消息

概述​

消息是聊天模型中的通信单位。它们用于表示聊天模型的输入和输出，以及可能与对话相关的任何额外上下文或元数据。

每条消息都有一个角色（例如，“用户”，“助手”）和内容（例如，文本，多模态数据），并带有根据聊天模型提供商而定的额外元数据。

LangChain 提供了一个统一的消息格式，可以在聊天模型中使用，允许用户与不同的聊天模型一起工作，而无需担心每个模型提供商使用的消息格式的具体细节。

消息里面有什么？​

一条消息通常由以下几部分信息组成：

• 角色: 消息的角色（例如，"用户", "助手"）。
• 内容: 消息的内容（例如，文本、多模态数据）。
• 附加元数据：id、名称、token 使用情况以及其他模型特定的元数据。

角色​

角色用于区分对话中不同类型的消息，并帮助聊天模型理解如何响应给定的消息序列。

内容​

消息文本的内容或表示多模态数据（例如图像、音频、视频）的字典列表。不同聊天模型提供商之间的内容格式可能有所不同。

目前，大多数聊天模型支持文本作为主要内容类型，一些模型还支持多模态数据。然而，大多数聊天模型提供商对多模态数据的支持仍然有限。

更多信息请参见：

• SystemMessage -- 用于传递应指导对话的内容
• HumanMessage -- 用于用户输入的内容。
• AIMessage -- 用于模型响应中的内容。
• Multimodality -- 了解更多关于多模态内容的信息。

其他消息数据​

根据聊天模型提供商的不同，消息可以包含其他数据，例如：

• ID: 消息的可选唯一标识符。
• 名称: 一个可选的 name 属性，允许区分具有相同角色的不同实体/说话者。并非所有模型都支持此功能！
• 元数据: 关于消息的额外信息，例如时间戳、令牌使用情况等。
• 工具调用: 模型发出的调用一个或多个工具的请求。有关更多信息，请参见工具调用。

对话结构​

聊天模型中的消息序列应遵循特定结构，以确保聊天模型能够生成有效的响应。

例如，一个典型的对话结构可能如下所示：

1. 用户消息: "你好，你好吗？"
2. 助手消息: "我很好，谢谢你的关心。"
3. 用户消息: "你能给我讲个笑话吗？"
4. 助手消息: "当然！为什么稻草人会获奖？因为他在他的领域里非常出色！"

请阅读聊天历史指南，了解更多关于管理聊天历史和确保对话结构正确的信息。

LangChain 消息​

LangChain 提供了一个统一的消息格式，可以在所有聊天模型中使用，使用户能够与不同的聊天模型一起工作，而无需担心每个模型提供商使用的消息格式的具体细节。

LangChain 消息是从 BaseMessage 继承的 Python 对象。

五种主要的消息类型是：

• SystemMessage: 对应 system 角色
• HumanMessage: 对应于 用户 角色
• AIMessage: 对应 assistant 角色
• AIMessageChunk: 对应于 assistant 角色，用于 流式 响应
• ToolMessage: 对应 tool 角色

其他重要信息包括：

• RemoveMessage -- 不对应任何角色。这是一个抽象概念，主要用于LangGraph中管理聊天历史。
• 旧版 FunctionMessage: 对应于OpenAI的旧版函数调用API中的function角色。

你可以在API参考中找到更多关于消息的信息。

系统消息​

一个SystemMessage用于引导AI模型的行为并提供额外的上下文，例如指示模型采用特定的角色或设置对话的语气（例如，“这是一次关于烹饪的对话”）。

不同的聊天提供商可能以以下方式之一支持系统消息：

• 通过“系统”消息角色：在这种情况下，系统消息作为消息序列的一部分包含在内，角色明确设置为“系统”。
• 通过单独的API参数传递系统指令：系统指令不是作为消息包含在内，而是通过专用的API参数传递。
• 不支持系统消息：有些模型根本不支持系统消息。

