【LangChain学习笔记】Message

核心定义：Message 是什么？

Message（消息）是 LangChain 中封装用户输入、大模型输出、系统指令等交互信息的标准化数据结构，是大模型与外部组件（提示模板、记忆组件、智能体等）间数据传递的核心载体。

通俗理解：Message 就像"交互对话的标准化信封"，用户问题、系统规则、模型回答均需封装为该格式，才能在 LangChain 生态组件间顺畅流转。

核心作用：统一交互数据格式，保障不同组件（如记忆组件存储对话、提示模板拼接上下文）能正确识别处理对话信息。

核心 Message 类型及用途

LangChain 定义了多种 Message 类型适配不同交互场景，均继承自 BaseMessage 类，具备 content（消息内容）、role（角色标识）等统一基础属性，各类型详情如下：

HumanMessage：用户消息

• 用途：封装用户问题、指令、需求等输入内容；

• 核心属性：

• content: str：核心输入内容（必填）；
• role: str：固定为 "user"，标识用户角色；
• additional_kwargs: dict（可选）：存储用户ID、时间戳等元数据。

• 示例代码：

from langchain_core.messages import HumanMessage

# 初始化用户消息
human_msg = HumanMessage(content="请解释什么是 LangChain Message？")
print(human_msg)
# 输出：HumanMessage(content='请解释什么是 LangChain Message？', role='user')

AIMessage：大模型消息

• 用途：封装大模型的回答、推理过程或工具调用指令；

• 核心属性：

• content: str：模型输出内容（必填，工具调用场景可空）；
• role: str：固定为 "assistant"，标识模型角色；
• additional_kwargs: dict（可选）：工具调用场景含tool_calls 字段，存储工具参数与调用ID；
• tool_calls: List[Dict]（可选）：工具调用信息列表，与 additional_kwargs["tool_calls"] 等效。

• 示例代码：

from langchain_core.messages import AIMessage

# 初始化大模型消息
ai_msg = AIMessage(content="LangChain Message 是标准化的交互数据结构，用于封装对话信息...")
print(ai_msg)
# 输出：AIMessage(content='LangChain Message 是标准化的交互数据结构，用于封装对话信息...', role='assistant')

SystemMessage：系统消息

• 用途：封装系统级指令（定义模型角色、行为规则等），仅对模型生效，用户不可见；

• 核心作用：引导模型按规则响应（如"专业Python开发助手""回答不超过3句话"）；

• 核心属性：

• content: str：系统指令内容（必填）；
• role: str：固定为"system"，标识系统角色；
• additional_kwargs: dict（可选）：存储指令优先级、生效范围等元数据。

• 示例代码：

from langchain_core.messages import SystemMessage

# 初始化系统消息
system_msg = SystemMessage(content="你是专业的LangChain技术助手，回答需准确、简洁，基于官方文档内容。")
print(system_msg)
# 输出：SystemMessage(content='你是专业的LangChain技术助手，回答需准确、简洁，基于官方文档内容。', role='system')

ToolMessage：工具消息

• 用途：封装数据库查询、API返回、文件读取等工具调用结果；

• 适用场景：智能体调用工具后，结果需封装为该类型回传模型，供后续推理；

• 核心属性：

• content: str：工具执行结果（必填），建议用JSON等结构化格式；
• role: str：固定为 "tool"，标识工具角色；
• tool_call_id: str（必填）：关联对应AIMessage的工具调用ID，匹配"请求-结果"；
• additional_kwargs: dict（可选）：存储工具名称、执行时间、错误信息等。

• 示例代码：

from langchain_core.messages import ToolMessage

# 初始化工具消息（模拟文件读取结果）
tool_msg = ToolMessage(
    content='{"filename": "langchain_intro.txt", "content": "LangChain 是大模型应用开发框架..."}',
    tool_call_id="call_123"  # 关联工具调用ID
)
print(tool_msg)

FunctionMessage：函数调用消息

• 用途：封装函数调用的请求或结果（与ToolMessage类似，侧重通用函数场景）；

• 核心属性：含 content（请求/结果，必填）、role="function"（固定角色）、name（函数名，必填）等；

• 注意：部分版本与ToolMessage合并，优先使用ToolMessage处理工具/函数场景。

ChatMessage：通用聊天消息

• 用途：通用型消息，支持自定义角色，适配非标准交互场景；

• 核心属性：

• content: str：核心消息内容（必填）；
• role: str（必填）：自定义角色标识，如"admin""user_1"；
• additional_kwargs: dict（可选）：存储角色权限、所属分组等元数据。

• 示例代码：

from langchain_core.messages import ChatMessage

# 初始化自定义角色消息
chat_msg = ChatMessage(content="请同步最新的开发文档", role="admin")
print(chat_msg)
# 输出：ChatMessage(content='请同步最新的开发文档', role='admin')

