LangChain学习

黄曦大约 3 分钟LangChainLangChain

AI 专栏

AI 相关技术文档

LangChain —— 消息（Message）

消息（Message）是 LangChain 中模型上下文（Context）的基本单位。

每条消息主要包含三个部分：

Role（角色）：标识消息类型，例如 system、user
Content（内容）：消息的实际内容，可以是文本、图片、音频、文档等多模态数据
Metadata（元数据）：可选信息，例如消息 ID、Token 使用量、响应信息等

最简单的使用方式

通常推荐创建消息对象，然后将消息列表传递给模型。

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

model = init_chat_model("openai:gpt-5-nano")

system_msg = SystemMessage(
    "You are a helpful assistant."
)

human_msg = HumanMessage(
    "Hello, how are you?"
)

messages = [
    system_msg,
    human_msg
]

response = model.invoke(messages)

返回值为：

AIMessage(...)

简单调用（无上下文）

如果只是一次性的文本生成，不需要保留聊天历史，可以直接传入字符串。

response = model.invoke(
    "Write a haiku about spring"
)

适用场景
文本生成
翻译
总结
改写
不需要多轮对话

字典格式（OpenAI Chat 格式）

虽然 LangChain 已经封装了 Message 类，但仍然兼容 OpenAI Chat Completion 的消息格式。

messages = [
    {
        "role": "system",
        "content": "You are a poetry expert"
    },
    {
        "role": "user",
        "content": "Write a haiku about spring"
    },
    {
        "role": "assistant",
        "content": "Cherry blossoms bloom..."
    }
]

response = model.invoke(messages)

说明
能用，但一般不推荐。
更推荐使用：
SystemMessage
HumanMessage
AIMessage
ToolMessage

LangChain 消息类型

LangChain 内置了几种常见消息类型。

消息类型	作用
`SystemMessage`	系统提示词，定义模型行为
`HumanMessage`	用户输入
`AIMessage`	AI 返回结果
`ToolMessage`	工具调用结果

1. SystemMessage（系统消息）

用于告诉模型：

扮演什么角色
使用什么语气
遵循哪些规则
提供哪些上下文

例如：

from langchain.messages import SystemMessage

system_msg = SystemMessage(
    "You are a helpful assistant."
)

常见用途：

设定 AI 身份
输出格式约束
指定回复语言
安全限制

2. HumanMessage（用户消息）

表示用户输入。

除了文本，还支持：

图片
音频
文件
多模态内容

示例：

from langchain.messages import HumanMessage

human_msg = HumanMessage(
    content="Hello!"
)

HumanMessage 元数据

可以携带一些额外信息。

human_msg = HumanMessage(
    content="Hello!",
    name="alice",
    id="msg_123"
)

参数说明：

参数	说明
`content`	消息内容
`name`	可选，用户名称
`id`	可选，消息唯一 ID

3. AIMessage（AI 消息）

表示模型返回的内容。

除了文本之外，还可能包含：

Tool Calls
多模态输出
Provider Metadata
Token 使用情况

例如：

response = model.invoke(messages)

print(response)

AIMessage(...)

手动创建 AIMessage

有时候，并不是所有 AIMessage 都来自模型。

例如：

补充聊天历史
恢复历史记录
模拟 AI 回复

都可以手动创建。

from langchain.messages import (
    AIMessage,
    HumanMessage,
    SystemMessage
)

ai_msg = AIMessage(
    "I'd be happy to help you with that question!"
)

messages = [
    SystemMessage(
        "You are a helpful assistant"
    ),
    HumanMessage(
        "Can you help me?"
    ),
    ai_msg,
    HumanMessage(
        "Great! What's 2+2?"
    )
]

response = model.invoke(messages)

这样模型会认为这条 AIMessage 就是之前已经回答过的内容。

4. ToolMessage（工具消息）

用于表示工具调用后的返回结果。

例如：

Human
    ↓
AI 发起 Tool Call
    ↓
Tool 执行
    ↓
ToolMessage 返回结果
    ↓
AI 根据 ToolMessage 继续回答

ToolMessage 通常由 Agent 自动生成，一般无需手动创建。

Token 使用情况

LangChain 会将 Token 使用信息保存到：

response.usage_metadata

示例：

response = model.invoke("Hello!")

print(response.usage_metadata)

可能输出：

{
    "input_tokens": 15,
    "output_tokens": 28,
    "total_tokens": 43
}

总结

SystemMessage
        │
        ▼
HumanMessage
        │
        ▼
   Chat Model
        │
        ▼
AIMessage
        │
        ▼
（可选）
Tool Call
        │
        ▼
ToolMessage
        │
        ▼
AIMessage

常见使用场景

场景	推荐方式
一次性文本生成	`model.invoke("...")`
多轮聊天	Message 列表
设置 AI 身份	`SystemMessage`
用户输入	`HumanMessage`
AI 回复	`AIMessage`
Tool 调用	`ToolMessage`
查看 Token	`response.usage_metadata`

LangChain学习

# AI 专栏

# LangChain —— 消息（Message）

# 最简单的使用方式

# 简单调用（无上下文）

# 字典格式（OpenAI Chat 格式）

# LangChain 消息类型

# 1. SystemMessage（系统消息）

# 2. HumanMessage（用户消息）

# HumanMessage 元数据

# 3. AIMessage（AI 消息）

# 手动创建 AIMessage

# 4. ToolMessage（工具消息）

# Token 使用情况

# 总结

# 常见使用场景

# 推荐实践