LangChain消息系统与提示词模板深度解析-AI智能范式网

LangChain消息系统与提示词模板深度解析

王少冬·2026-06-28·阅读 63 GEO检测（免费）

LangChain消息系统提示词模板

|难度：普通|阅读约 40 分钟

1. LangChain 消息系统深度解析

1.1 消息类型体系架构

LangChain 的消息系统是整个框架的神经中枢，它定义了 AI 交互过程中各类参与者的标准通信协议。这套体系包含五种核心消息类型，每种类型都有其特定的语义角色和数据结构：

SystemMessage：系统级指令的载体，相当于AI的"人格设定卡"。其content字段不仅支持纯文本，还可以包含JSON格式的行为规范。实践中建议将系统消息控制在200-300token以内，过长的系统提示会影响模型对核心指令的注意力。
HumanMessage：用户输入的标准化封装。最新版本已支持多模态内容，通过content数组可以混合文本、图片甚至音频片段。开发聊天应用时要特别注意：当content包含图片时，需要预处理为base64或可公开访问的URL。
AIMessage：模型输出的结构化记录。除了常规响应内容外，其tool_calls字段会记录AI触发的函数调用信息，这对实现复杂工作流至关重要。在流式传输场景中，需要特别处理中间状态的AIMessage。
ToolMessage：工具执行结果的专用通道。每个消息必须包含对应的tool_call_id，这使得系统能在多工具并行调用时准确匹配返回结果。建议为工具执行添加超时控制，避免长时间阻塞对话线程。
FunctionMessage：函数调用结果的遗留格式（注：新项目建议优先使用ToolMessage）。其特殊之处在于会自动触发模型的后续处理，而ToolMessage需要显式返回给模型。

1.2 消息对象技术实现

BaseMessage作为抽象基类，定义了所有消息类型的公共接口。其Python实现展示了几个关键设计决策：

python复制class BaseMessage:
    content: Union[str, List[Dict]]  # 支持多模态内容块
    additional_kwargs: Dict = {}  # 供应商扩展字段
    response_metadata: Dict = {}  # 包含token用量等诊断信息
    id: Optional[str] = None  # 客户端生成的唯一标识

    @property
    def type(self) -> str:
        """消息类型标识符，子类必须实现"""
        raise NotImplementedError

实际开发中需要注意：

additional_kwargs 常用于传递模型特定的参数（如temperature），但会降低代码可移植性
response_metadata 在异步流式响应时特别有用，可以实时获取生成进度
手动设置id有助于实现消息追踪，特别是在分布式系统中

1.3 多模态消息处理实战

现代AI应用越来越需要处理混合内容类型。以下是开发电商客服机器人时的典型多模态消息示例：

python复制def create_product_query(customer_text: str, product_images: List[Path]) -> HumanMessage:
    """创建包含产品图片的客服咨询消息"""
    content = [{"type": "text", "text": customer_text}]
    
    for img_path in product_images:
        if not img_path.exists():
            continue
            
        # 动态调整图片尺寸并转为base64
        processed_img = resize_image(img_path, max_size=(1024, 1024))
        img_base64 = image_to_base64(processed_img)
        
        content.append({
            "type": "image_url",
            "image_url": {
                "url": f"data:image/jpeg;base64,{img_base64}",
                "detail": "auto"  # 控制模型对图片的解析粒度
            }
        })
    
    return HumanMessage(content=content)

关键注意事项：

图片分辨率建议控制在1024x1024以内，过高分辨率不会提升模型理解能力
对于本地图片，必须转换为base64或上传到可访问的存储服务
detail参数可选值："low"（低解析度）、"high"（高解析度）、"auto"（自动选择）

1.4 消息转换与序列化

LangChain提供了强大的消息转换工具，这在对接不同AI服务时特别有用：

python复制# 将OpenAI API格式转为LangChain消息
def convert_openai_to_langchain(openai_messages: List[Dict]) -> List[BaseMessage]:
    """处理包括工具调用在内的复杂消息转换"""
    from langchain_core.messages import (
        HumanMessage, AIMessage, SystemMessage,
        ToolMessage, FunctionMessage
    )
    
    langchain_messages = []
    for msg in openai_messages:
        if msg["role"] == "user":
            langchain_messages.append(HumanMessage(content=msg["content"]))
        elif msg["role"] == "assistant":
            ai_msg = AIMessage(content=msg.get("content", ""))
            if "tool_calls" in msg:
                ai_msg.tool_calls = msg["tool_calls"]  # 保留工具调用信息
            langchain_messages.append(ai_msg)
        elif msg["role"] == "tool":
            langchain_messages.append(
                ToolMessage(
                    content=msg["content"],
                    tool_call_id=msg["tool_call_id"]
                )
            )
    
    return langchain_messages

实际项目中的经验教训：

工具调用结果必须包含原始tool_call_id，否则模型无法关联上下文
转换过程中会丢失部分供应商特定字段，必要时需通过additional_kwargs保留
建议为消息转换编写单元测试，特别是处理边缘情况（如空内容、多模态消息）

需要模型API调用？免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。

2. 提示词模板系统精要

2.1 模板类型选型指南

LangChain的模板系统分为两个层次，开发者需要根据场景合理选择：

| 模板类型 | 核心特征 | 典型应