在 LangChain 中，langchain_core.messages 模块是用于定义和管理消息对象的核心组件，广泛应用于聊天模型、代理（Agents）和对话链（Conversational Chains）。消息对象表示用户、模型、工具或其他实体之间的交互内容，通常用于构建对话上下文、传递工具调用结果或维护对话历史。该模块提供了一套标准化的消息类型，支持结构化对话管理，适用于多轮对话、工具调用和上下文增强等场景。

以下是对 langchain_core.messages 模块的详细介绍，涵盖其定义、核心类、功能、实现方式、应用场景、代码示例、优化建议、注意事项以及与 LangChain 生态的结合。

---

1. 什么是 langchain_core.messages？

langchain_core.messages 模块定义了一组消息类，用于表示对话中的不同角色或类型的消息。它是 LangChain 对话系统的基础，允许开发者：

• 标准化消息格式：统一表示用户输入、模型响应、工具调用等。
• 支持多轮对话：通过消息列表维护对话历史。
• 集成工具调用：处理工具调用请求和结果。
• 增强上下文：将消息与提示模板、记忆（Memory）或代理结合。

消息对象通常作为列表传递给聊天模型或代理，代表完整的对话上下文。每个消息包含角色（role）、内容（content）和其他元数据（如工具调用信息）。

核心目标：

• 提供一致的消息表示，简化对话管理。
• 支持复杂交互，如工具调用和多模态输入。
• 便于与 LangChain 的其他模块（如提示模板、代理、记忆）集成。

---

2. 核心消息类

langchain_core.messages 模块定义了以下主要消息类，位于 langchain_core.messages 命名空间中：

类名	描述	主要字段	适用场景
BaseMessage	所有消息的基类，定义通用属性。	content（str 或 List）、role（str）、additional_kwargs（Dict）	自定义消息类型
HumanMessage	表示用户发送的消息。	content	用户输入、查询
AIMessage	表示模型生成的消息。	content、tool_calls（List[Dict]）	模型响应、工具调用
SystemMessage	表示系统提示或指令。	content	设置对话上下文、定义模型行为
ToolMessage	表示工具调用的结果。	content、tool_call_id（str）	工具执行结果反馈
FunctionMessage	表示函数调用结果（已废弃，推荐使用 ToolMessage）。	content、name（str）	旧版函数调用（OpenAI Functions）
ChatMessage	表示任意角色的消息。	content、role（str）	自定义角色对话

字段说明：

• content：消息的主要内容，可以是字符串或多模态内容（如图像、文本混合的列表）。
• role：消息的角色（如 "human"、"assistant"、"system"）。
• additional_kwargs：附加元数据，如时间戳、ID 或模型特定参数。
• tool_calls（仅 AIMessage）：工具调用请求的列表，包含工具名称和参数。
• tool_call_id（仅 ToolMessage）：关联的工具调用 ID，用于匹配请求和结果。

---

3. 功能与特点

langchain_core.messages 模块提供以下功能：

1. 统一消息表示：
   • 标准化不同角色的消息格式，便于模型和代理处理。
   • 支持字符串和多模态内容（如文本+图像）。
2. 对话上下文管理：
   • 通过消息列表维护多轮对话历史。
   • 与 ConversationBufferMemory 等记忆模块集成。
3. 工具调用支持：
   • AIMessage 支持生成工具调用请求。
   • ToolMessage 用于反馈工具执行结果。
4. 灵活扩展：
   • 支持自定义消息类型，继承 BaseMessage。
   • 通过 additional_kwargs 传递元数据。
5. 序列化与解析：
   • 消息对象可序列化为 JSON，便于存储或传输。
   • 支持从 JSON 反序列化为消息对象。
6. 多模态支持：
   • content 可以是字符串或包含文本、图像等的列表。
   • 适用于支持多模态输入的模型（如 GPT-4o）。

特点：

• 模块化：消息类独立且可扩展，适合各种对话场景。
• 类型安全：使用 Pydantic 模型确保字段验证。
• 跨模型兼容：支持 OpenAI、Anthropic、HuggingFace 等模型的对话格式。
• 生态集成：与提示模板、代理、工具、记忆等无缝协作。

