explain your reasoning.
Be concise but thorough in your explanations.
""")
关键点：
● 通常放在消息列表的第一位
● 用于设定模型的角色、语气和行为准则
● 不同提供商对系统消息的处理可能有差异
2. HumanMessage（用户消息）
作用： 代表用户输入和交互
文本内容
from langchain.messages import HumanMessage
human_msg = HumanMessage("What is machine learning?")
带元数据
human_msg = HumanMessage(
content="Hello!",
name="alice", # 可选：标识不同用户
id="msg_123", # 可选：用于追踪的唯一标识符
)
元数据字段说明：
● name: 用户标识符（某些提供商会使用，某些会忽略）
● id: 消息的唯一标识符，用于追踪和调试
3. AIMessage（AI 消息）
作用： 代表模型的输出
基本响应
response = model.invoke("Explain AI")
print(type(response)) # <class 'langchain.messages.AIMessage'>
手动创建 AIMessage
from langchain.messages import AIMessage
# 手动创建 AI 消息（例如用于对话历史）
ai_msg = AIMessage("I'd be happy to help you with that question!")
# 添加到对话历史
messages =[
SystemMessage("You are a helpful assistant"),
HumanMessage("Can you help me?"),
ai_msg,# 插入，就像它来自模型一样
HumanMessage("Great! What's 2+2?")
]
AIMessage 的重要属性
属性
|
类型
|
说明
|
text
|
string
|
消息的文本内容
|
content
|
string | dict[]
|
消息的原始内容
|
content_blocks
|
ContentBlock[]
|
标准化的内容块
|
tool_calls
|
dict[] | None
|
模型进行的工具调用
|
id
|
string
|
消息的唯一标识符
|
usage_metadata
|
dict | None
|
使用元数据（token 计数等）
|
response_metadata
|
ResponseMetadata | None
|
响应元数据
|
Token 使用统计
response = model.invoke("Hello!")
print(response.usage_metadata)
# 输出示例：
# {
# 'input_tokens': 8,
# 'output_tokens': 304,
# 'total_tokens': 312,
# 'input_token_details': {'audio': 0, 'cache_read': 0},
# 'output_token_details': {'audio': 0, 'reasoning': 256}
# }
流式响应和分块
chunks = []
full_message = None
for chunk in model.stream("Hi"):
chunks.append(chunk)
print(chunk.text)
full_message = chunk if full_message is None else full_message + chunk
4. ToolMessage（工具消息）
作用： 将工具执行结果传回模型
from langchain.messages import AIMessage, ToolMessage
# 模型进行工具调用后
ai_message = AIMessage(
content=[],
tool_calls=[{
"name":"get_weather",
"args":{"location":"San Francisco"},
"id":"call_123"
}]
)
# 执行工具并创建结果消息
weather_result ="Sunny, 72°F"
tool_message = ToolMessage(
content=weather_result,
tool_call_id="call_123",# 必须匹配调用 ID
name="get_weather"
)
# 继续对话
messages =[
HumanMessage("What's the weather in San Francisco?"),
ai_message,# 模型的工具调用
tool_message,# 工具执行结果
]
response = model.invoke(messages)
ToolMessage 属性
属性
|
类型
|
必需
|
说明
|
content
|
string
|
✓
|
工具调用的字符串化输出
|
tool_call_id
|
string
|
✓
|
对应的工具调用 ID
|
name
|
string
|
✓
|
被调用的工具名称
|
artifact
|
dict
|
✗
|
额外数据，不发送给模型但可编程访问
|
artifact 字段的使用
artifact 字段存储补充数据，这些数据不会发送给模型，但可以在程序中访问：
# 检索工具示例
message_content = "It was the best of times, it was the worst of times."
artifact = {"document_id": "doc_123", "page": 0}
tool_message = ToolMessage(
content=message_content, # 发送给模型
tool_call_id="call_123",
name="search_books",
artifact=artifact, # 仅供应用程序使用
)
消息内容格式
Content 属性
消息的 content 属性是发送给模型的数据负载，支持：
1. 字符串
2. 提供商原生格式的对象列表
3. LangChain 标准内容块列表
多模态输入示例
from langchain.messages import HumanMessage
# 字符串内容
human_message = HumanMessage("Hello, how are you?")