Message 的关键用法场景

Message 是 LangChain 交互核心，核心应用场景包括对话上下文构建、智能体工具交互等，具体如下：

构建对话上下文

将SystemMessage、HumanMessage、AIMessage按顺序组成列表作为上下文传递给模型，即可实现多轮对话。

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.callbacks import StdOutCallbackHandler

# 构建对话上下文
messages = [
    SystemMessage(content="你是简洁的技术助手，回答不超过2句话。"),
    HumanMessage(content="什么是 LangChain？"),
]

# 初始化模型
llm = ChatOpenAI(
    model_name="qwen-plus",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="你的API Key"
)

# 创建智能体并调用
agent = create_agent(model=llm, debug=True)
response = agent.invoke(
    {"messages": messages},
    config={"callbacks": [StdOutCallbackHandler()]}
)

print(response)

{
    "messages": [
        SystemMessage(content="你是简洁的技术助手，回答不超过2句话。"),
        HumanMessage(content="什么是 LangChain？"),
        AIMessage(content="LangChain 是构建语言模型应用的框架，支持链式调用、记忆管理和外部工具集成，助力高效开发大模型应用。")
    ]
}

智能体工具交互

智能体调用工具时，工具请求封装为含调用参数的AIMessage，执行结果封装为ToolMessage回传，模型基于结果继续推理。完整示例如下：

from mcp.server.fastmcp import FastMCP

# 定义数学运算工具服务
mcp = FastMCP("数学运算Tools")

@mcp.tool()
def sum(num1: int, num2: int) -> int:
    return num1 + num2

@mcp.tool()
def sub(num1: int, num2: int) -> int:
    return num1 - num2

@mcp.tool()
def mul(num1: int, num2: int) -> int:
    return num1 * num2

@mcp.tool()
def div(num1: int, num2: int) -> float:
    return num1 / num2

if __name__ == "__main__":
    mcp.run("stdio")

from mcp import StdioServerParameters
from mcp.client.session import ClientSession
from mcp.client.stdio import stdio_client
from langchain_mcp_adapters.client import load_mcp_tools
import os
from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.callbacks import StdOutCallbackHandler
import asyncio

async def create_mcp_client():
    # 连接工具服务
    server_params = StdioServerParameters(
        command="python",
        args=[os.path.join(os.path.dirname(__file__), "mcp_stdio_server.py")],
    )
    async with stdio_client(server_params) as (read, write):
        async with ClientSession(read, write) as session:
            await session.initialize()
            tools = await load_mcp_tools(session)

            # 初始化模型与智能体
            model = ChatOpenAI(
                model_name="qwen-plus",
                base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
                api_key="你的API Key"
            )
            agent = create_agent(model=model, tools=tools, debug=True)

            # 构建提示与请求
            prompt = ChatPromptTemplate.from_messages([
                ("system", "你是数学工具智能体，用sum/sub/mul/div计算，遵循先乘后加，仅输出最终数值。"),
                ("human", "{expr}")
            ])
            response = await agent.ainvoke(
                {"messages": prompt.format_messages(expr="100+200*300")},
                config={"callbacks": [StdOutCallbackHandler()]}
            )

            print(response["messages"])

if __name__ == "__main__":
    asyncio.run(create_mcp_client())

{
    "messages": [
        SystemMessage(content="你是数学工具智能体。请严格使用提供的工具(sum/sub/mul/div) 计算表达式，遵循先乘后加的规则，只输出最终数值。"),
        HumanMessage(content="100+200*300"),
        AIMessage(
            content="",
            tool_calls=[
                {"name": "mul", "args": {"num1": 200, "num2": 300}, "type": "tool_call"},
                {"name": "sum", "args": {"num1": 100, "num2": 60000}, "type": "tool_call"}
            ]
        ),
        ToolMessage(content=[{"type": "text", "text": "60000"}], name="mul", artifact={"structured_content": {"result": 60000}}),
        ToolMessage(content=[{"type": "text", "text": "60100"}], name="sum", artifact={"structured_content": {"result": 60100}}),
        AIMessage(content="60100")
    ]
}

关键注意事项

• 角色匹配 ：模型对角色敏感，需确保各Message角色标识正确，否则可能响应异常；
• 顺序影响：对话上下文需按时间顺序排列（系统消息在前，后续为用户-模型交互历史），顺序错误影响上下文理解；
• 关联ID必填 ：ToolMessage必须通过tool_call_id关联对应AIMessage，确保"请求-结果"匹配；
• 序列化存储 ：持久化对话历史可通过to_dict()转字典存储，读取时用from_dict()反序列化；
• 版本兼容 ：旧版本Message类型名称可能不同（如ChatMessageType），建议使用最新langchain_core.messages模块。

总结

Message是LangChain交互的"数据核心"，通过标准化角色与格式，实现用户、系统、模型、工具间的顺畅流转。核心需掌握各类Message的用途、属性，以及在对话上下文构建、智能体工具交互中的流转逻辑。

掌握其核心逻辑，可深入理解LangChain组件交互原理，为构建复杂对话系统、智能体应用奠定基础。