---

4. 使用方式与代码示例

以下是 langchain_core.messages 模块的主要使用方式，结合代码示例说明：

(1) 基本消息创建与使用

创建不同类型的消息并传递给聊天模型：

from langchain_core.messages import HumanMessage, SystemMessage, AIMessage
from langchain_openai import ChatOpenAI

# 初始化模型
llm = ChatOpenAI(api_key="your-openai-key")

# 创建消息列表
messages = [
    SystemMessage(content="你是一个量子计算专家，回答要简洁且准确。"),
    HumanMessage(content="量子计算是什么？"),
]

# 调用模型
response = llm.invoke(messages)
print(response.content)

输出：

量子计算是一种基于量子力学原理的计算范式，使用量子比特进行计算。

说明：

• SystemMessage 设置模型行为。
• HumanMessage 表示用户查询。
• 消息列表作为上下文传递给模型。

(2) 对话历史管理

使用消息列表维护多轮对话：

from langchain_core.messages import HumanMessage, AIMessage
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(api_key="your-openai-key")

# 初始化对话历史
messages = [
    HumanMessage(content="量子计算是什么？"),
    AIMessage(content="量子计算是一种基于量子力学原理的计算范式。"),
    HumanMessage(content="有哪些最新进展？")
]

# 调用模型
response = llm.invoke(messages)
print(response.content)

输出：

最新进展包括超导量子比特的突破和量子纠错技术的改进。

说明：

• 消息列表模拟对话历史，模型根据上下文生成响应。
• 可结合 ConversationBufferMemory 自动管理历史。

(3) 工具调用与 ToolMessage

处理工具调用请求和结果：

from langchain_core.messages import HumanMessage, AIMessage, ToolMessage
from langchain_openai import ChatOpenAI
from langchain_core.tools import tool

# 定义工具
@tool
def calculator(expression: str) -> str:
    """执行数学计算"""
    return str(eval(expression))

# 初始化模型并绑定工具
llm = ChatOpenAI(api_key="your-openai-key").bind_tools([calculator])

# 创建消息
messages = [HumanMessage(content="计算 5 + 3")]

# 调用模型
response = llm.invoke(messages)

# 处理工具调用
if response.tool_calls:
    tool_call = response.tool_calls[0]
    tool_result = calculator.invoke(tool_call["args"])
    messages.extend([
        AIMessage(content="", tool_calls=[tool_call]),
        ToolMessage(content=tool_result, tool_call_id=tool_call["id"])
    ])

# 继续对话
final_response = llm.invoke(messages)
print(final_response.content)

输出：

计算结果为 8。

说明：

• AIMessage 包含 tool_calls，指定要调用的工具和参数。
• ToolMessage 反馈工具执行结果，通过 tool_call_id 关联。
• 模型根据工具结果生成最终响应。

(4) 多模态消息

使用多模态内容（需要支持多模态的模型，如 GPT-4o）：

from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI

llm = ChatOpenAI(model="gpt-4o", api_key="your-openai-key")

# 创建多模态消息
messages = [
    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"}}
    ])
]

# 调用模型
response = llm.invoke(messages)
print(response.content)

输出（假设图片可用）：

图片显示一台量子计算机的实验设备，周围有冷却装置和控制面板。

说明：

• content 为列表，包含文本和图像 URL。
• 仅支持多模态模型（如 GPT-4o）。

(5) 与记忆结合

结合 ConversationBufferMemory 管理对话历史：

from langchain_core.messages import HumanMessage, AIMessage
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 初始化模型和记忆
llm = ChatOpenAI(api_key="your-openai-key")
memory = ConversationBufferMemory(return_messages=True)
conversation = ConversationChain(llm=llm, memory=memory)

# 第一轮对话
response = conversation.invoke("量子计算是什么？")
print(response["response"])

# 第二轮对话
response = conversation.invoke("有哪些最新进展？")
print(response["response"])

# 查看对话历史
print(memory.chat_memory.messages)

输出：

量子计算是一种基于量子力学原理的计算范式。
最新进展包括超导量子比特的突破和量子纠错技术的改进。
[
    HumanMessage(content='量子计算是什么？'),
    AIMessage(content='量子计算是一种基于量子力学原理的计算范式。'),
    HumanMessage(content='有哪些最新进展？'),
    AIMessage(content='最新进展包括超导量子比特的突破...')
]

