搜索文章 Ctrl K
返回
0

Messages 是 Spring AI Alibaba 中模型交互的基本单元。它们代表模型的输入和输出，携带在与 LLM 交互时表示对话状态所需的内容和元数据。

Messages 是包含以下内容的对象：

  • Role（角色） - 标识消息类型（如 system、user、assistant）

  • Content（内容） - 表示消息的实际内容（如文本、图像、音频、文档等）

  • Metadata（元数据） - 可选字段，如响应信息、消息 ID 和 token 使用情况

Spring AI Alibaba 提供了一个标准的消息类型系统，可在所有模型提供商之间工作，确保无论调用哪个模型都具有一致的行为。

基础使用

使用 messages 最简单的方式是创建消息对象并在调用模型时传递它们。

import org.springframework.ai.chat.model.ChatModel;

import org.springframework.ai.chat.messages.UserMessage;

import org.springframework.ai.chat.messages.SystemMessage;

import org.springframework.ai.chat.messages.AssistantMessage;

import org.springframework.ai.chat.prompt.Prompt;

import java.util.List;



// 使用 DashScope ChatModel

ChatModel chatModel = // ... 初始化 ChatModel



SystemMessage systemMsg = new SystemMessage("你是一个有帮助的助手。");

UserMessage userMsg = new UserMessage("你好，你好吗？");



// 与聊天模型一起使用

List<org.springframework.ai.chat.messages.Message> messages = List.of(systemMsg, userMsg);

Prompt prompt = new Prompt(messages);

ChatResponse response = chatModel.call(prompt);  // 返回 ChatResponse，包含 AssistantMessage

文本提示

文本提示是字符串 - 适用于简单的生成任务，不需要保留对话历史。

// 使用字符串直接调用

String response = chatModel.call("写一首关于春天的俳句");

使用文本提示的场景：

  • 有单个独立的请求

  • 不需要对话历史

  • 想要最小的代码复杂性

消息提示

或者，你可以通过提供消息对象列表向模型传递消息列表。

import org.springframework.ai.chat.messages.SystemMessage;

import org.springframework.ai.chat.messages.UserMessage;

import org.springframework.ai.chat.messages.AssistantMessage;

import org.springframework.ai.chat.prompt.Prompt;

import java.util.List;



List<org.springframework.ai.chat.messages.Message> messages = List.of(

    new SystemMessage("你是一个诗歌专家"),

    new UserMessage("写一首关于春天的俳句"),

    new AssistantMessage("樱花盛开时...")

);

Prompt prompt = new Prompt(messages);

ChatResponse response = chatModel.call(prompt);

使用消息提示的场景：

  • 管理多轮对话

  • 处理多模态内容（图像、音频、文件）

  • 包含系统指令

消息类型

  • System Message（系统消息） - 告诉模型如何行为并为交互提供上下文

  • User Message（用户消息） - 表示用户输入和与模型的交互

  • Assistant Message（助手消息） - 模型生成的响应，包括文本内容、工具调用和元数据

  • Tool Response Message（工具响应消息） - 表示工具调用的输出

System Message

SystemMessage 表示一组初始指令，用于引导模型的行为。你可以使用系统消息来设置语气、定义模型的角色并建立响应指南。

// 基础指令

SystemMessage systemMsg = new SystemMessage("你是一个有帮助的编程助手。");



List<org.springframework.ai.chat.messages.Message> messages = List.of(

    systemMsg,

    new UserMessage("如何创建 REST API？")

);

ChatResponse response = chatModel.call(new Prompt(messages));

// 详细的角色设定

SystemMessage systemMsg = new SystemMessage("""

    你是一位资深的 Java 开发者，擅长 Web 框架。

    始终提供代码示例并解释你的推理。

    在解释中要简洁但透彻。

    """);



List<org.springframework.ai.chat.messages.Message> messages = List.of(

    systemMsg,

    new UserMessage("如何创建 REST API？")

);

ChatResponse response = chatModel.call(new Prompt(messages));

User Message

UserMessage 表示用户输入和交互。它们可以包含文本、图像、音频、文件和任何其他数量的多模态内容。

文本内容

// 使用消息对象

ChatResponse response = chatModel.call(

    new Prompt(List.of(new UserMessage("什么是机器学习？")))

);



// 使用字符串快捷方式

// 使用字符串是单个 UserMessage 的快捷方式

String response = chatModel.call("什么是机器学习？");

消息元数据

import java.util.Map;



UserMessage userMsg = UserMessage.builder()

    .text("你好！")

    .metadata(Map.of(

        "user_id", "alice",  // 可选：识别不同用户

        "session_id", "sess_123"  // 可选：会话标识符

    ))

    .build();

注意：元数据字段的行为因提供商而异 - 有些用于用户识别，有些则忽略它。要检查，请参考模型提供商的文档。

多模态内容

UserMessage 可以包含多模态内容，如图像：

import org.springframework.ai.content.Media;

import org.springframework.util.MimeTypeUtils;

import java.net.URL;



// 从 URL 创建图像

UserMessage userMsg = UserMessage.builder()

