Langchain-05 消息

第 4 章 · 消息：对话的基本单位

4.1 消息是什么？（定义）

消息：模型上下文的基本单位，代表对话中的一句话/一条信息。

每条消息包含三样东西：

角色：谁说的（system / user / assistant / tool）

内容：说了什么（文本、图片、音频等）

元数据：附加信息（消息 ID、token 用量等，可选）

为什么要用"消息列表"和模型对话？因为模型本身没有记忆------每次调用都是独立的。你发给它的消息列表，就是它能"看到"的全部世界。想让模型记住上文，就得把历史消息一起发过去。

4.2 四种消息类型（必背！）

消息类型	类名	角色	谁产生的	干什么用
系统消息	`SystemMessage`	system	开发者	设定 AI 的人设和行为规则
人类消息	`HumanMessage`	user	用户	用户的输入
AI 消息	`AIMessage`	assistant	模型	模型的回复（可含工具调用）
工具消息	`ToolMessage`	tool	你的代码	工具执行的结果（回传给模型）

4.3 三种写消息的方式

python 复制代码

from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage, AIMessage, SystemMessage

model = init_chat_model("openai:gpt-4o-mini")

# ========== 方式一：直接传字符串（最简单） ==========
# 适合单次提问，字符串会自动被包装成一个 HumanMessage
response = model.invoke("什么是机器学习？")

# ========== 方式二：消息对象列表（推荐，最清晰） ==========
messages = [
    SystemMessage("你是一位诗歌专家"),        # 设定角色
    HumanMessage("写一首关于春天的俳句"),      # 用户提问
    AIMessage("樱花瓣飘落..."),                # 模型上次的回答（手动塞进历史）
    HumanMessage("再写一首关于秋天的"),        # 新问题
]
response = model.invoke(messages)

# ========== 方式三：字典格式（和 OpenAI 原生 API 一样的写法） ==========
messages = [
    {"role": "system", "content": "你是一位诗歌专家"},
    {"role": "user", "content": "写一首关于春天的俳句"},
    {"role": "assistant", "content": "樱花瓣飘落..."},
    {"role": "user", "content": "再写一首关于秋天的"},
]
response = model.invoke(messages)

三种方式效果相同，方式二类型安全、编辑器有提示，推荐日常使用。

4.4 系统消息：给 AI 立"人设"

SystemMessage 是你私下给模型的指令，用户看不到。放位置于消息列表最前面：

python 复制代码

system_msg = SystemMessage("""
你是一位资深 Python 开发工程师，精通 Web 框架。
回答时始终提供代码示例，并解释你的思路。
简洁但完整。
""")

messages = [system_msg, HumanMessage("怎么创建一个 REST API？")]
response = model.invoke(messages)
print(response.text)

写好系统提示的技巧：具体、可执行。"你是一个有帮助的助手"太笼统；"你是英语翻译专家，只把用户输入翻译成法语，不回答任何问题"就好得多。

4.5 AIMessage 的常用属性

invoke() 的返回值是一个 AIMessage 对象，不只是文本：

python 复制代码

response = model.invoke("你好！")

print(type(response))            # <class 'AIMessage'>
print(response.text)             # 回复的文本内容
print(response.id)               # 这条消息的唯一 ID
print(response.usage_metadata)   # token 用量统计（记账必备！）
# {'input_tokens': 8, 'output_tokens': 304, 'total_tokens': 312, ...}

usage_metadata 很重要------你调 API 是按 token 计费的，用它来监控成本。

4.6 用消息列表实现"手动记忆"

模型没记忆，但你可以自己维护对话历史：

python 复制代码

from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage

model = init_chat_model("openai:gpt-4o-mini")

# 对话历史：一开始只有系统设定
history = [SystemMessage("你是一个简洁的中文助手")]

# 第一轮
history.append(HumanMessage("我叫小明，我喜欢打篮球"))
response = model.invoke(history)
history.append(response)              # 把模型的回复也存进历史
print(response.text)

# 第二轮：因为历史里有第一轮的记录，模型"记得"小明是谁
history.append(HumanMessage("我叫什么名字？我喜欢什么运动？"))
response = model.invoke(history)
print(response.text)  # "你叫小明，你喜欢打篮球"

这就是"记忆"的本质：把历史消息塞进请求里。第 8 章会讲 LangChain 如何自动化这个过程（而且更聪明）。

📝 第 4 章练习

写一个 10 轮的 while True 命令行聊天程序：用 input() 接收用户输入，维护消息历史，输入 "quit" 退出
打印每轮的 usage_metadata，算算 10 轮总共花了多少 token