消息对象中字段的说明

消息对象字段说明

SystemMessage参数列表

content：消息内容，字段名可以省略

bash 复制代码

SystemMessage("你是个善解人意的助手")

相当于

bash 复制代码

SystemMessage(content = "你是个善解人意的助手")

HumanMessage参数列表

content：消息内容，字段名可以省略

bash 复制代码

HumanMessage（"你好啊")

metadata：元数据字段，可以有很多，自定义

举例：带有元数据字段

bash 复制代码

from dotenv import load_dotenv
import os
from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
from rich import print as rprint

load_dotenv(override=True)

CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_API_BASE = os.getenv("CLOSEAI_API_BASE")

model = init_chat_model(
    model="gpt-5.4-mini",
    api_key=CLOSEAI_API_KEY,
    base_url=CLOSEAI_API_BASE
)

messages = [
    HumanMessage(
        content="Hello World!",
        name="Bob",
        id = "msg987"
    )
]

rprint(model.invoke(messages))

name和id都属于元数据字段，当消息类型相同，对消息进行区分。但不是所有模型都支持这一功能，是否支持取决于模型供应商，需要查看官方手册。比如：

OpenAI的API手册告诉我们，HumanMessage支持name作为元数据字段，如下图所示。而DeepSeek得API官方文档明确支持name作为元数据，但实测发现模型无法识别

此处通过CloseAI平台调用 gpt-5.4-mini 展示 name 的作用。

bash 复制代码

from langchain_openrouter import ChatOpenRouter
from dotenv import load_dotenv
import os
from langchain_core.messages import SystemMessage,HumanMessage
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_API_BASE = os.getenv("CLOSEAI_API_BASE")
model = init_chat_model(
    # model="openai/gpt-6.1-sol",
    model="openai:gpt-5.4-mini",

    api_key=CLOSEAI_API_KEY,
    base_url=CLOSEAI_API_BASE,
)
messages = [
    SystemMessage("你是一个信息抽取器。你会收到多条来自不同发言者的 user 消息。每条消息可能带有 name 字段。你的任务是："
                  "严格根据每条消息的 name 提取发言者及其观点，并输出JSON。禁止使用"第一个人/第二个人"这种相对称呼。"
                  "若某条消息没有 name，则输出unknown。输出格式：{\"speakers\":[{\"name\":\"...\",\"claim\":\"...\"}]}"),
    HumanMessage(
        content="我认为 1+1=2",
        name="Bob"
),
    HumanMessage(
        content="我认为 1+1>2",
        name="Tom"
),
    HumanMessage(
        content="请列出谁说了什么，不要判断对错。",
        name="audience"
)
]
response = model.invoke(messages)
print(response.content)

说明：模型加载了 name传递的信息，这在多人对话场景很有用。

拓展：使用ChatOpenRouter调用没有将name正确传递给模型服务。即：

bash 复制代码

from langchain_openrouter import ChatOpenRouter
from dotenv import load_dotenv
import os
from langchain_core.messages import SystemMessage,HumanMessage
load_dotenv(override=True)
OPENROUTER_API_KEY = os.getenv("OPENROUTER_API_KEY")
OPENROUTER_API_BASE = os.getenv("OPENROUTER_API_BASE")
model = ChatOpenRouter(
    # model="openai/gpt-6.1-sol",
    model="gpt-4o-mini",
    api_key=OPENROUTER_API_KEY,
    base_url=OPENROUTER_API_BASE,
)
messages = [
    SystemMessage("你是一个信息抽取器。你会收到多条来自不同发言者的 user 消息。每条消息可能带有 name 字段。你的任务是："
                  "严格根据每条消息的 name 提取发言者及其观点，并输出JSON。禁止使用"第一个人/第二个人"这种相对称呼。"
                  "若某条消息没有 name，则输出unknown。输出格式：{\"speakers\":[{\"name\":\"...\",\"claim\":\"...\"}]}"),
    HumanMessage(
        content="我认为 1+1=2",
        name="Bob"
),
    HumanMessage(
        content="我认为 1+1>2",
        name="Tom"
),
    HumanMessage(
        content="请列出谁说了什么，不要判断对错。",
        name="audience"
)
]
response = model.invoke(messages)
print(response.content)

AIMessage参数列表

content：模型输出的原始内容，字段名可以省略

bash 复制代码

AIMessage("你好")