大多数主要的聊天模型提供商通过聊天消息或单独的API参数支持系统指令。LangChain将根据提供商的功能自动适应。如果提供商支持用于系统指令的单独API参数，LangChain将提取系统消息的内容并通过该参数传递。

如果提供者不支持系统消息，在大多数情况下，LangChain 会尝试将系统消息的内容合并到 HumanMessage 中，如果不可能，则会引发异常。然而，这种行为在所有实现中尚未一致执行，如果使用不太流行的聊天模型实现（例如，来自 langchain-community 包的实现），建议检查该模型的特定文档。

人类消息​

HumanMessage 对应于 "用户" 角色。人类消息表示与模型交互的用户的输入。

文本内容​

大多数聊天模型期望用户输入以文本形式呈现。

from langchain_core.messages import HumanMessage

model.invoke([HumanMessage(content="Hello, how are you?")])

model.invoke("Hello, how are you?")

多模态内容​

一些聊天模型接受多模态输入，例如图像、音频、视频或PDF等文件。

请参阅多模态指南以获取更多信息。

AIMessage​

AIMessage 用于表示角色为 "assistant" 的消息。这是模型的响应，可以包括文本或调用工具的请求。它也可能包括其他媒体类型，如图像、音频或视频——尽管目前这种情况还不常见。

from langchain_core.messages import HumanMessage
ai_message = model.invoke([HumanMessage("Tell me a joke")])
ai_message # <-- AIMessage

一个AIMessage具有以下属性。那些被标准化的属性是LangChain尝试在不同聊天模型提供商之间标准化的属性。raw字段是特定于模型提供商的，可能会有所不同。

内容​

AIMessage 的 content 属性表示聊天模型生成的响应。

内容可能是：

• text -- 几乎所有聊天模型的规范。
• 一个字典列表 -- 每个字典代表一个内容块，并与一个type相关联。
  • Anthropic 用于在执行工具调用时展示代理的思考过程。
  • OpenAI 用于音频输出。更多信息请参见多模态内容。

AIMessageChunk​

通常会在聊天模型生成响应时流式传输响应，这样用户就可以实时看到响应，而不是等待整个响应生成后再显示。

它从聊天模型的stream、astream和astream_events方法返回。

例如，

for chunk in model.stream([HumanMessage("what color is the sky?")]):
    print(chunk)

AIMessageChunk 的结构几乎与 AIMessage 相同，但使用了不同的 ToolCallChunk 以便能够以标准化的方式流式传输工具调用。

聚合​

AIMessageChunks 支持 + 操作符将它们合并成一个单一的 AIMessage。这在您想要向用户显示最终响应时非常有用。

ai_message = chunk1 + chunk2 + chunk3 + ...

工具消息​

这表示一个角色为“工具”的消息，其中包含调用工具的结果。除了role和content之外，此消息还具有：

• 一个 tool_call_id 字段，用于传递调用工具以生成此结果的调用ID。
• 一个artifact字段，可用于传递工具执行过程中产生的任意工件，这些工件对跟踪有用，但不应发送给模型。

请参阅工具调用以获取更多信息。

删除消息​

这是一种特殊的消息类型，不对应任何角色。它用于在LangGraph中管理聊天历史。

请参阅以下内容以获取有关如何使用RemoveMessage的更多信息：

• 内存概念指南
• 如何删除消息

(旧版) FunctionMessage​

这是一个遗留的消息类型，对应于OpenAI的遗留函数调用API。应使用ToolMessage来对应更新的工具调用API。

OpenAI 格式​

输入​

聊天模型也接受OpenAI的格式作为聊天模型的输入：

chat_model.invoke([
    {
        "role": "user",
        "content": "Hello, how are you?",
    },
    {
        "role": "assistant",
        "content": "I'm doing well, thank you for asking.",
    },
    {
        "role": "user",
        "content": "Can you tell me a joke?",
    }
])

输出​

目前，模型的输出将以LangChain消息的形式呈现，因此如果您也需要OpenAI格式的输出，您需要将输出转换为OpenAI格式。

convert_to_openai_messages 工具函数可用于将 LangChain 消息转换为 OpenAI 格式。