Abstract

messages是LangChain中模型上下文的基本单元。它们代表了模型的输入和输出，承载着与LLM交互时所需的内容和表示对话状态的元数据。

结构

messages一般包含3个部分

• role(角色)：消息的类型
  • System(系统):用来设置llm的整体行为，比如身份，回答的规范
  • User/Human(用户):表示输入内容
  • Assistant/AImesage:llm的回答内容，在多轮回答中作为上下文使用
  • Tool:工具调用的内容
• content(内容):消息的实际内容，有文本，图片，声音，文档
• Metadata(元数据):消息的一些属性，比如：token使用量，id，llm的名字，处理的时间等等

使用

1. 定义message对象：SystemMessage(“”);HumanMessage(“”);AIMessage()
2. 定义字典:{"role":"system/user/assistant","content":""}
3. llm接受消息数组，并做出响应，model.invoke(消息数组)
4. 简单的代码

# 对象
r=model.invoke([
	SystemMessage("你是一个专业的数学老师"),
	HumanMessage("小学数学问题：1+1等于几")
])

# 字典
r=model.invoke([
	{"role":"system","content":"你是一个专业的数学老师"},
	{"role":"user","content":"1+1等于几"}
])

5. 在4中r为AIMessage，为llm的输出，也可以定义一个AIMessage，再次给llm进行多轮问答

r=model.invoke([
	SystemMessage("你是一名小学数学老师,回答用户的数学问题"),
	HumanMessage("小学数学问题：1+1等于几")
])

fr=model.invoke([
	r,
	HumanMessage("用户提了什么问题，答案是什么")
])

• 输出内容：
  1. 第一轮回答：1+1等于2。这是最基本的加法运算，通常在小学一年级数学课程中学习。为了帮助孩子理解，可以借助实物（如苹果、积木）或图形来演示：比如，把1个苹果和另一个苹果放在一起，数一数总共有几个，就能直观地看到结果是2。这样的方法能让孩子更好地掌握加法的含义。
  2. 第二轮回答：用户的问题是：“1+1等于2。这是最基本的加法运算，通常在小学一年级数学课程中学习。” 答案是：通过实物（如苹果、积木）或图形演示，帮助孩子直观理解加法的含义，例如将1个苹果和另一个苹果放在一起，数一数总共有几个，从而得出结果是2。

6. tool消息，llm根据提供的工具函数，生成工具调用的字典数据，使用这个字典数据调用工具函数

# 添加一个工具函数
model_tools=model.bind_tools([tool_add])
# 调用
r=model_tools.invoke([
	SystemMessage("你是一名小学数学老师,回答用户的数学问题"),
	HumanMessage("小学数学问题：1+1等于几"),
])

# 工具函数
def tool_add(a:int,b:int)->int:
	"""
	加法工具函数
	:param a: 第一个整数
	:param b: 第二个整数
	:return: 两个整数的和
	"""
	return a+b

• 输出内容

	content='<think>\n好的，用户问的是小学数学问题，1加1等于几。这个问题看起来很简单，但作为老师，我需要确保正确引导学生理解加法的基本概念。首先，我应该确认用户是否真的需要直接的答案，还是希望得到更详细的解释。不过根据问题本身，用户可能只是想验证基本的加法知识。\n\n接下来，我需要考虑是否需要使用提供的工具函数来计算。工具函数tool_add可以处理两个整数的加法，这里1和1相加，结果应该是2。不过，用户是小学生，可能刚开始学习加法，所以直接给出答案可能不够，但问题本身非常基础，可能用户只是测试工具的使用。\n\n但根据用户的指示，如果问题可以通过工具解决，我应该调用工具。所以这里应该使用tool_add函数，参数a和b都是1。然后返回结果。不过，也有可能用户希望得到更详细的解释，比如用实物举例，比如一个苹果加一个苹果等于两个苹果。但根据工具的使用要求，可能需要直接调用函数。\n\n不过，用户的问题可能只是简单的计算，所以直接调用工具函数是正确的做法。确保参数正确，然后返回结果。因此，正确的工具调用应该是name为tool_add，参数a=1，b=1。\n</think>\n\n' tool_calls=[{'name': 'tool_add', 'args': {'a': 1, 'b': 1}, 'id': '605dfa0d-2ccd-4894-801b-6b9790e47918', 'type': 'tool_call'}] 

• 提取llm生成的tool_message

tool_calls=[{'name': 'tool_add', 'args': {'a': 1, 'b': 1}, 'id': '605dfa0d-2ccd-4894-801b-6b9790e47918', 'type': 'tool_call'}]

7. message内容
   1. 文本
   2. 混合内容

message={
	"content":[
		{"type":"text","text":""},
		{"type":"image","url":""},
		{"type":"image","base64":"","mime_type":"image/jpeg"},
	]
}