相当于

bash 复制代码

AIMessage(content = "你好")

response_metadata：AIMessage特有属性，LLM的响应中附加元数据，根据不同的模型会有不同，如可能会包含本次token使用量等信息

tool_calls：AIMessage特有属性，表示工具调用信息，当LLM决定调用工具时，在AIMessage中就会包含这个属性，没有工具调用则为空。结构如下：

bash 复制代码

tool_calls=[
    {
        'name': 'get_weather',  #应调用的工具名
        'args': {'city': '杭州'}, # 调用工具的参数
        'id': 'call_00_gIXYOD1Q1OkEXmdDBqXR1578', # 工具调用的唯一标识ID
        'type': 'tool_call'
    },
    {
        'name': 'get_news',
        'args': {},
        'id': 'call_01_jD3phD5PEaIZf0mVLhKt0861',
        'type': 'tool_call'
    }
]

toool_calls属性是一个ToolCall列表，每个ToolCall是一个字典，包含字段见上

usage_metadata：：用量信息

举例：

AIMessage调用工具

bash 复制代码

AIMessage(
    content="",
    tool_calls=[{
        'name': 'get_weather',
        'args': {'city': '北京'},
        'id': 'call_xxx'
}]
)

更丰富的参数

bash 复制代码

from langchain_core.messages import SystemMessage,HumanMessage
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
from rich import print as rprint
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_API_BASE = os.getenv("CLOSEAI_API_BASE")
model = init_chat_model(
    model="gpt-6.1-sol",
    model_provider="openai",
    api_key=CLOSEAI_API_KEY,
    base_url=CLOSEAI_API_BASE
)
messages = [
    SystemMessage("你叫小智，是一名助人为乐的助手。"),
    HumanMessage("你好，好久不见，请介绍下你自己。")
]
response = model.invoke(messages)
rprint(response)

返回内容分析

ToolMessage参数列表

content：文件内容

name：工具名称

tool_call_id：工具调用唯一ID，ToolMessage必须紧邻匹配的AIMessage，和前者tool_calls中的id一致

bash 复制代码

ToolMessage(
    content="<工具输出>",
    name="get_weather",
    tool_call_id="call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s" # 一定要和AI消息中的调用ID匹配
)

举例1：工具调用（json格式）

bash 复制代码

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=CLOSEAI_API_KEY,
    base_url=CLOSEAI_BASE_URL
)
def get_weather(city: str) -> str:
    return "不错哦~"
# 模拟模型绑定工具
model_with_tools = model.bind_tools([get_weather])
ai_message = {
    "role": "assistant",
    "content": "",
    "tool_calls": [{
        "name": "get_weather",
        "args": {"location": "北京"},
        "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
}]
}
tool_message = {
    "role": "tool",
    "content": "今天北京天气晴朗，万里无云~",
    "tool_call_id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
}
messages = [
    {"role": "user", "content": "北京天气如何"},
    ai_message,
    tool_message
]
response = model.invoke(messages)
print(response)

工具调用（对象格式）

bash 复制代码

from langchain_core.messages import AIMessage, ToolMessage,HumanMessage
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os
# 从.env文件中加载环境变量
load_dotenv(override=True)
CLOSEAI_API_KEY = os.getenv("CLOSEAI_API_KEY")
CLOSEAI_BASE_URL = os.getenv("CLOSEAI_BASE_URL")
model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    api_key=CLOSEAI_API_KEY,
    base_url=CLOSEAI_BASE_URL
)
def get_weather(city: str) -> str:
    return "不错哦~"
# 模拟模型绑定工具

model_with_tools = model.bind_tools([get_weather])
# ai_message = {
# "role": "assistant",
# "content": "",
# "tool_calls": [{
# "name": "get_weather",
# "args": {"location": "北京"},
# "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
# }]
# }
ai_message = AIMessage(
    content = [],
    tool_calls = [{
    "name": "get_weather",
    "args": {"location": "北京"},
    "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
}]
)
# tool_message = {
# "role": "tool",
# "content": "今天北京天气晴朗，万里无云~",
# "tool_call_id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
# }
tool_message = ToolMessage(
    content = "今天北京天气晴朗，万里无云~",
    tool_call_id = "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"
)
messages = [
# {"role": "user", "content": "北京天气如何"},
HumanMessage(content="北京天气如何"),
    ai_message,
    tool_message
]
# for message in messages:
# print(message)
response = model.invoke(messages)
print(response)