LangChain 消息类型
在 LangChain 中，所有的对话都通过消息（Message）对象传递。理解各种消息类型的用途是编写 Agent 的基础。
四种核心消息类型
LangChain 定义了四种核心消息类型，分别对应对话中的不同角色：
| 类型 | 角色 | 说明 | 典型内容 |
|---|---|---|---|
| HumanMessage | 用户 | 用户发送的消息 | "今天天气怎么样？" |
| AIMessage | AI 助手 | 模型的回复，可能包含 tool_calls | "今天杭州晴天，25°C" |
| SystemMessage | 系统 | 系统指令，定义 AI 的角色和行为规则 | "你是一个专业的天气助手" |
| ToolMessage | 工具 | 工具执行后的返回结果 | "晴，25°C，湿度 60%" |
HumanMessage——用户消息
HumanMessage 代表用户发送给 AI 的消息。它是最常见的消息类型，也是对话的起点。
实例
from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model
# 创建一条用户消息
msg = HumanMessage(content="菜鸟教程 RUNOOB 是什么？")
print(f"类型: {msg.type}") # human
print(f"内容: {msg.content}") # 菜鸟教程 RUNOOB 是什么？
print(f"角色: {msg.role}") # user
# 创建消息列表（代表多轮对话历史）
messages = [
HumanMessage(content="你好"),
HumanMessage(content="菜鸟教程有哪些课程？"),
HumanMessage(content="Python 课程适合零基础吗？"),
]
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
response = model.invoke(messages)
print(f"\n模型回复: {response.content}")
from langchain.chat_models import init_chat_model
# 创建一条用户消息
msg = HumanMessage(content="菜鸟教程 RUNOOB 是什么？")
print(f"类型: {msg.type}") # human
print(f"内容: {msg.content}") # 菜鸟教程 RUNOOB 是什么？
print(f"角色: {msg.role}") # user
# 创建消息列表（代表多轮对话历史）
messages = [
HumanMessage(content="你好"),
HumanMessage(content="菜鸟教程有哪些课程？"),
HumanMessage(content="Python 课程适合零基础吗？"),
]
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
response = model.invoke(messages)
print(f"\n模型回复: {response.content}")
运行结果：
类型: human 内容: 菜鸟教程 RUNOOB 是什么？ 角色: user 模型回复: 菜鸟教程（RUNOOB）是一个面向编程初学者的学习网站，提供丰富的编程教程。 它的 Python 课程非常适合零基础学习者，从环境配置到基础语法再到实战项目都有覆盖。
HumanMessage 的快捷创建方式
在构建消息列表时，可以使用元组或字典作为快捷方式：
实例
from langchain.messages import HumanMessage
# 方式 1：标准构造
msg1 = HumanMessage(content="你好")
# 方式 2：元组快捷方式 (role, content)
msg2 = ("user", "你好")
msg3 = ("human", "你好")
# 方式 3：字典快捷方式
msg4 = {"role": "user", "content": "你好"}
# 四种方式等价，都会在 Agent 内部被转换为 HumanMessage
print(type(msg1)) # <class 'langchain_core.messages.human.HumanMessage'>
# 方式 1：标准构造
msg1 = HumanMessage(content="你好")
# 方式 2：元组快捷方式 (role, content)
msg2 = ("user", "你好")
msg3 = ("human", "你好")
# 方式 3：字典快捷方式
msg4 = {"role": "user", "content": "你好"}
# 四种方式等价，都会在 Agent 内部被转换为 HumanMessage
print(type(msg1)) # <class 'langchain_core.messages.human.HumanMessage'>
AIMessage——AI 回复
AIMessage 代表模型的回复。与普通文本不同，AIMessage 可能包含 tool_calls（工具调用请求）。
实例
from langchain.messages import AIMessage
# 普通 AI 回复（无工具调用）
ai_msg = AIMessage(content="菜鸟教程是一个编程学习平台")
# 包含工具调用的 AI 回复
ai_with_tools = AIMessage(
content="", # 工具调用时 content 通常为空
tool_calls=[
{
"name": "get_weather",
"args": {"city": "杭州"},
"id": "call_abc123",
"type": "tool_call",
}
]
)
print("=== 普通 AI 消息 ===")
print(f"content: {ai_msg.content}")
print(f"tool_calls: {ai_msg.tool_calls}") # []
print("\n=== 含工具调用的 AI 消息 ===")