    .text("描述这张图片的内容。")

    .media(Media.builder()

        .mimeType(MimeTypeUtils.IMAGE_JPEG)

        .data(new URL("https://example.com/image.jpg"))

        .build())

    .build();

Assistant Message

AssistantMessage 表示模型调用的输出。它们可以包括多模态数据、工具调用以及你稍后可以访问的提供商特定元数据。

ChatResponse response = chatModel.call(new Prompt("解释 AI"));

AssistantMessage aiMessage = response.getResult().getOutput();

System.out.println(aiMessage.getText());

AssistantMessage 对象由模型调用返回，其中包含响应中的所有相关元数据。

提供商对消息类型的权重/上下文化方式不同，这意味着有时手动创建新的 AssistantMessage 对象并将其插入消息历史中（就像它来自模型一样）会很有帮助。

import org.springframework.ai.chat.messages.AssistantMessage;

import org.springframework.ai.chat.messages.SystemMessage;

import org.springframework.ai.chat.messages.UserMessage;



// 手动创建 AI 消息（例如，用于对话历史）

AssistantMessage aiMsg = new AssistantMessage("我很乐意帮助你回答这个问题！");



// 添加到对话历史

List<org.springframework.ai.chat.messages.Message> messages = List.of(

    new SystemMessage("你是一个有帮助的助手"),

    new UserMessage("你能帮我吗？"),

    aiMsg,  // 插入，就像它来自模型一样

    new UserMessage("太好了！2+2 等于多少？")

);



ChatResponse response = chatModel.call(new Prompt(messages));

AssistantMessage 属性：

  • text: 消息的文本内容

  • metadata: 消息的元数据映射

  • toolCalls: 模型进行的工具调用列表

  • media: 媒体内容列表（如果有）

工具调用

当模型进行工具调用时，它们包含在 AssistantMessage 中：

import org.springframework.ai.chat.messages.AssistantMessage.ToolCall;



ChatResponse response = chatModel.call(prompt);

AssistantMessage aiMessage = response.getResult().getOutput();



if (aiMessage.hasToolCalls()) {

    for (ToolCall toolCall : aiMessage.getToolCalls()) {

        System.out.println("Tool: " + toolCall.name());

        System.out.println("Args: " + toolCall.arguments());

        System.out.println("ID: " + toolCall.id());

    }

}

Token 使用

Spring AI Alibaba 的 ChatResponse 可以在其元数据中保存 token 计数和其他使用元数据：

ChatResponse response = chatModel.call(new Prompt("你好！"));

ChatResponseMetadata metadata = response.getMetadata();



// 访问使用信息

if (metadata != null && metadata.getUsage() != null) {

    System.out.println("Input tokens: " + metadata.getUsage().getPromptTokens());

    System.out.println("Output tokens: " + metadata.getUsage().getCompletionTokens());

    System.out.println("Total tokens: " + metadata.getUsage().getTotalTokens());

}

流式和块

在流式传输期间，你将收到可以组合成完整消息对象的块：

import reactor.core.publisher.Flux;



Flux<ChatResponse> responseStream = chatModel.stream(new Prompt("你好"));



StringBuilder fullResponse = new StringBuilder();

responseStream.subscribe(

    chunk -> {

        String content = chunk.getResult().getOutput().getText();

        fullResponse.append(content);

        System.out.print(content);

    }

);

了解更多：

  • 从聊天模型流式传输 tokens

  • 从 agents 流式传输 tokens 和/或步骤

Tool Response Message

对于支持工具调用的模型，AI 消息可以包含工具调用。工具消息用于将单个工具执行的结果传回模型。

import org.springframework.ai.chat.messages.ToolResponseMessage;

import org.springframework.ai.chat.messages.ToolResponseMessage.ToolResponse;



// 在模型进行工具调用后

AssistantMessage aiMessage = AssistantMessage.builder()

    .content("")

    .toolCalls(List.of(

        new AssistantMessage.ToolCall(

            "call_123",

            "tool",

            "get_weather",

            "{\"location\": \"San Francisco\"}"

        )

    ))

    .build();



// 执行工具并创建结果消息

String weatherResult = "晴朗，22°C";

ToolResponseMessage toolMessage = ToolResponseMessage.builder()

    .responses(List.of(

        new ToolResponse("call_123", "get_weather", weatherResult)

    ))

    .build();



// 继续对话

List<org.springframework.ai.chat.messages.Message> messages = List.of(

    new UserMessage("旧金山的天气怎么样？"),

    aiMessage,      // 模型的工具调用

    toolMessage     // 工具执行结果

);

ChatResponse response = chatModel.call(new Prompt(messages));

ToolResponseMessage 属性：

  • responses: ToolResponse 对象列表，每个包含：

    • id: 工具调用 ID（必须与 AIMessage 中的工具调用 ID 匹配）

    • name: 调用的工具名称

    • responseData: 工具调用的字符串化输出

多模态内容

多模态性指的是处理不同形式数据的能力，如文本、音频、图像和视频。Spring AI Alibaba 包含这些数据的标准类型，可以跨提供商使用。

聊天模型可以接受多模态数据作为输入并生成它作为输出。下面我们展示包含多模态数据的输入消息的简短示例。

图像输入

import org.springframework.ai.content.Media;

import org.springframework.util.MimeTypeUtils;

import java.net.URL;



