【每天一个小笔记】02 LangChain的四大消息类型

原创已于 2025-12-17 11:03:10 修改 · 983 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#笔记 #langchain

于 2025-11-04 17:20:11 首次发布

LangChain 专栏收录该内容

5 篇文章

订阅专栏

LangChain的四大消息类型

LangChain的核心消息类型主要用于构建对话系统和链式交互，以下是其四大核心消息类型及其作用：

HumanMessage —— 用户消息
AIMessage —— AI 回复
SystemMessage —— 系统设定
FunctionMessage —— 函数调用结果

HumanMessage——用户的声音

代表用户输入的信息，通常用于模拟或接收用户的提问、指令或请求。例如：

from langchain.schema import HumanMessage
message = HumanMessage(content="请解释深度学习的基本概念。")

HumanMessage 的其他有用属性

在 LangChain 框架中，HumanMessage 类继承自 BaseMessage，提供了多个有用的属性用于处理消息内容。以下是几个关键属性：

content：存储消息的文本内容，类型为字符串。这是最常用的属性，用于传递用户输入的信息。
type：标识消息类型，对于 HumanMessage 固定为 "human"。可用于区分不同类型的消息（如系统消息、AI消息等）。
additional_kwargs：字典类型，存储与消息相关的额外参数。适用于需要附加元数据或自定义参数的场景。
example：布尔值，标记消息是否为示例消息（如 few-shot learning 中的示例）。默认为 False。
name：可选属性，指定消息来源的名称（如用户ID）。用于多角色对话中区分不同发送者。

使用场景示例：

from langchain.schema import HumanMessage

# 创建带附加参数的 HumanMessage
message = HumanMessage(
    content="你好",
    name="用户1",
    additional_kwargs={
        "user_id":"user_123",
        "timestamp": "2023-01-01"
        "priority":"high"
    }
)

# 访问属性
print(message.type)  # 输出: "human"
print(message.additional_kwargs)  # 输出: {"timestamp": "2023-01-01"}

addition_kwargs的常见额外属性

additional_kwargs 是自定义附加参数，无固定强制字段，核心根据使用场景（如消息系统、任务调度）灵活扩展。

通用 additional_kwargs 参数配置模板如下：

基础核心参数（必选）

user_id: str - 用户唯一标识（如 "user_123"），用于身份识别

timestamp: str - 时间戳（格式：YYYY-MM-DD HH:MM:SS），记录操作发生时间

priority: str - 优先级（可选值：high/medium/low），用于任务调度排序

身份与权限参数（可选）

role: str - 用户角色（如 "admin/operator/visitor"），控制权限范围

department: str - 所属部门（如 "技术部 / 产品部"），用于业务归属划分

permission_level: int - 权限等级（如 1-5 级），适配精细化权限控制

业务与任务属性参数（可选）

task_id: str - 关联任务 ID（如 "task_456"），用于任务追踪关联

message_type: str - 消息 / 请求类型（如 "text/code/query/task"），标识内容类型

timeout: int - 处理超时时间（单位：秒，如 30），设置任务最长处理时限

tags: list - 标签列表（如 ["python", "algorithm", "urgent"]），用于分类筛选

渠道与设备参数（可选）

channel: str - 来源渠道（如 "app/web/wechat/email"），记录请求入口

device_id: str - 设备唯一标识（如 "device_789"），适配多设备场景

os: str - 设备系统（如 "iOS/Android/Windows/MacOS"），用于适配兼容

回调与扩展参数（可选）

callback_url: str - 结果回调地址（如 "https://api.example.com/callback"），用于异步返回结果

ext_data: dict - 自定义扩展字段（如 {"project_id": "proj_001", "remark": "紧急需求"}），适配特殊业务场景

name 与 addition_kwargs 中的 user_id 的区别：

name 通常指代某个实体的名称或标识符，可能是用户、对象或系统的名称。它用于标识或区分不同实体，但具体含义取决于上下文。例如，在用户系统中，name 可能是用户的昵称或全名。

addition_kwargs 中的 user_id 是附加参数中的一个字段，专门用于存储用户的唯一标识符（ID）。user_id 通常是系统内部生成的唯一值（如数据库主键或 UUID），用于精确识别用户身份，尤其是在多系统交互或数据关联时。

