理解langchain官方文档- 带历史消息的对话 - Annotated，Sequence，add_messages

最新推荐文章于 2025-07-03 20:46:42 发布

原创最新推荐文章于 2025-07-03 20:46:42 发布 · 569 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #java #前端

Annotated，Sequence，add_messages

from typing import Sequence

from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages
from typing_extensions import Annotated, TypedDict


class State(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    language: str


workflow = StateGraph(state_schema=State)


def call_model(state: State):
    prompt = prompt_template.invoke(state)
    response = model.invoke(prompt)
    return {"messages": [response]}


workflow.add_edge(START, "model")
workflow.add_node("model", call_model)

memory = MemorySaver()
app = workflow.compile(checkpointer=memory)

Annotated

Python 中注解是一种为函数、类、变量等添加元数据(meta)的语法机制，是一种实用的工具，它可以提高代码的质量和可维护性。注解不会直接影响代码的运行逻辑，不会对类型进行强制约束，但可以被工具（如 IDE、静态类型检查器、文档生成器等）利用。

最常见的注解：冒号后跟数据类型提示(变量注解，函数参数注解，返回值注解)

a: int = 10
name: str = "Alice"

def add(x: int, y: int) -> int:
    return x + y


# Python 不会强制执行类型检查，一般情况下有注解和无注解效果一样的。

高级注解 Annotated

Annotated 允许你在类型提示中添加任意的元数据，这些元数据可以是任何 Python 对象，包括函数、类、字符串等。


param: Annotated[int, "This is a description"] = 10


messages: Annotated[list[BaseMessage], add_messages]


def metadata_func(x):
    return f"Metadata for {x}"

x: Annotated[int, metadata_func] = 42

比较容易理解的使用场景：FastAPI 中检查数据是否符合约束。类似的场景还有mypy、pydantic

from fastapi import FastAPI, Query
from typing import Annotated

app = FastAPI()

@app.get("/items/")
async def read_items(
    q: Annotated[str, Query(description="Query string", min_length=3, max_length=50)] = "default"
):
    return {"q": q}


# 这里面的 Query 函数就在发挥多维度校验的作用了

fastapi.Query这个函数用于数据验证，而函数langgraph.graph.message.add_messages 这个函数则用于数据更新。

另外，如果不想深入去了解其机制，那么换一种写法就很好理解了（以下这两段是完全等效的）：

from typing import Sequence
from langchain_core.messages import BaseMessage
from langgraph.graph.message import add_messages
from typing_extensions import Annotated, TypedDict

class State(TypedDict):
    messages: Annotated[Sequence[BaseMessage], add_messages]
    language: str

等效于：

from langgraph.graph import MessagesState

class State(MessagesState):
    language: str

 
# 去查看 MessagesState 的源代码就知道了，MessagesState 也是继自 TypedDict， 其内部只有一个成员：messages: Annotated[Sequence[BaseMessage], add_messages]

函数add_messages的内部逻辑：add_messages 会检查新消息列表中的每个消息，如果其 ID 与现有消息列表中的某个消息相同，则替换旧消息（同时也实现了去重）；否则，将新消息追加到列表中。

既然add_messages已经实现将新消息追加到列表中，为什么还需要MemorySaver介入呢？--> 因为他们分工不同，二者结合，才能实现一个真正能记住历史的聊天机器人！