LangChain Messages：消息使用完全指南

LangChain Messages：消息使用完全指南

🧾消息（Message） 是LangChain中模型上下文的基本单位 ，代表模型的输入和输出，承载着与大语言模型交互时，表达对话状态所需的内容 和元数据。所有LangChain聊天模型均采用标准化的消息类型，保证调用不同提供商模型时行为一致，是实现多轮对话、多模态交互、工具调用的核心基础。

消息对象的核心组成：

• Role（角色） ：标识消息类型（如system系统|user人类|assistantAI）

• Content（内容）：消息的实际载体（文本|图片|音频|文件等）

• Metadata（元数据）：可选字段（响应信息|消息ID|Token用量|用户标识等）

一、消息的基础用法 📚

LangChain中调用模型时，支持两种输入形式 （文本提示词/消息提示词）+一种兼容格式（字典格式），分别适配不同的业务场景，以下为各方式的用法、代码示例及适用场景解析。

1.1 文本提示词（Text prompts）

直接以字符串作为模型输入，是最简单的调用方式，无需构造复杂的消息对象。

核心特点

• 输入为纯字符串，代码极简

• 无对话历史管理能力

• 仅支持文本类型输入，不支持多模态

适用场景

✅ 单条独立的请求 | ✅ 无需保留对话历史 | ✅ 简单的文本生成任务

代码示例+逐行解析

# 初始化聊天模型（需提前安装对应依赖并配置API密钥）
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 直接传入字符串作为输入，调用模型
response = model.invoke("写一首关于春天的俳句")
print(response) # 返回AIMessage对象，包含模型回复内容

解析：

• 无需导入任何消息类，直接调用model.invoke()传入字符串即可；

• 模型会自动将字符串解析为人类消息（HumanMessage），内部完成封装。

1.2 消息提示词（Message prompts）

以消息对象列表作为模型输入，是LangChain的标准用法，支持组合不同类型的消息（系统|人类|AI）。

核心特点

• 输入为SystemMessage/HumanMessage/AIMessage对象的列表

• 可灵活管理多轮对话历史，实现上下文交互

• 支持多模态内容、系统指令定制

适用场景

✅ 管理多轮对话 | ✅ 处理图片/音频等多模态内容 | ✅ 需要定制模型行为的系统指令

代码示例+逐行解析

# 导入所需的消息类型
from langchain.messages import SystemMessage, HumanMessage, AIMessage
from langchain.chat_models import init_chat_model

# 初始化模型
model = init_chat_model("gpt-5-nano")

# 构造消息列表：系统指令→人类问题→AI历史回复
messages = [
    SystemMessage("你是一位诗歌专家，擅长创作各类诗词"), # 定义模型角色
    HumanMessage("写一首关于春天的俳句"), # 用户的初始请求
    AIMessage("樱花开遍野，清风拂过枝头软，春意在人间") # 模型的历史回复
]

# 传入消息列表调用模型，模型基于上下文生成新回复
response = model.invoke(messages)
print(response.text) # 提取AI回复的文本内容

解析：

• 消息列表的顺序代表对话的上下文顺序，模型会按顺序解析；

• 可手动插入AIMessage模拟历史对话，实现自定义上下文的多轮交互。

1.3 字典格式（Dictionary format）

以OpenAI聊天补全兼容的字典列表作为输入，是消息提示词的简化写法，无需导入LangChain的消息类。

核心特点

• 字典的必选键为role和content ，role取值与消息类型对应：system/user/assistant/tool

• 代码更简洁，兼容OpenAI生态的开发习惯

• 支持多轮对话，功能与消息对象列表一致

代码示例+逐行解析

from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 构造OpenAI兼容的字典格式消息列表
messages = [
    {"role": "system", "content": "你是一位诗歌专家，擅长创作各类诗词"},
    {"role": "user", "content": "写一首关于春天的俳句"},
    {"role": "assistant", "content": "樱花开遍野，清风拂过枝头软，春意在人间"}
]