说明：

• ConversationBufferMemory 自动存储消息对象。
• return_messages=True 确保返回 HumanMessage 和 AIMessage 实例。

---

6. 应用场景

langchain_core.messages 模块适用于以下场景：

1. 多轮对话：
   • 构建聊天机器人，维护对话历史。
   • 示例：回答连续问题，如“量子计算是什么？”和“它有什么应用？”。
2. 工具调用：
   • 处理代理或链中的工具交互。
   • 示例：代理调用搜索工具并反馈结果。
3. 上下文增强：
   • 为模型提供系统提示或历史上下文。
   • 示例：设置“以专家身份回答”并提供背景。
4. 多模态交互：
   • 处理文本+图像或文本+音频的对话。
   • 示例：描述图片内容或分析多模态输入。
5. 对话记忆：
   • 结合记忆模块存储和检索对话历史。
   • 示例：实现长期对话的上下文保持。
6. 代理工作流：
   • 在代理中管理用户、模型和工具的消息流。
   • 示例：代理搜索最新信息并总结。

---

7. 优化建议

(1) 提高消息管理效率

• 精简消息：
  • 仅保留必要的对话历史，减少 token 消耗。
  • 示例：使用 ConversationSummaryMemory 压缩历史。

  from langchain.memory import ConversationSummaryMemory
  memory = ConversationSummaryMemory(llm=llm)
  

• 批量处理：
  • 批量传递多组消息，减少 API 调用。

  results = llm.batch([messages1, messages2])
  

(2) 提高工具调用可靠性

• 验证工具调用：
  • 检查 tool_calls 是否有效。

  if not response.tool_calls:
      print("无工具调用")
      return response.content
  

• 匹配 tool_call_id：
  • 确保 ToolMessage 的 tool_call_id 与 AIMessage 一致。

  tool_message = ToolMessage(content=result, tool_call_id=tool_call["id"])
  

(3) 提高性能

• 缓存对话：
  • 使用 LangChain 的缓存机制存储常见对话。

  from langchain.globals import set_llm_cache
  from langchain.cache import SQLiteCache
  set_llm_cache(SQLiteCache(database_path="cache.db"))
  

• 异步调用：
  • 使用 ainvoke 支持高并发。

  response = await llm.ainvoke(messages)
  

(4) 监控与调试

• 回调：
  • 使用回调记录消息生成和工具调用。

  from langchain_core.callbacks import BaseCallbackHandler
  class MessageCallback(BaseCallbackHandler):
      def on_chat_model_start(self, serialized, messages, **kwargs):
          print(f"输入消息：{messages}")
  config = {"callbacks": [MessageCallback()]}
  response = llm.invoke(messages, config=config)
  

• LangSmith：
  • 分析消息流和性能。

  from langsmith import Client
  config = {"callbacks": [Client(api_key="your-langsmith-key")]}
  

(5) 上下文优化

• 动态系统提示：
  • 根据任务调整 SystemMessage。

  system_message = SystemMessage(content=f"今天是 {datetime.now().strftime('%Y-%m-%d')}，回答要简洁。")
  

• 消息截断：
  • 限制历史消息数量，防止上下文超限。

  messages = messages[-10:]  # 保留最后 10 条消息
  

---

8. 注意事项

• 模型兼容性：
  • 某些模型不支持多模态消息（如图像输入）。
  • 检查模型文档是否支持 tool_calls（如 GPT-4、Claude）。
• 消息长度：
  • 过多的消息或长内容可能超过模型的 token 限制。
  • 使用 ConversationSummaryMemory 或截断消息。
• 工具调用一致性：
  • 确保 ToolMessage 的 tool_call_id 与 AIMessage 的 tool_calls 匹配。
  • 缺少 tool_call_id 可能导致代理无法关联结果。
• 序列化：
  • 消息对象需正确序列化以存储或传输。
  • 使用 to_json() 和 from_json() 方法。

  json_data = message.to_json()
  restored_message = BaseMessage.from_json(json_data)
  

