企业官网建设流程全解析

Message：消息结构

本章定位

Message 是对话模型的输入、输出基础结构。 看似写model.invoke("你好")传了字符串，底层在 LangChain 里会自动包装成消息列表。模型真正接收的是一组 messages。

不管是发给模型的用户提问、模型返回的回答、工具调用请求、工具返回结果，全部都以 Message 对象放进 messages 列表。 每条消息包含两个核心信息：是谁说的 + 说了什么。

字典写法（贴近原生 OpenAI 接口）

messages = [ {"role": "system", "content": "你是一个乐于助人的 AI 助手。"}, {"role": "user", "content": "你好，我是教 AI 的老师。"}, {"role": "assistant", "content": "你好，老师，很高兴认识你。"}, {"role": "user", "content": "请查询 SpaceX 最近 7 天的最新消息。"}, ]

LangChain 对象写法（推荐，类型清晰）

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage messages = [ SystemMessage(content="你是一个乐于助人的 AI 助手。"), HumanMessage(content="你好，我是教 AI 的老师。"), AIMessage(content="你好，老师，很高兴认识你。"), HumanMessage(content="请查询 SpaceX 最近 7 天的最新消息。"), ]

Message 的核心价值：结构化保存上下文，模型可以清晰区分系统规则、用户问题、模型回复、工具结果。

Message 在 Agent 中的整体 Demo

实线：消息、数据流转；虚线：Agent 流程控制。

重点：Agent 里的 messages 不只是聊天记录，还保存完整任务执行步骤： 用户任务 → 模型判断是否调用工具 → 发起工具调用 → 工具执行 → 工具结果回填消息列表 → 模型结合结果继续回答

各消息角色定位

• SystemMessage：系统角色、全局规则
• HumanMessage：用户输入
• AIMessage：模型回答，也可以携带工具调用参数
• ToolMessage：工具执行后的返回结果
• messages列表：上下文容器，传给模型的完整记忆
• Agent：调度器，负责循环调用模型、工具、追加消息

agent_messages_demo.py

from langchain.agents import create_agent from langchain_core.messages import SystemMessage, HumanMessage, AIMessage from langchain_deepseek import ChatDeepSeek from langchain_tavily import TavilySearch from dotenv import load_dotenv load_dotenv() web_search = TavilySearch(max_results=2) model = ChatDeepSeek(model="deepseek-chat") agent = create_agent( model=model, tools=[web_search], system_prompt="你是一名多才多艺的智能助手，可以调用工具帮助用户解决问题。", ) res = agent.invoke({ "messages": [ {"role": "system", "content": "你是一个乐于助人的 AI 助手。"}, {"role": "user", "content": "你好，我是教 AI 的 Yuan 老师。"}, {"role": "assistant", "content": "你好，Yuan 老师，很高兴认识你。"}, {"role": "user", "content": "请查询 SpaceX 最近 7 天的最新消息。"}, ] }) for message in res["messages"]: message.pretty_print()

Tavily 官网：Tavily API Platform 运行后会打印完整消息链：系统消息、用户消息、AI消息（带tool_call）、ToolMessage、最终AI回答。

为什么对话模型围绕 messages 展开

大模型需要区分每一句话是谁发出的。

纯字符串拼接也能模拟角色，但只是文本，不是结构化字段，模型服务端无法原生识别。

• 字符串写法：角色是写给模型“猜”的文本
• messages写法：role 是API协议原生支持的结构化字段

简单问答可以凑合用字符串；一旦进入多轮对话、工具调用、Agent、多模态，必须用结构化消息，工具调用需要绑定 call_id，记录哪次调用对应哪个结果，字符串很难稳定维护。

一句话总结：messages 是给程序和模型服务识别的结构化上下文，不是给人阅读的文本。

LangChain 常见 Message 类型

1. SystemMessage用于设定角色、回答规范、约束。

from langchain_core.messages import SystemMessage msg = SystemMessage(content="你是一个乐于助人的 AI 助手。")

1. HumanMessage用户输入，对应原生 role:user

from langchain_core.messages import HumanMessage msg = HumanMessage(content="帮我查询订单物流。")

1. AIMessage模型输出，对应原生 role:assistant；支持携带 tool_calls 工具调用参数

from langchain_core.messages import AIMessage msg = AIMessage(content="请提供你的订单号。")

1. ToolMessage工具返回结果，必须绑定 tool_call_id，和模型发起的工具调用一一对应

from langchain_core.messages import ToolMessage msg = ToolMessage( content="订单 CN10001 当前正在派送中。", tool_call_id="call_001" )

用 Message 调用模型

两种写法对比

字典写法：贴近原生SDK，迁移方便，适合快速测试

Message 对象写法：类型安全，扩展性强，LangChain、Agent 项目优先使用

# 对象写法示例 from langchain_core.messages import SystemMessage, HumanMessage, AIMessage messages = [ SystemMessage(content="你是一个乐于助人的 AI 助手。"), HumanMessage(content="你好，我是Yuan老师。"), AIMessage(content="你好，很高兴认识你。"), HumanMessage(content="我刚才说我是谁？"), ] response = model.invoke(messages) print(response.content)