print(f"content: {ai_with_tools.content}")
print(f"tool_calls: {ai_with_tools.tool_calls}")
# [{'name': 'get_weather', 'args': {'city': '杭州'}, ...}]
# 普通 AI 回复（无工具调用）
ai_msg = AIMessage(content="菜鸟教程是一个编程学习平台")
# 包含工具调用的 AI 回复
ai_with_tools = AIMessage(
content="", # 工具调用时 content 通常为空
tool_calls=[
{
"name": "get_weather",
"args": {"city": "杭州"},
"id": "call_abc123",
"type": "tool_call",
}
]
)
print("=== 普通 AI 消息 ===")
print(f"content: {ai_msg.content}")
print(f"tool_calls: {ai_msg.tool_calls}") # []
print("\n=== 含工具调用的 AI 消息 ===")
print(f"content: {ai_with_tools.content}")
print(f"tool_calls: {ai_with_tools.tool_calls}")
# [{'name': 'get_weather', 'args': {'city': '杭州'}, ...}]
AIMessage 的附加信息
实例
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash")
response = model.invoke("介绍菜鸟教程 RUNOOB")
# AIMessage 包含丰富的元数据
print(f"内容: {response.content}")
print(f"消息ID: {response.id}")
print(f"模型名: {response.response_metadata.get('model_name')}")
print(f"完成原因: {response.response_metadata.get('finish_reason')}")
# usage_metadata 包含 Token 用量信息
if response.usage_metadata:
print(f"输入 tokens: {response.usage_metadata.get('input_tokens')}")
print(f"输出 tokens: {response.usage_metadata.get('output_tokens')}")
print(f"总计 tokens: {response.usage_metadata.get('total_tokens')}")
model = init_chat_model("deepseek:deepseek-v4-flash")
response = model.invoke("介绍菜鸟教程 RUNOOB")
# AIMessage 包含丰富的元数据
print(f"内容: {response.content}")
print(f"消息ID: {response.id}")
print(f"模型名: {response.response_metadata.get('model_name')}")
print(f"完成原因: {response.response_metadata.get('finish_reason')}")
# usage_metadata 包含 Token 用量信息
if response.usage_metadata:
print(f"输入 tokens: {response.usage_metadata.get('input_tokens')}")
print(f"输出 tokens: {response.usage_metadata.get('output_tokens')}")
print(f"总计 tokens: {response.usage_metadata.get('total_tokens')}")
运行结果：
内容: 菜鸟教程（RUNOOB）是一个面向初学者的免费编程学习平台... 消息ID: msg_abc123def456 模型名: deepseek-v4-flash 完成原因: stop 输入 tokens: 19 输出 tokens: 47 总计 tokens: 66
SystemMessage——系统指令
SystemMessage 用于设定 AI 的行为、角色和约束。它放在消息列表的最前面，指导模型如何回复。
实例
from langchain.messages import HumanMessage, SystemMessage
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
# 没有系统指令的回复
messages_no_system = [HumanMessage(content="介绍菜鸟教程")]
response = model.invoke(messages_no_system)
print(f"无系统指令: {response.content[:80]}...")
# 有系统指令的回复
messages_with_system = [
SystemMessage(content="你是一个小红书风格的博主，回复要活泼、使用 emoji、带话题标签"),
HumanMessage(content="介绍菜鸟教程")
]
response = model.invoke(messages_with_system)
print(f"\n有系统指令: {response.content}")
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
# 没有系统指令的回复
messages_no_system = [HumanMessage(content="介绍菜鸟教程")]
response = model.invoke(messages_no_system)
print(f"无系统指令: {response.content[:80]}...")
