Skip to content

💬 Cápsula 1: Messages

💬 Qué son los Messages y para qué sirven

En LangGraph (y en LangChain en general), los Messages son objetos que representan piezas de conversación o interacción entre el humano, el modelo de lenguaje (IA), el sistema o herramientas externas.

Estos mensajes encapsulan el contenido del diálogo y ayudan a estructurar correctamente las interacciones para que los modelos entiendan el contexto de forma clara y ordenada.

Piensa en los Messages como los actores de una conversación

Cada uno tiene su rol definido: algunos hablan, otros dan contexto, y otros entregan resultados de herramientas.

🧭 ¿Cuándo se recomienda su uso y por qué?

Usar Messages te permite construir flujos conversacionales más claros, escalables y reutilizables. Son especialmente útiles cuando trabajamos con:

  • 🔁 Conversaciones multi-turno (más de una interacción)
  • 🧠 Modelos que necesitan mantener el contexto
  • 🔧 Herramientas (como ToolMessage) en agentes o workflows

Ventajas de los Messages

  • Claridad: cada parte del mensaje tiene un tipo específico.
  • Compatibilidad: son totalmente compatibles con los modelos de LangChain.
  • Escalabilidad: fáciles de componer, almacenar y modificar.

🧱 Tipos de Messages

En LangChain, disponemos de varios tipos de mensajes. Cada uno tiene una función distinta, y todos heredan de la clase base BaseMessage.

🧑‍💻 HumanMessage

Representa lo que dice el usuario humano.

Atributos:
- content: el texto que envía el humano
- name: (opcional) útil si hay múltiples usuarios

Ejemplo:

from langchain_core.messages import HumanMessage

msg = HumanMessage(content="Hola, ¿me puedes ayudar con un resumen?")
print(msg)

🤖 AIMessage

Representa la respuesta generada por el modelo de IA.

Atributos:
- content: la respuesta de la IA
- name: (opcional) nombre de la IA si se desea especificar
- tool_calls: (opcional) lista de herramientas llamadas por la IA
- function_call: (opcional) si se usó una función

Ejemplo:

from langchain_core.messages import AIMessage

msg = AIMessage(content="Claro, ¿sobre qué tema necesitas el resumen?")
print(msg)

🧰 ToolMessage

Representa la respuesta de una herramienta que ha sido llamada por el modelo.

Atributos:
- tool_call_id: el ID que relaciona esta respuesta con su llamada
- content: lo que responde la herramienta

Ejemplo:

from langchain_core.messages import ToolMessage

msg = ToolMessage(tool_call_id="tool-1", content="La temperatura actual es 21°C.")
print(msg)

🛠️ FunctionMessage (deprecated en algunos casos, revisar compatibilidad)

Usado para representar mensajes derivados de funciones específicas.

Atributos:
- name: nombre de la función
- content: resultado textual

Ejemplo:

from langchain_core.messages import FunctionMessage

msg = FunctionMessage(name="get_weather", content="Hoy hace sol con 21°C.")
print(msg)

⚙️ SystemMessage

Proporciona instrucciones al modelo. No lo ve el usuario, solo el modelo.

Atributos:
- content: las instrucciones del sistema
- name: (opcional)

Ejemplo:

from langchain_core.messages import SystemMessage

msg = SystemMessage(content="Eres un asistente útil y conciso.")
print(msg)

🔎 Recursos:

🧠 Resumen

Hemos aprendido que:

  • Los Messages son piezas clave para estructurar interacciones.
  • Usarlos mejora la claridad y mantenimiento de nuestro flujo conversacional.
  • Hay distintos tipos con roles bien definidos: usuario, IA, sistema y herramientas.
  • Cada mensaje tiene atributos específicos y se puede crear fácilmente con clases de LangChain.

🔍 Consideraciones finales y ayudas

¡Cuidado con el orden!

El orden en que se agregan los Messages importa mucho. El modelo interpreta la conversación como un historial cronológico, ¡no lo confundas!

Si estás trabajando con agentes o LangGraph, esta forma de modelar la conversación se vuelve esencial. ¡Dominar los Messages te dará control total sobre cómo interactúan los nodos de tu grafo!