# 直接传入字典列表，模型自动解析为对应的消息对象
response = model.invoke(messages)
print(response.text)

解析：

• LangChain会自动将字典的role映射为对应的消息类型，content映射为消息内容；

• 该格式适合从OpenAI原生代码迁移到LangChain的场景，无需修改大量输入逻辑。

二、核心消息类型 🧬

LangChain定义了四种核心消息类型，分别对应对话中的不同角色，各类型有专属的作用、属性和使用场景，且均支持跨模型提供商的标准化使用。

2.1 系统消息（SystemMessage）🗣️

作用 ：为模型设定行为准则、角色定位、回复规范，是模型的初始化指令 ，决定模型的整体交互风格。 核心特点：

• 通常放在消息列表的首位，模型会优先解析并遵循其指令；

• 可简单定义角色，也可详细定制回复要求（如提供代码示例、简洁回答等）。

示例1：简单指令（定义基础角色）

from langchain.messages import SystemMessage, HumanMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 简单的系统消息：定义模型为编程助手
system_msg = SystemMessage("你是一位乐于助人的编程助手")
# 构造消息列表
messages = [
    system_msg,
    HumanMessage("如何创建一个REST API？")
]
# 调用模型
response = model.invoke(messages)
print(response.text)

示例2：详细人设（定制回复规则）

from langchain.messages import SystemMessage, HumanMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 详细的系统消息：定义角色+回复要求
system_msg = SystemMessage("""
你是一位资深Python开发工程师，精通各类Web框架。
回答时必须提供代码示例，并解释实现思路。
解释需简洁但全面，避免冗余内容。
""")
messages = [
    system_msg,
    HumanMessage("如何创建一个REST API？")
]
response = model.invoke(messages)
print(response.text)

关键：系统消息的描述越详细，模型的回复越贴合预期，是定制模型行为的核心方式。

2.2 人类消息（HumanMessage）👤

作用 ：代表用户的输入和交互 ，是模型的核心推理依据，可包含文本、图片、音频等多模态内容。 核心属性：

• content：必选，消息内容（字符串/多模态内容块）；

• name：可选，用户标识（区分多用户场景，部分提供商忽略该字段）；

• id：可选，消息唯一ID（用于链路追踪、日志记录）。

示例1：纯文本内容（基础用法）

from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 构造纯文本人类消息
response = model.invoke([HumanMessage("什么是机器学习？")])
print(response.text)

示例2：添加元数据（多用户/追踪场景）

from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 构造带元数据的人类消息，标识用户和消息ID
human_msg = HumanMessage(
    content="帮我解释一下Python的装饰器",
    name="alice",  # 标识用户为alice，适用于多用户对话系统
    id="msg_123"   # 消息唯一ID，用于LangSmith等工具的链路追踪
)
response = model.invoke([human_msg])
print(response.text)

注意 ：name字段的兼容性因提供商而异，若需使用该功能，需参考对应模型提供商的官方文档。

2.3 AI消息（AIMessage）🤖

作用 ：代表模型的输出结果 ，是model.invoke/stream/batch的返回值，包含模型生成的文本、工具调用、Token用量等核心信息。 核心特点：

• 可由模型自动生成，也可手动构造（用于模拟历史对话、自定义上下文）；

• 包含丰富的属性，支持解析工具调用、Token统计、流式块聚合等高级功能。

核心属性

属性名	类型	作用
text	字符串	模型生成的纯文本内容，快速提取回复核心
content	字符串/字典列表	消息原始内容，支持多模态/结构化数据
content_blocks	列表	标准化的内容块，跨提供商统一格式
tool_calls	列表/None	模型的工具调用请求，无调用时为None
id	字符串	消息唯一ID（自动生成/提供商返回）
usage_metadata	字典/None	Token用量元数据，包含输入/输出Token数
response_metadata	字典/None	提供商专属的响应元数据（如模型名、请求ID）

示例1：模型自动生成AI消息（基础用法）

from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 模型invoke调用后，直接返回AIMessage对象
response = model.invoke("解释一下人工智能的定义")
print(type(response))  # 输出：<class 'langchain.messages.AIMessage'>
print(response.text)   # 提取纯文本回复
print(response.usage_metadata) # 查看Token用量统计（部分提供商支持）

示例2：手动构造AI消息（模拟历史对话）

from langchain.messages import AIMessage, SystemMessage, HumanMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 手动构造AI消息，模拟模型的历史回复
ai_msg = AIMessage("我很乐意为你解答这个问题！")

# 将手动构造的AI消息插入消息列表，作为上下文
messages = [
    SystemMessage("你是一位乐于助人的助手"),
    HumanMessage("你能帮我解决数学问题吗？"),
    ai_msg,  # 模拟模型的历史回复
    HumanMessage("太好了！2+2等于多少？")
]