# 提供商原生格式（如 OpenAI）
human_message = HumanMessage(content=[
{"type":"text","text":"Hello, how are you?"},
{"type":"image_url","image_url":{"url":"https://example.com/image.jpg"}}
])
# 标准内容块
human_message = HumanMessage(content_blocks=[
{"type":"text","text":"Hello, how are you?"},
{"type":"image","url":"https://example.com/image.jpg"},
])
多模态支持
LangChain 支持多种数据形式：文本、音频、图像、视频。
1. 图像输入
# 从 URL
message = {
"role": "user",
"content": [
{"type": "text", "text": "Describe the content of this image."},
{"type": "image", "url": "https://example.com/path/to/image.jpg"},
]
}
# 从 base64 数据
message = {
"role": "user",
"content": [
{"type": "text", "text": "Describe the content of this image."},
{
"type": "image",
"base64": "AAAAIGZ0eXBtcDQyAAAAAGlzb21tcDQyAAACAGlzb2...",
"mime_type": "image/jpeg",
},
]
}
# 从提供商管理的文件 ID
message = {
"role": "user",
"content": [
{"type": "text", "text": "Describe the content of this image."},
{"type": "image", "file_id": "file-abc123"},
]
}
2. PDF 文档输入
message = {
"role": "user",
"content": [
{"type": "text", "text": "Summarize this document."},
{
"type": "file",
"url": "https://example.com/document.pdf",
"mime_type": "application/pdf",
},
]
}
3. 音频输入
message = {
"role": "user",
"content": [
{"type": "text", "text": "Transcribe this audio."},
{
"type": "audio",
"base64": "UklGRiQAAABXQVZFZm10...",
"mime_type": "audio/wav",
},
]
}
4. 视频输入
message = {
"role": "user",
"content": [
{"type": "text", "text": "What happens in this video?"},
{
"type": "video",
"url": "https://example.com/video.mp4",
"mime_type": "video/mp4",
},
]
}
工具调用
工具调用流程
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")
def get_weather(location: str) -> str:
"""Get the weather at a location."""
...
model_with_tools = model.bind_tools([get_weather])
response = model_with_tools.invoke("What's the weather in Paris?")
# 检查工具调用
for tool_call in response.tool_calls:
print(f"Tool: {tool_call['name']}")
print(f"Args: {tool_call['args']}")
print(f"ID: {tool_call['id']}")
最佳实践
1. 选择合适的消息格式
● 简单任务：使用文本提示
● 对话系统：使用消息对象列表
● 多模态应用：使用内容块
2. 管理对话历史
# 保持对话上下文
conversation_history = [
SystemMessage("You are a helpful assistant"),
]
# 添加用户消息
conversation_history.append(HumanMessage("Hello"))
# 获取响应
response = model.invoke(conversation_history)
# 添加 AI 响应到历史
conversation_history.append(response)
3. 监控 Token 使用
response = model.invoke(messages)
if response.usage_metadata:
print(f"Input tokens: {response.usage_metadata['input_tokens']}")
print(f"Output tokens: {response.usage_metadata['output_tokens']}")
print(f"Total tokens: {response.usage_metadata['total_tokens']}")
4. 错误处理
try:
response = model.invoke(messages)
ifhasattr(response,'invalid_tool_calls'):
for invalid_call in response.invalid_tool_calls:
print(f"Invalid tool call: {invalid_call['name']}")
print(f"Error: {invalid_call['error']}")
except Exception as e:
print(f"Error invoking model: {e}")
总结
LangChain Messages 提供了一个强大而灵活的框架来处理与 LLM 的交互：
● 统一接口：跨不同模型提供商的一致 API
● 丰富功能：支持文本、多模态、工具调用等
● 可扩展性：易于集成到复杂的应用程序中
● 可观测性：内置元数据和使用统计
通过理解和正确使用这些消息类型，你可以构建更强大、更可靠的 AI 应用程序。
