企业官网建设流程全解析

LangChain Messages 篇章学习笔记 — 模型交互的输入输出单元

本文基于 LangChain 官方文档 Messages 章节学习整理，梳理消息对象的结构、四种消息类型、多种传参格式与多轮对话机制，适合 AI Agent 开发入门者理解模型交互的数据载体。

一、Message 是什么

Message 是 LangChain 中从模型获取上下文的基础工具（fundamental utility）。Model 是基础单元，而 Message 反映了模型的输入和输出。它携带 content（内容）和 metadata（元数据），用于与 AI 交流。

Message 是一个对象（object），包含以下核心字段：

LangChain 提供了标准的 Message 模型类别，可以在所有模型提供商中工作，确保一致性行为，不管你用的是哪个模型。

二、基础使用

2.1 创建 Message 对象

最简单的方式是直接创建 Message 实体，然后把它们放到 invoke / stream / batch 里调用。

fromlangchain.messagesimportSystemMessage,HumanMessage# SystemMessage：给模型定义角色、背景、风格SystemMessage(content="你是一个专业的 Python 翻译助手")# HumanMessage：用户的问题HumanMessage(content="Translate: I love programming.")

2.2 三种传参方式

方式一：Text Prompts（字符串简写）

调用时直接传入字符串，LangChain 自动包装为 HumanMessage。

response=llm.invoke("什么是递归？")# 等价于 llm.invoke(HumanMessage(content="什么是递归？"))

方式二：Message Prompts（消息对象列表）

创建一个 list，放入各种 Message 对象。适用于多轮对话和 system instruction。

fromlangchain.messagesimportSystemMessage,HumanMessage,AIMessage messages=[SystemMessage(content="你是英文到法文翻译助手"),HumanMessage(content="Translate: I love programming."),AIMessage(content="J'adore la programmation."),# 上一轮 AI 的回答HumanMessage(content="Translate: I love building applications."),]response=llm.invoke(messages)

多轮对话的关键：把 AI 之前说的内容（AIMessage）放回消息列表，让 AI 有了短暂的记忆能力。你说一句、AI 说一句，再把 AI 说的内容传回去，形成多轮对话。

方式三：Dictionary Format（字典格式）

用字典构建消息，OpenAI 兼容最简洁的写法。

messages=[{"role":"system","content":"你是翻译助手"},{"role":"user","content":"Translate: I love programming."},{"role":"assistant","content":"J'adore la programmation."},{"role":"user","content":"Translate: I love building applications."},]response=llm.invoke(messages)

Q：字典格式里的 role 和 content 是规定好的吗？能随便传吗？

A：不能随便传。role 只能是system/user/assistant/tool这 4 个固定值，这是 OpenAI API 规范，所有兼容端点（包括百炼）都遵循。content 是你自己传的内容字符串。字典格式只是对象格式的简写，底层 LangChain 自动转成对应对象。

三、四种 Message 类型详解

3.1 SystemMessage — 角色定义

告诉模型行为并提供交互上下文，给模型定角色、提供背景。

SystemMessage(content="你是一个专业的 Python 翻译助手，只回答翻译结果")

用途：

• 设置语调（正式/幽默/简洁）
• 定义模型角色（翻译助手/代码专家/数据分析师）
• 为 response 建立指导规则
• 给模型一个"性格"和"回答风格"

3.2 HumanMessage — 用户输入

代表用户 input 和 interaction，是用户与模型交互的开始。

HumanMessage(content="什么是装饰器？")

多模态内容：HumanMessage 的 content 不仅可以是文本，还可以包含 audio、图片、files 等多模态内容。

HumanMessage 的字段：

Q：content、name、id 是规定好的还是自己创建的？

A：字段名是 LangChain 预定义的（不能改），值是你自己传的。类比 Java：就像一个 HumanMessage 类有三个属性，字段名是类定义好的，但属性值是你 new 的时候传的。

3.3 AIMessage — 模型输出

代表大语言模型返回的生成内容，包括信息、工具调用（tool_calls）和元数据等。

# 普通回答AIMessage(content="递归是一种函数调用自身的编程思想...")# 带工具调用的回答AIMessage(content="",tool_calls=[{"id":"call_001","name":"get_weather","args":{"city":"杭州"},}])

Q：AIMessage 是动态的，下轮问答时需要先提取 content 再传进去吗？

A：不需要手动提取，直接把整个 AIMessage 对象追加到消息列表就行。

# ✅ 正确：直接追加 AIMessage 对象messages=[SystemMessage("你是助手"),HumanMessage("你好")]resp=llm.invoke(messages)messages.append(resp)# AIMessage 直接追加messages.append(HumanMessage("那明天呢？"))resp2=llm.invoke(messages)# 模型能看到完整多轮对话

底层原理：模型 API 本身就接受assistant角色的消息。在 Agent 中，这个"追加消息→调用模型→再追加"的循环是 Agent 框架自动做的，你不需要手写循环。

3.4 ToolMessage — 工具返回结果

Agent 可以使用工具调用，ToolMessage 用于把工具执行结果回传给模型。

ToolMessage(content="晴，25度",tool_call_id="call_001",# 必须与 AIMessage.tool_calls[i]["id"] 严格对应name="get_weather",)

Q：ToolMessage 里的工具返回信息是放在 AIMessage 里面吗？

A：不是！ToolMessage 是独立的消息类型，和 AIMessage 是并列关系。

完整流程：

1. 模型返回 AIMessage（带 tool_calls） → "我想调用 get_weather(杭州)" 2. 你执行工具，得到结果 → "晴，25度" 3. 你把结果包成 ToolMessage 放回消息列表 → ToolMessage("晴，25度") 4. 再次调用模型，模型看到 ToolMessage → 生成最终回答

为什么 tool_call_id 必须对应？因为一次对话中模型可能同时调多个工具，模型靠 id 知道哪个 ToolMessage 对应哪个 tool_call：

AIMessage 的 tool_calls: ├── {id: "call_001", name: "get_weather", args: {city: "杭州"}} └── {id: "call_002", name: "get_time", args: {}} ToolMessage(tool_call_id="call_001", content="晴，25度") ← 对应 weather ToolMessage(tool_call_id="call_002", content="14:30") ← 对应 time

四、多轮对话的消息流转

用户提问 模型回答 │ │ ▼ ▼ HumanMessage("你好") → AIMessage("你好！有什么帮你的？") │ │ └──── 都追加到 messages 列表 ────┘ │ ▼ HumanMessage("那明天呢？") → AIMessage("明天有什么需要帮忙的？") │ │ └──── 继续追加 ─────────────┘

手动多轮对话（理解原理用，实际用 Agent 自动处理）：

messages=[SystemMessage(content="你是助手")]forroundinrange(3):user_input=input("你：")messages.append(HumanMessage(user_input))resp=llm.invoke(messages)messages.append(resp)# AIMessage 直接追加print(f"AI：{resp.content}")

五、三种传参格式对比

选择建议：

• 学习/调试：消息对象列表（类型明确，IDE 补全好）
• 快速验证：字符串简写
• 生产环境：字典格式（简洁，易序列化）

六、总结

核心认知：Message 是模型交互的"信封"，role 标识谁说的，content 是说的内容。四种 Message 类型对应对话中的四个角色，ToolMessage 是工具调用闭环的关键一环。