# 模型基于包含手动AI消息的上下文生成新回复
response = model.invoke(messages)
print(response.text) # 输出：2+2等于4

示例3：解析AI消息的工具调用请求

from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 定义一个简单的天气查询工具
def get_weather(location: str) -> str:
    """获取指定地点的天气情况"""
    return f"{location}的天气为晴天，气温25℃"

# 将工具绑定到模型，模型可生成工具调用请求
model_with_tools = model.bind_tools([get_weather])
# 调用模型，触发工具调用
response = model_with_tools.invoke("巴黎的天气怎么样？")

# 解析AI消息中的tool_calls属性，获取工具调用信息
for tool_call in response.tool_calls:
    print(f"工具名：{tool_call['name']}")
    print(f"工具参数：{tool_call['args']}")
    print(f"工具调用ID：{tool_call['id']}")

示例4：流式调用的AI消息块聚合

from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 流式调用模型，返回AIMessageChunk对象迭代器
chunks = []
full_message = None
for chunk in model.stream("介绍一下LangChain的核心功能"):
    chunks.append(chunk)  # 保存所有流式块
    print(chunk.text, end="", flush=True)  # 实时打印流式内容
    # 聚合流式块为完整的AIMessage对象
    full_message = chunk if full_message is None else full_message + chunk

print("\n")
print(full_message.text) # 输出聚合后的完整回复

关键 ：AIMessageChunk是AI消息的流式片段，可通过+运算符聚合为完整的AIMessage，与直接invoke的结果完全一致。

示例5：查看Token用量元数据

from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 调用模型并获取Token用量
response = model.invoke("你好！")
print(response.usage_metadata)

典型输出：

{
    'input_tokens': 8,        # 输入Token数
    'output_tokens': 304,     # 输出Token数
    'total_tokens': 312,      # 总Token数
    'input_token_details': {'audio': 0, 'cache_read': 0}, # 输入Token详情
    'output_token_details': {'audio': 0, 'reasoning': 256} # 输出Token详情
}

注意 ：Token用量统计需模型提供商支持，部分开源模型/本地模型可能返回None。

2.4 工具消息（ToolMessage）🛠️

作用 ：代表工具调用的执行结果 ，用于将工具的输出传递回模型，模型会基于该结果继续推理并生成最终回复。 核心特点：

• 必须与AI消息中的tool_call_id一一匹配，模型才能关联工具调用和结果；

• 包含artifact字段，可存储下游处理的附加数据（不传给模型，避免干扰上下文）；

• 工具执行后会自动生成该消息，也可手动构造。

核心属性

属性名	类型	是否必选	作用
content	字符串	是	工具执行的结果文本，会传给模型作为上下文
tool_call_id	字符串	是	工具调用ID，必须匹配AI消息中的对应ID
name	字符串	是	被调用的工具名称
artifact	字典	否	附加数据，不传给模型，仅用于下游程序处理

示例1：基础用法（手动构造工具消息，关联工具调用）

from langchain.messages import AIMessage, HumanMessage, ToolMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("gpt-5-nano")

# 1. 手动构造AI消息，包含天气查询的工具调用请求
ai_message = AIMessage(
    content=[],
    tool_calls=[{
        "name": "get_weather",
        "args": {"location": "旧金山"},
        "id": "call_123"  # 工具调用ID
    }]
)

# 2. 执行工具，获取结果，并构造ToolMessage（tool_call_id必须匹配）
weather_result = "晴天，气温72华氏度"
tool_message = ToolMessage(
    content=weather_result,  # 工具执行结果
    tool_call_id="call_123", # 与AI消息的tool_call_id一致
    name="get_weather"       # 工具名称
)

# 3. 将人类消息→AI工具调用→工具结果传入模型，模型生成最终回复
messages = [
    HumanMessage("旧金山的天气怎么样？"),
    ai_message,
    tool_message,
]
response = model.invoke(messages)
print(response.text) # 输出：旧金山目前的天气是晴天，气温72华氏度