维护历史消息

大模型API是无状态的：本次请求传什么，模型就只能看到什么，不会自动记住上一轮对话。 多轮对话原理：业务代码手动维护消息列表，每一轮把新消息追加进去。

基础多轮示例

from langchain_core.messages import HumanMessage, SystemMessage from langchain.chat_models import init_chat_model from dotenv import load_dotenv import os load_dotenv() model = init_chat_model( model="deepseek-v4-pro", model_provider="deepseek", api_key=os.getenv("DEEPSEEK_API_KEY") ) messages = [SystemMessage(content="你是一个乐于助人的 AI 助手。")] # 第一轮 messages.append(HumanMessage(content="你好，我叫 Yuan。")) response = model.invoke(messages) print(response.content) messages.append(response) # 第二轮 messages.append(HumanMessage(content="我叫什么名字？")) response = model.invoke(messages) print(response.content) messages.append(response)

循环交互式聊天版本

from langchain_core.messages import HumanMessage, SystemMessage messages = [SystemMessage(content="你是一个乐于助人的 AI 助手。")] while True: user_input = input("你：") if user_input.lower() in {"exit", "quit"}: break messages.append(HumanMessage(content=user_input)) response = model.invoke(messages) print("助手：", response.content) messages.append(response)

后续学习的 Memory、checkpointer、Agent state，底层本质都是持久化、管理 messages 消息列表。

补充：阿里云百炼SDK多轮对话，底层逻辑同样是不断追加 messages。 参考：通义千问模型的多轮对话-大模型服务平台百炼(Model Studio)-阿里云帮助中心

多模态消息

文本模式：HumanMessage 的 content 是字符串 多模态模式：Message 对象不变，content 变成数组，里面放图片、音频、视频+文本块，不需要单独一套消息体系。

图片问答示例

from langchain_core.messages import HumanMessage msg = HumanMessage(content=[ {"type": "text", "text": "请描述这张图片。"}, { "type": "image_url", "image_url": {"url": "[https://example.com/image.jpg](https://example.com/image.jpg)"} }, ])

音频ASR示例

from langchain.chat_models import init_chat_model from dotenv import load_dotenv import os from langchain_core.messages import SystemMessage, HumanMessage, AIMessage load_dotenv() model = init_chat_model( model="qwen3-asr-flash", model_provider="openai", base_url="[https://dashscope.aliyuncs.com/compatible-mode/v1](https://dashscope.aliyuncs.com/compatible-mode/v1)", api_key=os.getenv("DASHSCOPE_API_KEY") ) messages = [ HumanMessage(content=[ { "type": "input_audio", "input_audio": {"data": "[https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3](https://dashscope.oss-cn-beijing.aliyuncs.com/audios/welcome.mp3)"} } ]) ] res = model.invoke(messages) print(res)

视频提取字幕示例

from langchain.chat_models import init_chat_model from dotenv import load_dotenv import os from langchain_core.messages import SystemMessage, HumanMessage, AIMessage load_dotenv() model = init_chat_model( model="qwen3.5-omni-plus", model_provider="openai", base_url="[https://dashscope.aliyuncs.com/compatible-mode/v1](https://dashscope.aliyuncs.com/compatible-mode/v1)", api_key=os.getenv("DASHSCOPE_API_KEY") ) messages = [ HumanMessage(content=[ { "type": "video_url", "video_url": { "url": "[https://aweme.snssdk.com/aweme/v1/play/?video_id=v0200fg10000cuhogevog65hkurqon00&ratio=720p&line=0](https://aweme.snssdk.com/aweme/v1/play/?video_id=v0200fg10000cuhogevog65hkurqon00&ratio=720p&line=0)" }, }, {"type": "text", "text": "请只提取这段视频中的语音内容，转写成文字。区分说话人。"} ]) ] res = model.invoke(messages) print(res.content)

注意：能否支持图片/音频/视频，取决于模型本身；不同厂商的多模态字段格式略有差异。 一句话：多模态依然是 Message，只是 content 结构升级。

本章小结

Message 是 LangChain 的结构化上下文载体，区分消息角色，支撑多轮对话、工具调用、Agent、多模态。

问答

1：LangChain 的 Message 是什么？为什么模型输入优先使用 messages，而不是直接传字符串？ 答：Message 是带角色的结构化消息。字符串只是文本，API无法原生识别角色；messages 的 role 是协议字段，方便多轮、工具调用、Agent 流程。

2：SystemMessage、HumanMessage、AIMessage、ToolMessage 分别作用？

答：SystemMessage 系统角色；HumanMessage 用户输入；AIMessage 模型回答/工具调用；ToolMessage 工具返回结果，绑定 call_id。

3：多轮对话里，大模型会自己记住聊天记录吗？

答：不会，模型无状态。需要我们维护 messages 列表，每一轮追加新消息。

4：多模态消息是不是独立的一套消息类型？

答：不是，仍然是 HumanMessage，只是 content 从字符串变成包含图片、音频、视频的结构化数组。