# 有系统指令的回复
messages_with_system = [
SystemMessage(content="你是一个小红书风格的博主，回复要活泼、使用 emoji、带话题标签"),
HumanMessage(content="介绍菜鸟教程")
]
response = model.invoke(messages_with_system)
print(f"\n有系统指令: {response.content}")
运行结果：
无系统指令: 菜鸟教程是一个面向初学者的在线编程学习平台，提供丰富的教程和实例... 有系统指令: 宝藏网站！给所有想学编程的新手安利菜鸟教程 RUNOOB！ 超全面的免费教程，从 HTML 到 Python 全部都有唷～ 实例超多上手超快，绝对是编程小白的入门神器！ #编程学习 #免费教程 #零基础入门 #菜鸟教程
ToolMessage——工具返回结果
ToolMessage 包含工具执行后的返回结果。它必须与对应的 tool_call 关联。
实例
from langchain.messages import HumanMessage, AIMessage, ToolMessage
from langchain.chat_models import init_chat_model
# 模拟一轮完整的工具调用对话
messages = [
HumanMessage(content="杭州天气怎么样？"),
# 模型请求调用工具
AIMessage(
content="",
tool_calls=[
{"name": "get_weather", "args": {"city": "杭州"},
"id": "call_abc", "type": "tool_call"}
]
),
# 工具返回结果（必须包含 tool_call_id 与上面的 id 对应）
ToolMessage(
content="晴，25°C，湿度 60%",
tool_call_id="call_abc", # 与 tool_call 的 id 对应
name="get_weather", # 工具名称
),
]
model = init_chat_model("deepseek:deepseek-v4-flash")
response = model.invoke(messages)
print(f"模型基于工具结果的回复: {response.content}")
from langchain.chat_models import init_chat_model
# 模拟一轮完整的工具调用对话
messages = [
HumanMessage(content="杭州天气怎么样？"),
# 模型请求调用工具
AIMessage(
content="",
tool_calls=[
{"name": "get_weather", "args": {"city": "杭州"},
"id": "call_abc", "type": "tool_call"}
]
),
# 工具返回结果（必须包含 tool_call_id 与上面的 id 对应）
ToolMessage(
content="晴，25°C，湿度 60%",
tool_call_id="call_abc", # 与 tool_call 的 id 对应
name="get_weather", # 工具名称
),
]
model = init_chat_model("deepseek:deepseek-v4-flash")
response = model.invoke(messages)
print(f"模型基于工具结果的回复: {response.content}")
运行结果：
模型基于工具结果的回复: 杭州今天天气晴朗，气温25°C，湿度60%，适合户外活动。
ToolMessage 的 tool_call_id 必须与 AIMessage 中 tool_call 的 id 精确匹配。如果不匹配，模型可能会忽略这个工具结果，或者产生混乱的行为。
AIMessageChunk——流式输出的消息片段
当你使用 stream() 流式输出时，每个到达的片段是 AIMessageChunk，而非完整的 AIMessage：
实例
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash")
print("流式输出过程：")
# stream() 返回的是 AIMessageChunk 迭代器
for chunk in model.stream("用一句话介绍菜鸟教程 RUNOOB"):
# 每个 chunk 是一小段文本
print(chunk.content, end="", flush=True)
print() # 换行
model = init_chat_model("deepseek:deepseek-v4-flash")
print("流式输出过程：")
# stream() 返回的是 AIMessageChunk 迭代器
for chunk in model.stream("用一句话介绍菜鸟教程 RUNOOB"):
# 每个 chunk 是一小段文本
print(chunk.content, end="", flush=True)
print() # 换行
运行结果：
流式输出过程： 菜鸟教程（RUNOOB）是一个面向编程初学者的免费在线学习平台，提供丰富的编程教程和实例。
消息类型速查表
| 消息类型 | type 属性 | role 属性 | 关键字段 | 何时使用 |
|---|---|---|---|---|
| HumanMessage | human | user | content | 用户输入 |
| AIMessage | ai | assistant | content, tool_calls, usage_metadata | 模型回复 |
| AIMessageChunk | ai | assistant | content（增量） | 流式输出的片段 |
| SystemMessage | system | system | content | 设定 AI 角色 |
| ToolMessage | tool | tool | content, tool_call_id, name | 工具执行结果 |