// 从 URL

UserMessage message = UserMessage.builder()

    .text("描述这张图片的内容。")

    .media(Media.builder()

        .mimeType(MimeTypeUtils.IMAGE_JPEG)

        .data(new URL("https://example.com/image.jpg"))

        .build())

    .build();



// 从本地文件

import org.springframework.core.io.ClassPathResource;



UserMessage message = UserMessage.builder()

    .text("描述这张图片的内容。")

    .media(new Media(

        MimeTypeUtils.IMAGE_JPEG,

        new ClassPathResource("images/photo.jpg")

    ))

    .build();

音频输入

import org.springframework.ai.content.Media;

import org.springframework.util.MimeTypeUtils;



UserMessage message = UserMessage.builder()

    .text("描述这段音频的内容。")

    .media(new Media(

        MimeTypeUtils.parseMimeType("audio/wav"),

        new ClassPathResource("audio/recording.wav")

    ))

    .build();

视频输入

import org.springframework.ai.content.Media;

import org.springframework.util.MimeTypeUtils;



UserMessage message = UserMessage.builder()

    .text("描述这段视频的内容。")

    .media(Media.builder()

        .mimeType(MimeTypeUtils.parseMimeType("video/mp4"))

        .data(new URL("https://example.com/path/to/video.mp4"))

        .build())

    .build();

警告：并非所有模型都支持所有文件类型。请查看模型提供商的文档以了解支持的格式和大小限制。

与 Chat Models 一起使用

Chat models 接受消息对象序列作为输入并返回 ChatResponse（包含 AssistantMessage）作为输出。交互通常是无状态的，因此简单的对话循环涉及使用不断增长的消息列表调用模型。

基础对话示例

import org.springframework.ai.chat.model.ChatModel;

import org.springframework.ai.chat.messages.Message;

import org.springframework.ai.chat.messages.UserMessage;

import org.springframework.ai.chat.messages.AssistantMessage;

import org.springframework.ai.chat.prompt.Prompt;

import java.util.ArrayList;

import java.util.List;



ChatModel chatModel = // ... 初始化



List<Message> conversationHistory = new ArrayList<>();



// 第一轮对话

conversationHistory.add(new UserMessage("你好！"));

ChatResponse response1 = chatModel.call(new Prompt(conversationHistory));

conversationHistory.add(response1.getResult().getOutput());



// 第二轮对话

conversationHistory.add(new UserMessage("你能帮我学习 Java 吗？"));

ChatResponse response2 = chatModel.call(new Prompt(conversationHistory));

conversationHistory.add(response2.getResult().getOutput());



// 第三轮对话

conversationHistory.add(new UserMessage("从哪里开始？"));

ChatResponse response3 = chatModel.call(new Prompt(conversationHistory));

使用 Builder 模式

Spring AI Alibaba 的消息类提供了 builder 模式以便于构建：

// UserMessage with builder

UserMessage userMsg = UserMessage.builder()

    .text("你好，我想学习 Spring AI Alibaba")

    .metadata(Map.of("user_id", "user_123"))

    .build();



// SystemMessage with builder

SystemMessage systemMsg = SystemMessage.builder()

    .text("你是一个 Spring 框架专家")

    .metadata(Map.of("version", "1.0"))

    .build();



// AssistantMessage with builder

AssistantMessage assistantMsg = AssistantMessage.builder()

    .content("我很乐意帮助你学习 Spring AI Alibaba！")

    .build();

消息复制和修改

// 复制消息

UserMessage original = new UserMessage("原始消息");

UserMessage copy = original.copy();



// 使用 mutate 创建修改的副本

UserMessage modified = original.mutate()

    .text("修改后的消息")

    .metadata(Map.of("modified", true))

    .build();

在 ReactAgent 中使用

ReactAgent 自动管理消息历史，但你也可以直接使用消息：

import com.alibaba.cloud.ai.graph.agent.ReactAgent;

import org.springframework.ai.chat.messages.UserMessage;

import org.springframework.ai.chat.messages.AssistantMessage;



ReactAgent agent = ReactAgent.builder()

    .name("my_agent")

    .model(chatModel)

    .systemPrompt("你是一个有帮助的助手")

    .build();



// 使用字符串

AssistantMessage response1 = agent.call("你好");



// 使用 UserMessage

UserMessage userMsg = new UserMessage("帮我写一首诗");

AssistantMessage response2 = agent.call(userMsg);



// 使用消息列表

List<Message> messages = List.of(

    new UserMessage("我喜欢春天"),

    new UserMessage("写一首关于春天的诗")

);

AssistantMessage response3 = agent.call(messages);
Spring AI Alibaba / Messages 消息 0 字 0 行 cosolar
2026-09-13T09:32:58.443239981Z 2026-09-13T09:47:32.252029838Z