示例2：高级用法（使用artifact字段存储下游附加数据）

artifact字段是工具消息的核心高级特性 ，用于存储不传给模型但需下游程序使用的元数据（如文档ID、页码、原始数据等），避免无关数据占用模型的上下文窗口。

from langchain.messages import ToolMessage

# 传给模型的内容：仅包含模型需要的文本信息
message_content = "那是最美好的时代，那是最糟糕的时代。"

# 下游程序使用的附加数据：存储文档ID和页码，不传给模型
artifact = {"document_id": "doc_123", "page": 0}

# 构造带artifact的工具消息
tool_message = ToolMessage(
    content=message_content,  # 模型可见的内容
    tool_call_id="call_123",  # 匹配工具调用ID
    name="search_books",      # 工具名称
    artifact=artifact         # 下游可见的附加元数据
)

# 下游程序可提取artifact数据，用于渲染页面/日志记录等
print(tool_message.artifact["document_id"]) # 输出：doc_123

适用场景 ：RAG（检索增强生成）场景中，检索工具返回的文本传给模型，而文档ID、页码等元数据存储在artifact中，用于前端展示引用来源。

三、消息内容（Message content）📝

消息的content属性是传给模型的核心数据载体 ，LangChain对其做了松散类型设计 ，支持字符串 、提供商原生格式的内容块列表 、LangChain标准内容块列表三种形式，兼顾兼容性和标准化，同时支持多模态、工具调用等复杂内容。

3.1 内容的三种表示形式

形式1：纯字符串（最基础，适合纯文本场景）

from langchain.messages import HumanMessage
# 纯字符串内容的人类消息
human_message = HumanMessage(content="你好，最近怎么样？")

形式2：提供商原生格式（适配特定模型，如OpenAI的多模态格式）

from langchain.messages import HumanMessage
# OpenAI原生格式的多模态内容：文本+图片URL
human_message = HumanMessage(content=[
    {"type": "text", "text": "描述这张图片的内容"},
    {"type": "image_url", "image_url": {"url": "https://example.com/image.jpg"}}
])

形式3：LangChain标准内容块（跨提供商标准化，推荐）

通过content_blocks属性构造，是类型安全的标准化格式 ，LangChain会自动将其同步到content属性，适配所有模型提供商。

from langchain.messages import HumanMessage
# LangChain标准内容块：文本+图片URL
human_message = HumanMessage(content_blocks=[
    {"type": "text", "text": "描述这张图片的内容"},
    {"type": "image", "url": "https://example.com/image.jpg"},
])
# content_blocks会自动同步到content属性
print(human_message.content)

关键 ：content_blocks是LangChain v1新增的属性，用于跨提供商统一内容格式，解决不同模型对多模态/结构化内容的解析差异问题。

3.2 标准内容块的懒加载解析

所有消息对象都实现了content_blocks属性，会懒加载 将content属性解析为标准化的内容块格式 ，即使content是提供商原生格式，也会自动转换为统一的结构。

示例 ：Anthropic模型的thinking块自动转换为LangChain的reasoning块

from langchain.messages import AIMessage

# Anthropic原生格式的内容：thinking块+text块
message = AIMessage(
    content=[
        {"type": "thinking", "thinking": "用户在问天气，需要调用天气工具", "signature": "WaUjzkyp..."},
        {"type": "text", "text": "我需要先查询天气数据"},
    ],
    response_metadata={"model_provider": "anthropic"}
)

# 自动解析为LangChain标准的content_blocks：reasoning块+text块
print(message.content_blocks)

输出结果（标准化格式）：

[
    {'type': 'reasoning', 'reasoning': '用户在问天气，需要调用天气工具', 'extras': {'signature': 'WaUjzkyp...'}},
    {'type': 'text', 'text': '我需要先查询天气数据'}
]

3.3 标准内容块的序列化

若需让LangChain外部的应用也能访问标准化的内容块，可通过两种方式开启内容块序列化：

1. 设置环境变量LC_OUTPUT_VERSION="v1"；

2. 初始化模型时指定output_version="v1"（推荐，局部生效，不影响全局）。

   from langchain.chat_models import init_chat_model

   初始化模型时指定output_version，开启标准内容块序列化

   model = init_chat_model("gpt-5-nano", output_version="v1")

   调用模型后，返回的AIMessage的content为标准内容块格式

   response = model.invoke("你好！")
   print(response.content_blocks)

四、多模态内容（Multimodal）🧩

多模态指模型处理/生成非文本数据 的能力（图片|音频|视频|PDF等），LangChain通过标准化的内容块 实现多模态数据的传入，支持URL 、Base64编码 、提供商管理的File ID三种数据传入方式，适配不同的使用场景。