关键差异点

用途不同
name 用于展示或一般性标识，可能允许重复（如多个用户同名）。
user_id 是唯一性标识符，用于精确匹配和数据处理。
可变性不同
name 可能允许用户修改（如昵称变更）。
user_id 通常不可变，确保数据一致性。
技术场景
name 常用于前端显示或用户交互。
user_id 用于后端逻辑、数据库关联或 API 调用。

典型示例

在用户系统中：

name: "张三"（用户可见的称呼）。
addition_kwargs.user_id: "U123456"（系统内部唯一标识）。

如果需要通过代码区分，可通过字段类型和用途判断：

user_data = {
    "name": "Alice",
    "addition_kwargs": {"user_id": "user_789"}
}

AIMessage——AI的回复

AIMessage 是 LangChain 中用于表示 AI 模型生成的文本消息的类，属于 LangChain 消息系统的一部分。它通常与 HumanMessage（用户输入）、SystemMessage（系统指令）等配合使用，构成多轮对话的上下文。例如：

from langchain.schema import AIMessage
response = AIMessage(content="深度学习是机器学习的分支，基于神经网络...")

AIMessage 的核心功能

存储 AI 响应：封装 AI 模型生成的文本内容。

支持元数据：可附加额外的元数据（如生成时间、模型名称等）。

结构化交互：与其他消息类型共同维护对话历史，支持链式调用（如 ConversationChain）。

基本用法示例

from langchain.schema import AIMessage

# 创建 AIMessage 实例
ai_message = AIMessage(content="这是 AI 生成的回复。")

# 访问内容
print(ai_message.content)  # 输出: "这是 AI 生成的回复。"

# 添加元数据
ai_message_with_meta = AIMessage(
    content="回复内容",
    metadata={"model": "gpt-4", "timestamp": "2023-01-01"}
)

与其他消息类型结合

AIMessage 通常与 HumanMessage 和 SystemMessage 一起使用，构建完整的对话流程：

from langchain.schema import HumanMessage, SystemMessage

messages = [
    SystemMessage(content="你是一个有帮助的助手。"),
    HumanMessage(content="你好！"),
    AIMessage(content="你好，有什么可以帮您的？")
]

在 Chains 中的应用

在对话链（如 ConversationChain）中，AIMessage 会自动处理并传递：

from langchain.chains import ConversationChain
from langchain.llms import OpenAI

chain = ConversationChain(llm=OpenAI())
response = chain.run(input="你好！")
# 内部会生成 AIMessage 并返回内容

注意事项

内容字段必填：创建时必须提供 content 参数。

不可变对象：消息实例一旦创建，内容不可直接修改，需新建实例。

序列化支持：可通过 dict() 或 json() 方法转换为字典或 JSON 格式。

通过 AIMessage，LangChain 能够以结构化方式管理 AI 生成的文本，适用于聊天机器人、多轮对话等场景。

SystemMessage——系统设定的规则

SystemMessage 是对话系统中用于设定 AI 助手行为或背景的指令消息，通常由开发者或管理员设置，不会被用户直接看到。它定义了 AI 的角色、回复风格或对话规则，如设置AI的行为规范或对话背景。例如：

from langchain.schema import SystemMessage
system_prompt = SystemMessage(content="你是一个专业的AI助手，回答需简洁准确。")

SystemMessage 的核心作用：

角色定义：明确 AI 的身份（如客服、导师、翻译等），确保回复符合场景需求。
行为约束：限制回复范围或风格（如避免主观意见、仅提供事实性答案）。
上下文引导：为多轮对话设置初始条件或背景信息，提升连贯性。

