langchain messages

最新推荐文章于 2025-09-06 22:30:47 发布

原创

最新推荐文章于 2025-09-06 22:30:47 发布 · 1.8k 阅读

26 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #人工智能

Messages对象可以用在提示词和聊天信息中。目前主要有Message和MessageChunk两种类型，这里仅以Message类为主进行介绍。Message类主要有以下几种：

AIMessage: 大模型返回的信息，类似于OpenAI模型中assistant类型的消息。
ChatMessage: ChatMessage有一个role字段，用于标识消息发送者的角色或类型。
FunctionMessage/ToolMessage:向LLM返回函数或工具得到的信息。FunctionMessage是ToolMessage的旧版本。
SystemMessage: 系统角色信息，类似于OpenAI模型中system类型的消息。
HumanMessage：用户角色的信息，类似于OpenAI模型中user类型的消息。

SystemMessage

SystemMessage 是 LangChain 中用于定义系统消息的一个类，主要用于预设或引导 AI 模型的行为。这类消息通常作为一系列输入消息中的第一个传递，以设定对话的上下文或指导 AI 的响应方式。

主要功能

预设 AI 行为：通过系统消息，可以指定 AI 的角色、名称或行为规范，从而影响后续的对话内容。
设置对话上下文：系统消息为整个对话提供初始的背景信息，有助于 AI 更好地理解和响应用户的请求。

使用示例

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(
        content="You are a helpful assistant! Your name is Bob."
    ),
    HumanMessage(
        content="What is your name?"
    )
]

# 定义一个聊天模型并使用这些消息进行调用
print(model.invoke(messages))

在这个示例中，SystemMessage 被用来设定 AI 的名称为 Bob，并指明它是一个乐于助人的助手。当用户问到“你的名字是什么？”时，AI 会根据系统消息中的设定进行回应。

参数说明

content (str 或 List[Union[str, Dict]], 必需): 消息的主要内容，可以是字符串或字符串和字典的列表。
id (Optional[str]): 消息的唯一标识符，通常由生成消息的提供者或模型提供。
name (Optional[str]): 消息的名称，用于提供一个易于阅读的标识。
response_metadata (dict, 可选): 响应的元数据，例如响应头、日志概率、token 计数等。
type (Literal['system'], 默认值为 'system'): 消息的类型，用于序列化时区分不同类型的消息。

方法

pretty_print(): 无返回值，用于以可读的格式打印消息内容。
pretty_repr(html: bool = False) → str: 返回消息的可读性高的字符串表示。如果 html 为 True，则返回包含 HTML 标签的格式化字符串。

使用场景

SystemMessage 常用于以下场景：

角色设定：定义 AI 在对话中的角色，例如助手、导师、客服代表等。
行为规范：指引 AI 在回答问题时遵循特定的风格或规则。
上下文初始化：提供初始的背景信息，使 AI 更好地理解后续的用户输入。

注意事项

顺序重要：SystemMessage 通常应作为消息序列中的第一个消息传递，以确保其对整个对话的指导作用。
内容设计：编写系统消息时，应明确、简洁地描述 AI 的角色和期望行为，以避免歧义。

通过合理使用 SystemMessage，可以显著提升 AI 对话的质量和一致性，使其更好地满足用户的需求。

HumanMessage

HumanMessage 是 LangChain 中用于定义来自人类用户的消息的一个类。它代表用户发送给 AI 模型的输入，是对话交互中的关键组成部分。通过 HumanMessage，用户可以向模型提出问题、发出指令或进行任何形式的交流，模型则基于这些消息生成相应的响应。

主要功能

用户输入传递：HumanMessage 用于传递来自用户的实际输入，是驱动对话进行的核心。
对话上下文构建：结合其他类型的消息（如 SystemMessage），HumanMessage 有助于构建完整的对话上下文，使模型能够更准确地理解用户意图。
消息标识与元数据：支持为每条消息分配唯一标识符和附加元数据，便于管理和追踪对话流程。

使用示例

以下示例展示了如何使用 HumanMessage 与 SystemMessage 共同构建对话，并调用聊天模型生成响应：

from langchain_core.messages import HumanMessage, SystemMessage

messages = [
    SystemMessage(
        content="You are a helpful assistant! Your name is Bob."
    ),
    HumanMessage(
        content="What is your name?"
    )
]

# 实例化一个聊天模型并使用这些消息进行调用
model = ...  # 替换为具体的模型实例
print(model.invoke(messages))

在这个示例中，HumanMessage 用于传递用户的问题“你的名字是什么？”，而 SystemMessage 则为模型设定了初始的角色和名称。当模型接收到这些消息时，会根据系统消息中的指引进行响应。

参数说明

content (str 或 List[Union[str, Dict]], 必需)：消息的主要内容，可以是单一字符串或字符串与字典的列表，用于描述更复杂的消息结构。
example (bool, 可选，默认值为 False)：用于标记消息是否为示例对话的一部分。目前大多数模型忽略此参数，建议避免使用。
id (str | None, 可选)：消息的唯一标识符，通常由生成消息的提供者或模型提供，以便于消息的追踪和管理。
name (str | None, 可选)：消息的名称，用于提供一个易于阅读和识别的标识。此字段的使用取决于模型的实现。
response_metadata (dict, 可选)：响应的元数据，例如响应头、日志概率（logprobs）、token 计数等，用于记录与消息相关的额外信息。
type (Literal['human'], 默认值为 'human')：消息的类型，用于序列化时区分不同类型的消息。

方法

pretty_print(): 无返回值，用于以可读的格式打印消息内容，便于调试和查看。
pretty_repr(html: bool = False) → str: 返回消息的可读性高的字符串表示。如果 html 为 True，则返回包含 HTML 标签的格式化字符串，适用于需要在网页或富文本环境中展示的场景。