4.1 核心注意事项

• 不同模型提供商支持的多模态格式/文件大小不同，需参考对应提供商的官方文档；

• 多模态内容需封装在内容块列表 中，通过content或content_blocks传入消息；

• Base64编码的内容必须指定MIME类型 （如image/jpeg、application/pdf）。

4.2 图片输入示例（最常用）

from langchain.messages import HumanMessage

# 方式1：通过URL传入图片（适合公网可访问的图片）
msg_url = HumanMessage(content=[
    {"type": "text", "text": "描述这张图片的内容"},
    {"type": "image", "url": "https://example.com/path/to/image.jpg"},
])

# 方式2：通过Base64编码传入图片（适合内网/本地图片）
msg_base64 = HumanMessage(content=[
    {"type": "text", "text": "描述这张图片的内容"},
    {
        "type": "image",
        "base64": "AAAAIGZ0eXBtcDQyAAAAAGlzb21tcDQyAAACAGlzb2...", # 图片的Base64编码
        "mime_type": "image/jpeg", # 必须指定MIME类型
    },
])

# 方式3：通过提供商管理的File ID传入图片（适合大文件，如OpenAI的File ID）
msg_fileid = HumanMessage(content=[
    {"type": "text", "text": "描述这张图片的内容"},
    {"type": "image", "file_id": "file-abc123"}, # 提供商生成的文件ID
])

4.3 PDF/音频/视频输入

与图片输入的格式一致，仅需修改**type和 mime_type**字段：

• PDF文件：type="file"，mime_type="application/pdf"；

• 音频文件：type="audio"，mime_type="audio/mpeg"（MP3）/audio/wav（WAV）；

• 视频文件：type="video"，mime_type="video/mp4"（MP4）/video/webm（WEBM）。

示例：PDF文件输入

from langchain.messages import HumanMessage
msg_pdf = HumanMessage(content=[
    {"type": "text", "text": "总结这份PDF文档的核心内容"},
    {
        "type": "file",
        "base64": "JVBERi0xLjUKJb/3rp6...", # PDF的Base64编码
        "mime_type": "application/pdf",
    },
])

五、内容块参考手册 📋

LangChain定义了五大类标准化的内容块，每类包含若干具体的块类型，每个块类型有严格的字段规范（必选/可选），适用于所有模型提供商，是实现跨平台内容兼容的核心。

内容块的基本形式为带类型的字典 ，**type字段为必选**，用于标识内容块的类型，其他字段根据类型而定。

5.1 核心内容块（Core）

适用于所有基础场景，包含文本、推理两种核心类型。

5.1.1 TextContentBlock（文本内容块）

用途 ：标准化的纯文本输出，是最常用的内容块类型。 必选字段 ：type="text"、text（文本内容） 可选字段 ：annotations（文本注解）、extras（提供商附加数据） 示例：

{
    "type": "text",
    "text": "LangChain是一个大语言模型应用开发框架",
    "annotations": [],
    "extras": {"model": "gpt-5-nano"}
}

5.1.2 ReasoningContentBlock（推理内容块）

用途 ：存储模型的思考/推理步骤 ，方便查看模型的决策逻辑。 必选字段 ：type="reasoning" 可选字段 ：reasoning（推理内容）、extras（提供商附加数据） 示例：

{
    "type": "reasoning",
    "reasoning": "用户想了解LangChain，需要先介绍其定位，再说明核心功能",
    "extras": {"signature": "abc123"}
}

5.2 多模态内容块（Multimodal）

适用于图片、音频、视频、通用文件、纯文本文档等非文本数据，核心字段为url/base64/file_id（三选一）+mime_type（Base64时必选）。

关键通用规则

• url：公网可访问的资源地址；

• base64：资源的Base64编码，必须指定mime_type；

• file_id：模型提供商管理的资源唯一ID；

• id：可选，内容块的唯一ID。

包含的具体类型：image（图片）、audio（音频）、video（视频）、file（通用文件）、text-plain（纯文本文档），示例参考第四章 多模态内容。

5.3 工具调用内容块（Tool Calling）

适用于模型的工具调用请求，包含工具调用、流式工具调用片段、无效工具调用三种类型。

5.3.1 ToolCall（工具调用块）

用途 ：存储模型的完整工具调用请求 ，是工具调用的核心格式。 必选字段 ：type="tool_call"、name（工具名）、args（工具参数）、id（工具调用ID） 示例：

