1. LangChain消息类深度解析:从源码到实战
在构建基于大语言模型的应用时,消息处理是核心环节之一。LangChain作为当前最流行的LLM应用开发框架,其消息类(Messages)的设计直接影响着开发者与模型交互的效率和灵活性。本文将从源码层面拆解消息类的实现机制,结合常见使用场景,带你掌握消息处理的正确姿势。
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. 消息类基础架构剖析
2.1 消息类的继承体系
LangChain的消息类采用多层次的继承结构,位于langchain_core.messages模块。基础类BaseMessage定义了所有消息类型的通用接口,其核心属性包括:
content: 消息正文内容(字符串或列表)additional_kwargs: 附加参数字典response_metadata: 响应元数据type: 消息类型标识符
具体实现类包括:
HumanMessage: 用户输入消息AIMessage: AI生成的回复消息SystemMessage: 系统提示消息FunctionMessage: 函数调用相关消息ToolMessage: 工具调用结果消息
python复制class BaseMessage(Serializable):
content: Union[str, List[Union[str, Dict]]]
additional_kwargs: dict = Field(default_factory=dict)
response_metadata: dict = Field(default_factory=dict)
type: str
@property
def lc_serializable(self) -> bool:
return True
2.2 消息内容的多模态支持
现代LLM应用常需要处理多种格式的输入,LangChain的消息类通过content字段的灵活设计支持这种需求:
-
纯文本模式:直接传入字符串
python复制HumanMessage(content="你好,LangChain!") -
混合内容模式:支持文本与媒体组合
python复制HumanMessage(content=[ {"type": "text", "text": "描述这张图片"}, {"type": "image_url", "image_url": "https://example.com/image.jpg"} ]) -
结构化数据模式:可携带字典格式的元数据
python复制AIMessage(content="查询结果", additional_kwargs={ "function_call": { "name": "get_weather", "arguments": '{"location": "北京"}' } })
提示:当处理多模态内容时,务必检查目标模型是否支持相应格式。例如GPT-4-vision可以处理图像,而基础版GPT-3.5只能处理文本。
3. 消息处理的核心机制
3.1 消息序列化与持久化
LangChain的消息类实现了Serializable接口,支持多种序列化方式:
-
JSON序列化:
python复制message = HumanMessage(content="Hello") json_str = message.json() reconstructed = HumanMessage.parse_raw(json_str) -
数据库存储:
通过PostgresSaver等存储适配器,可将消息持久化到数据库:python复制from langchain.storage import PostgresSaver saver = PostgresSaver(connection_string="postgresql://user:pass@localhost/db") saver.save("chat_history", messages) -
内存缓存:
使用InMemoryCache实现快速存取:python复制from langchain.cache import InMemoryCache cache = InMemoryCache() cache.add("session_1", messages)
