LangChain4j-ChatMessage的种类以及作用

在 LangChain4j 框架中，不同类型的消息（Message）用于构建多角色对话上下文，每种消息类型有特定的作用和结构。以下是详细解析：

1. 核心消息类型对比

消息类型	发送者	典型用途	数据结构示例（JSON）
`UserMessage`	真实用户	用户提问/指令	`{"role": "user", "content": "你好"}`
`AiMessage`	AI模型	AI生成的回复	`{"role": "assistant", "content": "你好！"}`
`SystemMessage`	系统	设定AI行为/角色	`{"role": "system", "content": "你是一名医生"}`
`ToolExecutionResultMessage`	工具执行器	返回工具调用结果	`{"role": "tool", "name": "get_weather", "content": "22°C"}`
`CustomMessage`	开发者	扩展自定义逻辑	`{"role": "custom", "metadata": {"priority": "high"}}`

2. 详细作用解析

(1) UserMessage - 用户输入

java 复制代码

// 创建用户消息
UserMessage message = UserMessage.from("今天的天气怎么样？");

// 包含元数据（如用户ID）
UserMessage messageWithMeta = UserMessage.from(
    "推荐一部电影", 
    Metadata.of("user_id", "123")
);

作用：代表终端用户的文本输入
底层协议 ：对应OpenAI API中的 {"role": "user"}

(2) AiMessage - AI响应

java 复制代码

// 普通AI回复
AiMessage response = AiMessage.from("今天晴天，气温22°C");

// 包含工具调用请求
AiMessage toolCallMessage = AiMessage.from(
    ToolExecutionRequest.builder()
        .name("get_weather")
        .arguments("{\"city\":\"北京\"}")
        .build()
);

特殊能力 ：
- 可携带 ToolExecutionRequest 请求调用外部工具
- 支持流式响应的中间结果（onNext 回调）

(3) SystemMessage - 系统指令

java 复制代码

SystemMessage systemMsg = SystemMessage.from("""
    你是一名资深影评人，回答需包含：
    1. 电影评分（IMDb/Rotten Tomatoes）
    2. 50字以内短评
    3. 类似推荐
    """);

核心价值 ：
- 设定AI的角色和回答风格
- 通常放在对话历史最前面

(4) ToolExecutionResultMessage - 工具结果

java 复制代码

ToolExecutionResultMessage resultMsg = ToolExecutionResultMessage.from(
    toolRequest,  // 对应的ToolExecutionRequest
    "22°C"        // 工具执行结果
);

工作流程 ：

graph LR A[UserMessage] --> B[AI生成ToolExecutionRequest] B --> C[执行外部工具] C --> D[返回ToolExecutionResultMessage] D --> E[AI生成最终回复]

(5) CustomMessage - 自定义扩展

java 复制代码

CustomMessage customMsg = CustomMessage.from(
    "session_event",
    Metadata.of("type", "user_session_start")
);

应用场景 ：
- 记录对话生命周期事件（如会话开始/结束）
- 注入非文本数据（如用户行为日志）

3. 完整对话流程示例

java 复制代码

List<Message> messages = new ArrayList<>();

// 1. 设定系统角色
messages.add(SystemMessage.from("你是一名天气预报员"));

// 2. 用户提问
messages.add(UserMessage.from("北京明天天气如何？"));

// 3. AI要求调用工具
messages.add(AiMessage.from(
    ToolExecutionRequest.builder()
        .name("get_weather")
        .arguments("{\"city\":\"北京\",\"date\":\"tomorrow\"}")
        .build()
));

// 4. 返回工具结果
messages.add(ToolExecutionResultMessage.from(
    toolRequest, 
    "{\"temp\":\"18°C\",\"condition\":\"多云\"}"
));

// 5. AI生成最终回复
messages.add(AiMessage.from("北京明天多云，气温18°C"));

4. 消息类型转换

转换场景	方法
Message → JSON	`Json.toJson(message)`
JSON → Message	`Message.from(jsonString)`
提取工具请求	`aiMessage.toolExecutionRequest()`

5. 设计最佳实践

对话历史管理：

java 复制代码

// 限制上下文长度（防止token超限）
List<Message> trimmedHistory = TokenTrimmer.trim(messages, 2000);

工具调用模式：

java 复制代码

if (aiMessage.hasToolExecutionRequest()) {
    ToolExecutionRequest request = aiMessage.toolExecutionRequest();
    String result = toolExecutor.execute(request);
    return ToolExecutionResultMessage.from(request, result);
}

系统消息优化：

java 复制代码

SystemMessage.builder()
    .content("你是一名金融顾问")
    .metadata("strict_mode", "true") // 可扩展元数据
    .build();

6. 常见问题解决

问题现象	解决方案
工具调用结果未被AI处理	检查是否在历史中包含 `ToolExecutionResultMessage`
系统指令未生效	确保 `SystemMessage` 是第一条消息
自定义消息被模型忽略	使用 `Metadata` 传递关键数据

通过合理组合这些消息类型，可以构建复杂的多轮对话系统，实现：

角色扮演 （通过 SystemMessage）
工具增强 （通过 Tool* 消息）
上下文感知 （维护完整的 Message 历史）