{
    "type": "tool_call",
    "name": "get_weather",
    "args": {"location": "北京"},
    "id": "call_123"
}

5.3.2 ToolCallChunk（流式工具调用块）

用途 ：流式调用时，存储工具调用的片段 （如未完成的参数）。 必选字段 ：type="tool_call_chunk" 可选字段 ：name、args、id、index（片段位置）

5.3.3 InvalidToolCall（无效工具调用块）

用途 ：存储解析失败的工具调用 （如JSON格式错误），方便调试。 必选字段 ：type="invalid_tool_call"、error（错误描述） 可选字段 ：name、args

5.4 服务端工具执行内容块（Server-Side Tool Execution）

适用于模型提供商服务端的工具调用（如OpenAI的联网搜索），无需客户端执行工具，包含服务端工具调用、流式片段、执行结果三种类型。

核心类型：ServerToolResult（服务端工具结果块）

必选字段 ：type="server_tool_result"、tool_call_id（关联的工具调用ID）、status（执行状态：success/error） 示例：

{
    "type": "server_tool_result",
    "tool_call_id": "ws_abc123",
    "status": "success",
    "output": "北京今日晴天，气温25℃"
}

5.5 提供商特定内容块（Provider-Specific Blocks）

NonStandardContentBlock（非标准内容块）

用途 ：作为提供商专属功能的兼容出口 ，存储实验性/独有的数据结构。 必选字段 ：type="non_standard"、value（提供商原生数据） 示例：

{
    "type": "non_standard",
    "value": {"anthropic_specfic": "xxx", "thinking": "xxx"}
}

注意：该类型仅用于临时兼容，推荐优先使用LangChain的标准化内容块。

六、与聊天模型结合使用 🤝

LangChain的聊天模型 遵循标准化的交互逻辑 ：接收消息对象序列作为输入 ，返回AIMessage对象作为输出 ，所有交互均为无状态 ------模型不会保存对话历史，需由开发者维护一个不断增长的消息列表实现多轮对话。

6.1 基础的对话循环实现

from langchain.chat_models import init_chat_model
from langchain.messages import SystemMessage, HumanMessage, AIMessage

# 初始化模型
model = init_chat_model("gpt-5-nano")
# 初始化对话历史，加入系统消息
chat_history = [SystemMessage("你是一位乐于助人的助手，回答简洁明了")]

# 多轮对话循环
while True:
    # 获取用户输入
    user_input = input("用户：")
    if user_input == "退出":
        break
    # 将用户输入加入对话历史
    chat_history.append(HumanMessage(user_input))
    # 调用模型，获取AI回复
    ai_response = model.invoke(chat_history)
    # 将AI回复加入对话历史
    chat_history.append(ai_response)
    # 输出AI回复
    print(f"AI：{ai_response.text}")

解析：

• 对话历史chat_history是一个消息对象列表，每次对话都会将用户输入和AI回复追加到列表中；

• 模型每次调用都会基于完整的对话历史生成回复，实现上下文交互。

6.2 进阶的对话管理指引

在实际开发中，仅维护消息列表会面临上下文窗口溢出 、对话历史过大等问题，LangChain提供了完善的解决方案，可参考官方指南：

1. 对话历史的持久化与管理：LangChain内置了对话历史的存储、加载功能，支持内存、数据库等多种存储方式；

2. 上下文窗口优化：支持消息裁剪、消息摘要、上下文压缩等策略，避免因消息过多导致Token超限；

3. 多会话管理：支持为不同用户/会话维护独立的对话历史，实现多用户的隔离交互。

总结 📖

消息（Message）是LangChain大语言模型应用开发的核心基础组件，其设计的核心优势在于：

1. 跨提供商标准化：统一的消息类型和内容块格式，让开发者无需适配不同模型的输入输出；

2. 灵活的内容支持 ：松散类型的content属性+标准化的content_blocks，兼顾兼容性和类型安全；

3. 完善的功能扩展：原生支持多轮对话、多模态、工具调用、Token统计等核心功能；

4. 简单的交互逻辑：无状态的模型交互+可手动维护的消息列表，降低多轮对话的开发成本。

掌握消息模块的使用，是开发LangChain各类应用（聊天机器人、RAG、智能体）的基础，后续的工具调用、智能体开发、多模态应用均基于此展开。