大志说编程

主题

大家好，我是大志。

在上一篇文章中，我们介绍了 Model 组件的用法。但光靠 Model 组件是无法完成推理、工具调用、问题回答等任务的，用户的问题、系统提示词、模型的回答以及工具的执行结果，都需要通过 Message 组件 进行封装和传递。

本文将系统介绍 LangChain V1.x 中 Message 组件的消息类型、内容结构以及常用操作。

另外，完整的 LangChain V1.0 教程 文档也已经同步到了 aiflowline.cn，大家可以结合本文一起阅读。

文中所有示例代码：https://github.com/wzycoding/langchain-study

一、什么是 Message 组件 ​

在 LangChain 中，Message 组件是整个框架的核心数据结构之一，也是对话上下文的载体。所有的 用户输入、大模型输出 和 工具调用结果 最终都会被封装成 Message 对象进行传递，它也是 Memory 组件和 LangGraph 状态管理的基础。

二、消息的类型 ​

LangChain 中将消息分为四种类型：

HumanMessage：用户输入的内容。对于支持多模态的 LLM，可以包含文本、图像、音频等形式的内容。

SystemMessage：系统提示词，可以定义角色、设定模型行为，为 LLM 提供上下文。

AIMessage：LLM 生成的响应内容，包括文本内容、工具调用信息和元数据信息。

ToolMessage：工具调用的结果。

代码示例如下：

python
from datetime import datetime

import dotenv
from langchain.chat_models import init_chat_model
from langchain.messages import HumanMessage, SystemMessage
from langchain.tools import tool

dotenv.load_dotenv()


# 1. 定义工具及对应的 map
@tool
def get_current_time():
    """获取当前时间"""
    return datetime.now().strftime('%Y-%m-%d %H:%M:%S')


tools_map = {
    "get_current_time": get_current_time
}

# 2. 创建 model 对象
model = init_chat_model(
    "deepseek-v4-flash"
)

# 3. 定义消息列表
human_message = HumanMessage("你好，你是谁？现在什么时间？")
system_message = SystemMessage("你是一个知识问答机器人，你叫老K")
message_list = [human_message, system_message]

# 4. 绑定工具
bind_tool_model = model.bind_tools([get_current_time])

# 5. 调用 LLM 模型
ai_message = bind_tool_model.invoke(message_list)
message_list.append(ai_message)

# 6. 判断是否有函数调用
if ai_message.tool_calls:
    tool_message = tools_map.get((ai_message.tool_calls[0].get("name"))).invoke(ai_message.tool_calls[0])
    # 7. 将工具调用结果 ToolMessage 添加到消息列表
    message_list.append(tool_message)

# 8. 再次调用 model
ai_message = bind_tool_model.invoke(message_list)

print(ai_message.content)

执行结果如下：

image-20260608224903367

三、消息内容 ​

3.1 content 字段 ​

在 LangChain 的消息类中，使用 content 属性保存消息所承载的内容。不过，content 是一个弱类型属性，可以用来保存字符串、对象列表等形式的信息。对于 AIMessage 类来说，content 中保存的是模型返回的原始内容。

现在许多 LLM 支持多模态。除了直接传递文本消息之外，我们还可以通过 content 传递图片消息：

python
# 传递字符串
human_message = HumanMessage("你好，你是谁？")

# 通过 content 传递多模态信息
human_message = HumanMessage(content=[
    {"type": "text", "text": "这张图片是哪个动漫人物？"},
    {"type": "image", "url": "https://image.baidu.com/a.jpg"}
])

3.2 content_blocks 字段 ​

在 LangChain v1.0 中，除了 content 能保存消息内容外，还提供了统一不同模型提供商数据格式的 content_blocks 字段。它的作用是屏蔽不同 LLM 厂商在传入和返回数据格式方面的差异，并统一消息内容的返回格式，让使用者不必再针对不同模型编写兼容逻辑。这些内容 LangChain 已经在内部完成封装。

在没有 content_blocks 之前，可能 OpenAI 返回这样的格式：

json
{
    "type":"reasoning",
    "summary":"..."
}

而 Anthropic 返回这样的格式：

json
{
    "type":"thinking",
    "thinking":"..."
}

每个厂商都有自己的格式，我们就需要编写大量的判断逻辑：

python
if openai:
    ...
if anthropic:
    ...
if gemini:
    ...

而现在通过 content_blocks 就可以获取统一格式的信息：

python
[
    {
        "type":"reasoning",
        "reasoning":"..."
    }
]

例如，可以在 HumanMessage 中使用 content_blocks 填充多模态信息：

python
# 通过 content_blocks 传递多模态信息
human_message = HumanMessage(content_blocks=[
    {"type": "text", "text": "这张图片是哪个动漫人物？"},
    {"type": "image", "url": "https://image.baidu.com/a.jpg"}
])

四、总结 ​

在 LangChain 中，Message 组件用于保存对话消息。content 字段用于保存模型原始输入或输出内容，可能是字符串，也可能是 Provider 原生格式的数据结构。

content_blocks 是 LangChain 提供的标准化消息内容字段，用于以统一格式访问消息内容。

由于 AIMessage 表示 LLM 的输出结果，因此 content_blocks 中通常会包含更丰富的内容类型，例如文本（text）、推理过程（reasoning）、工具调用（tool_call）、引用（citation）以及多模态等内容。

好啦，本期 LangChain V1.0 教程就到这里。后面我会每周至少更新 1 期全新 LangChain V1 系列教程，想看后续内容的朋友，欢迎关注「大志说编程」！

觉得有用的话，转发给想要学习 AI Agent 的小伙伴，咱们下期见～

最后更新于: