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

  1. 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);
  2. 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);
    }
  3. 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)
相关推荐
大千AI助手8 小时前
VeRL:强化学习与大模型训练的高效融合框架
人工智能·深度学习·神经网络·llm·强化学习·verl·字节跳动seed
SEO_juper17 小时前
大型语言模型SEO(LLM SEO)完全手册:驾驭搜索新范式
人工智能·语言模型·自然语言处理·chatgpt·llm·seo·数字营销
堆栈future20 小时前
我的个人网站上线了,AI再一次让我站起来了
程序员·llm·aigc
大模型教程1 天前
AI Agent 发展趋势与架构演进
程序员·llm·agent
大熊猫侯佩1 天前
冰火岛 Tech 传:Apple Foundation Models 心法解密(上集)
llm·ai编程·swift
AI大模型1 天前
无所不能的Embedding(01) - 词向量三巨头之Word2vec模型详解&代码实现
程序员·llm·agent
AI大模型1 天前
基于Docker+DeepSeek+Dify :搭建企业级本地私有化知识库超详细教程
docker·llm·deepseek
大熊猫侯佩1 天前
冰火岛 Tech 传:Apple Foundation Models 心法解密(下集)
llm·ai编程·apple
聚客AI1 天前
⭐精准率暴跌50%?RAG开发者必避的十大认知误区
人工智能·llm·agent
302AI1 天前
Claude 断供中国之际,Kimi-K2-0905 低调上线:时势造英雄
人工智能·llm·ai编程