• 安全性：
  • 避免在消息中包含敏感信息（如 API 密钥）。
  • 验证用户输入，防止注入攻击。
• 废弃警告：
  • FunctionMessage 已标记为废弃，推荐使用 ToolMessage。
  • 检查代码是否使用最新消息类型。

---

9. 与 LangChain 生态的结合

• 提示模板（Prompt Templates）：
  • 使用 ChatPromptTemplate 管理消息。

  from langchain_core.prompts import ChatPromptTemplate
  prompt = ChatPromptTemplate.from_messages([
      ("system", "你是一个专家。"),
      ("human", "{input}")
  ])
  

• 代理（Agents）：
  • 消息用于代理的输入和工具调用。

  from langchain.agents import create_openai_tools_agent
  agent = create_openai_tools_agent(llm, tools, prompt)
  

• 工具（Tools）：
  • AIMessage 和 ToolMessage 支持工具调用。

  messages.append(ToolMessage(content=tool_result, tool_call_id=tool_call["id"]))
  

• 记忆（Memory）：
  • 结合 ConversationBufferMemory 存储消息。

  memory = ConversationBufferMemory(return_messages=True)
  

• 回调（Callbacks）：
  • 监控消息生成和处理。

  config = {"callbacks": [MessageCallback()]}
  

• LangSmith：
  • 分析消息流和对话性能。

---

10. 综合示例：代理工具调用

以下是一个结合消息、工具调用和代理的完整示例：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage, ToolMessage
from langchain_core.tools import tool
from langchain.agents import create_openai_tools_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.callbacks import StdOutCallbackHandler
from langchain_core.runnables import RunnableConfig

# 定义工具
@tool
def search_web(query: str) -> str:
    """搜索网络信息"""
    return f"搜索结果：{query} 的最新信息..."

# 初始化模型和工具
llm = ChatOpenAI(model="gpt-4o", api_key="your-openai-key")
tools = [search_web]

# 设置提示模板
prompt = ChatPromptTemplate.from_messages([
    SystemMessage(content="你是一个研究助手，擅长搜索和总结信息。"),
    MessagesPlaceholder(variable_name="messages"),
    MessagesPlaceholder(variable_name="agent_scratchpad")
])

# 创建代理
agent = create_openai_tools_agent(llm=llm, tools=tools, prompt=prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 配置 RunnableConfig
config = RunnableConfig(
    callbacks=[StdOutCallbackHandler()],
    max_iterations=3,
    metadata={"request_id": "req_001"}
)

# 执行任务
response = agent_executor.invoke({
    "messages": [HumanMessage(content="量子计算的最新进展是什么？")]
}, config=config)

print(response["output"])

输出：

[AgentExecutor] 正在执行...
[Tool: search_web] 输入：量子计算的最新进展
[Tool Output] 搜索结果：量子计算的最新信息...
[Final Answer] 量子计算的最新进展包括超导量子比特的突破...

---

11. 学习资源

• 官方文档：https://python.langchain.com/docs/modules/messages
• GitHub 源码：https://github.com/langchain-ai/langchain/tree/master/libs/core/langchain_core/messages
• LangSmith：用于调试消息流（https://smith.langchain.com）。
• 社区教程：LangChain 官方博客、YouTube 视频。

---

12. 总结

• 定义：langchain_core.messages 模块定义消息类，用于表示对话中的用户、模型、工具等交互内容。
• 核心类：
  • HumanMessage：用户输入。
  • AIMessage：模型响应，支持工具调用。
  • SystemMessage：系统指令。
  • ToolMessage：工具结果。
  • ChatMessage：自定义角色。
• 功能：统一消息表示、对话管理、工具调用、多模态支持、序列化。
• 应用场景：多轮对话、工具调用、上下文增强、多模态交互、记忆管理、代理工作流。
• 优化点：消息管理、工具调用可靠性、性能、监控、上下文优化。
• 注意事项：模型兼容性、消息长度、工具调用一致性、序列化、安全性、废弃警告。