LangChain消息系统与模型调用实战指南

1. LangChain消息系统深度解析

在构建基于大语言模型(LLM)的对话系统时，消息传递机制是核心基础架构。LangChain提供了一套完整的消息类型体系，让开发者能够精细控制对话流程。下面我将结合多年AI项目经验，详细拆解这些消息类型的使用场景和实战技巧。

1.1 核心消息类型详解

SystemMessage 是对话的"导演"，它决定了AI的角色设定和行为模式。在实际项目中，我通常会这样使用：

python复制system_message = SystemMessage(
    content="""
    你是一位资深Python工程师，具有10年Web开发经验。
    回答时需满足以下要求：
    1. 代码示例必须符合PEP8规范
    2. 优先使用标准库解决方案
    3. 对复杂概念提供现实场景类比
    """
)

关键技巧：SystemMessage的内容越具体，AI的行为就越可控。我习惯用Markdown格式编写多维度约束条件。

HumanMessage 处理用户输入时，有个容易被忽视但极其重要的细节 - 元数据管理：

python复制human_message = HumanMessage(
    content="用Python实现快速排序",
    additional_kwargs={
        "user_id": "u12345",
        "request_time": "2024-03-20T14:30:00Z",
        "source": "mobile_app"
    }
)

这些元数据在构建企业级对话系统时，对后续的日志分析、AB测试等都至关重要。

AIMessage 的处理需要特别注意内容验证。我通常会添加这样的后处理：

python复制def validate_ai_response(ai_message: AIMessage):
    if "抱歉" in ai_message.content:
        raise ValueError("AI返回了拒绝回答的内容")
    if len(ai_message.content) > 1000:
        return AIMessage(content=ai_message.content[:1000] + "...")
    return ai_message

1.2 特殊消息类型的实战应用

FunctionMessage/ToolMessage 在构建复杂AI工作流时非常有用。比如在电商客服场景：

python复制def query_order_status(order_id):
    # 模拟数据库查询
    return {"status": "已发货", "tracking": "SF123456789"}

order_message = FunctionMessage(
    name="query_order_status",
    content=str(query_order_status("ORD123"))
)

避坑指南：FunctionMessage的content必须是字符串类型，复杂对象需要先序列化。

ChatMessage 虽然不常用，但在多角色对话场景中不可替代。例如在教育应用中：

python复制teacher_