[LangChain] 06. Message消息对象

类名	用途
ChatPromptTemplate	构造整个多轮提示词结构
SystemMessagePromptTemplate	设置系统规则 / 行为模式
HumanMessagePromptTemplate	模拟用户输入
AIMessagePromptTemplate	模拟模型输出（上下文中使用）

简单回忆一下：

import {ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate, 
} from "@langchain/core/prompts";// 定义一个聊天 prompt 模版
const chatPrompt = ChatPromptTemplate.fromMessages([SystemMessagePromptTemplate.fromTemplate("你是一个乐于助人的助手"),HumanMessagePromptTemplate.fromTemplate("请把以下句子翻译成英文：{text}"),
]);// 渲染成消息数组
const messages = await chatPrompt.formatMessages({ text: "你好" });console.log(messages);

效果：

[SystemMessage {"content": "你是一个乐于助人的助手","additional_kwargs": {},"response_metadata": {}},HumanMessage {"content": "请把以下句子翻译成英文：你好","additional_kwargs": {},"response_metadata": {}}
]

Message对象

Message 模块是 LangChain.js 中和大模型进行交互的 基本单位，用来表达谁说了什么，并且能携带额外的元信息。

常见的 Message 类型有：

1. HumanMessage：用户输入
2. AIMessage：模型输出
3. SystemMessage：系统指令，例如告诉模型「你是一个助手」这种角色设定
4. FunctionMessage / ToolMessage：Function Calling 或 MCP 工具调用的结果
5. ChatMessage：通用的消息格式，可以指定角色

对象成员

源码地址：https://github.com/langchain-ai/langchainjs/blob/cc568c195b85d69c3417f6e2e2a5e561d609d741/langchain-core/src/messages/base.ts

1. content

消息的主要内容，最核心的字段。

• 一般是 字符串（最常见）
• 也可以是 对象数组（比如多模态：文字 + 图片）

例子 1：纯文本

new HumanMessage("你好！")

{ content: "你好！" }

例子 2：多模态内容

new HumanMessage({content: [{ type: "text", text: "请描述这张图片" },{ type: "image_url", image_url: "https://example.com/cat.png" }]
})

{content: [{ type: "text", text: "请描述这张图片" },{ type: "image_url", image_url: "https://example.com/cat.png" }]
}

2. additional_kwargs

附加参数，用来保存与 OpenAI/其他模型 API 兼容的扩展字段。

它通常是空的 {}，但在某些场景下会被用到，例如 Function Calling 的场景：

new AIMessage({content: "",additional_kwargs: {function_call: {name: "getWeather",arguments: '{ "city": "北京" }'}}
})

这是早期的 OpenAI Function Calling 格式（GPT-3.5/4 2023-06-13 那一代）。这种格式只支持一次函数调用。

• 字段名是 function_call，里面直接放 name + arguments
• arguments 是 JSON 字符串，需要开发者自己 JSON.parse()

new AIMessage({content: "",additional_kwargs: {tool_calls: [{id: "tool_123",type: "function",function: { name: "search", arguments: "{ \"query\": \"LangChain\" }" }}]}
})

这是 OpenAI 新版 Tool Calling 格式（从 GPT-4-1106-preview 开始引入）。

• 支持 多次调用（tool_calls 是数组，可以一次性返回多个工具调用）
• 每个调用有 id（唯一标识符），方便你追踪调用 → 响应
• type 明确标注了调用类型（现在主要是 "function"）
• LangChain.js 会自动解析成标准化的 tool_calls 字段，arguments 会从字符串转成对象

不过现在，在最新的 LangChain.js 中，推荐使用tool_calls 字段，而非塞到 additional_kwargs 里：

new AIMessage({content: "",tool_calls: [{id: "tool_123",name: "getWeather",args: { city: "北京" },},],
});

3. invalid_tool_calls

当模型给出的工具调用结果无法被 LangChain 标准化时（例如 解析失败 或 结构不合法），这些调用不会出现在 AIMessage.tool_calls，而是被放进 AIMessage.invalid_tool_calls，方便你做兜底与修复。

4. response_metadata

用于保存「消息是怎么来的」的元信息，常见于 模型输出。里面的内容取决于 LLM 的返回信息，比如：

例子 1：OpenAI 返回的 token 消耗

new AIMessage({content: "你好，我是 AI 助手。",response_metadata: {tokenUsage: { promptTokens: 10, completionTokens: 20, totalTokens: 30 },model_name: "gpt-4o-mini",finish_reason: "stop"}
})

例子 2：Ollama 返回的时间戳

new AIMessage({content: "好的。",response_metadata: {created: 1724453430,model: "llama3"}
})

例子 3：自定义的元信息

new HumanMessage({content: "请帮我翻译",response_metadata: { source: "wechat" }
})

5. text

获取纯文本内容的便捷取值器。

import { HumanMessage } from "@langchain/core/messages";
const msg = new HumanMessage({content: [{ type: "text", text: "请描述这张图片" },{ type: "image_url", image_url: "https://example.com/cat.png" },],
});
console.log(msg.text); // 请描述这张图片
console.log(msg.content); // [{type:...},{type:...}]

6. getType()方法

返回消息类型。

import { HumanMessage } from "@langchain/core/messages";
const msg = new HumanMessage({content: [{ type: "text", text: "请描述这张图片" },{ type: "image_url", image_url: "https://example.com/cat.png" },],
});
console.log(msg.getType()); // human

getType() 方法常用语根据不同消息类型进行不同的处理。

@langchain/core/messages 里面还提供了一组守卫方法：

import { HumanMessage, isHumanMessage } from "@langchain/core/messages";const msg = new HumanMessage("你好，我叫小明");
console.log(isHumanMessage(msg)); // true

课堂练习：执行下面的代码，观察其结果

import { ChatOllama } from "@langchain/ollama";
import { HumanMessage } from "@langchain/core/messages";const chatModel = new ChatOllama({model: "llama3",temperature: 0.7,
});const response = await chatModel.invoke([new HumanMessage("用中文给我讲一个笑话"),
]);console.log(response);

---

-EOF-