典型使用场景：

客服系统：通过 SystemMessage 设定 AI 为“在线客服”，要求回复礼貌且聚焦解决问题。
教育应用：定义 AI 为“数学辅导老师”，指示其分步骤解答习题。
内容生成：约束输出格式，如“用 Markdown 列表总结要点”。

注意事项：

优先级：SystemMessage 通常优先于用户输入，直接影响后续交互逻辑。

避免冲突：若同时设置多个 SystemMessage，仅最后一个生效。

测试验证：需通过实际对话测试调整指令，确保效果符合预期。

FunctionMessage——外部函数的回声

FunctionMessage 是 LangChain 中用于传递工具（函数）调用结果的消息类型，通常与 Tool 或 BaseTool 结合使用。当代理（Agent）调用外部工具后，工具返回的结果会封装为 FunctionMessage，并传递给模型进行后续处理。

核心功能

传递工具输出：将工具的执行结果（如 API 响应、计算值等）传递给模型。
结构化格式：包含工具名称（name）和输出内容（content），便于模型解析。
多轮交互支持：在链式调用中，FunctionMessage 可与其他消息类型（如 HumanMessage、AIMessage）组合，实现复杂对话流程。

使用方法

1. 创建 FunctionMessage
通过 FunctionMessage 类直接实例化，需指定工具名称和输出内容：

from langchain.schema.messages import FunctionMessage

message = FunctionMessage(
    name="weather_api",  # 工具名称
    content="{'temperature': 22, 'unit': 'Celsius'}"  # 工具返回结果
)

2. 在代理中使用
与 AgentExecutor 结合时，FunctionMessage 自动由工具生成并传递。例如：

from langchain.agents import AgentExecutor, load_tools

tools = load_tools(["serpapi"])
agent = initialize_agent(tools, llm, agent="chat-conversational")
agent.run("查询纽约的天气")  # 工具返回结果会自动转为 FunctionMessage

3. 手动处理消息序列
在自定义链中，可将 FunctionMessage 加入消息历史：

from langchain.schema import AIMessage, HumanMessage

messages = [
    HumanMessage(content="有什么推荐的旅游景点？"),
    AIMessage(content="建议查询当地天气。正在调用 weather_api..."),
    FunctionMessage(name="weather_api", content="{'sunny': true}"),
]
response = llm(messages)  # 模型根据消息历史生成回复

注意事项

工具名称一致性：name 需与实际工具名称匹配，否则模型可能无法识别。

内容格式化：content 可以是字符串或 JSON，需确保模型能解析其结构。

错误处理：若工具调用失败，可通过 content 传递错误信息（如 {"error": "API timeout"}）。

通过上面的四大消息类型，可以构建出一个完整的对话流程

from langchain_core.messages import HumanMessage,AIMessage,SystemMessage,FunctionMessage

human_msg = HumanMessage(
    content = "请问今天上海天气如何",
    name = "张三",
    additional_kwargs = {
        "user_id": "user-123",
        "timestamp": "2023-01-01",
        "priority":"high"
    }
)

sys_msg = SystemMessage(
    content = "你是一个天气助手，提供各地的天气情况"
)

import json
fun_msg = FunctionMessage(
    content = json.dumps(
        {
            "city":"上海",
            "weather":"多云转晴，气温22°C"
        }
    ),
    name = "get_weather"
) 

ai_msg = AIMessage(
    content = "今天上海是多云转晴，气温22°C，记得出门带件薄外套哦！"
)

conversation = [
    sys_msg,
    human_msg,
    fun_msg,
    ai_msg
]

print(conversation)

使用Message类型的主要优势包括：

明确的角色标识 —— 能够清晰区分消息来源：系统、用户、AI 或函数工具。
高效的上下文管理 —— 支持多轮对话的维护与追溯，帮助模型准确理解对话历史。
结构化工具调用 —— 原生支持函数调用（如 FunctionMessage），无需手动拼接和处理 JSON，提升开发效率与可靠性。
统一的接口规范 —— 模型返回的是结构化的 AIMessage，而非原始字符串，便于日志记录、存储和后续的流程集成与复用。