ContentBlock——结构化消息内容
到目前为止，我们使用的消息内容都是纯字符串。但实际上每条消息的内容可以是多个 ContentBlock（内容块）组成的列表。
最常用的三种内容块：
| 类型 | 说明 | 用途 |
|---|---|---|
| PlainTextContentBlock | 纯文本内容 | 普通文字消息 |
| ImageContentBlock | 图片内容（base64 或 URL） | 多模态模型的图片输入 |
| ToolCall | 工具调用请求 | AI 请求调用工具 |
实例
from langchain.messages import HumanMessage
from langchain.messages import PlainTextContentBlock, ImageContentBlock
# 使用内容块构建消息
# content 可以是纯字符串（简单场景）
simple_msg = HumanMessage(content="你好")
# content 也可以是 ContentBlock 列表（复杂场景）
complex_msg = HumanMessage(content=[
PlainTextContentBlock(text="这张图片里是什么？"),
# 图片可以是 URL 或 base64 编码
ImageContentBlock(
url="https://example.com/photo.jpg"
),
])
print(f"简单消息内容类型: {type(simple_msg.content)}")
# 输出: <class 'str'>
print(f"复杂消息内容类型: {type(complex_msg.content)}")
# 输出: <class 'list'>
print(f"内容块数量: {len(complex_msg.content)}")
# 输出: 2
from langchain.messages import PlainTextContentBlock, ImageContentBlock
# 使用内容块构建消息
# content 可以是纯字符串（简单场景）
simple_msg = HumanMessage(content="你好")
# content 也可以是 ContentBlock 列表（复杂场景）
complex_msg = HumanMessage(content=[
PlainTextContentBlock(text="这张图片里是什么？"),
# 图片可以是 URL 或 base64 编码
ImageContentBlock(
url="https://example.com/photo.jpg"
),
])
print(f"简单消息内容类型: {type(simple_msg.content)}")
# 输出: <class 'str'>
print(f"复杂消息内容类型: {type(complex_msg.content)}")
# 输出: <class 'list'>
print(f"内容块数量: {len(complex_msg.content)}")
# 输出: 2
当你只需要发送纯文本时，直接传字符串即可，LangChain 会自动处理。只有当你需要在单条消息中混合文本和图片时，才需要手动构建 ContentBlock 列表。
多模态消息——让模型"看"图片
如果你的模型支持多模态输入（如 GPT-4o、Claude 3+），可以让它分析图片内容：
实例
import base64
from pathlib import Path
from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model
# 将本地图片编码为 base64
def encode_image(image_path: str) -> str:
"""读取图片文件并转换为 base64 编码"""
with open(image_path, "rb") as f:
return base64.b64encode(f.read()).decode("utf-8")
# 创建多模态模型（需支持图片输入）
model = init_chat_model("deepseek:deepseek-v4-flash")
# 构建包含图片的消息
# 注意：content 使用列表格式，包含文本块和图片块
image_data = encode_image("screenshot.png")
messages = [
HumanMessage(content=[
{"type": "text", "text": "请描述这张菜鸟教程 RUNOOB 官网截图的内容"},
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{image_data}",
"detail": "auto" # 可选：low, high, auto
}
}
])
]
response = model.invoke(messages)
print(f"图片分析结果: {response.content}")
from pathlib import Path
from langchain.messages import HumanMessage
from langchain.chat_models import init_chat_model
# 将本地图片编码为 base64
def encode_image(image_path: str) -> str:
"""读取图片文件并转换为 base64 编码"""
with open(image_path, "rb") as f:
return base64.b64encode(f.read()).decode("utf-8")
# 创建多模态模型（需支持图片输入）
model = init_chat_model("deepseek:deepseek-v4-flash")
# 构建包含图片的消息
# 注意：content 使用列表格式，包含文本块和图片块
image_data = encode_image("screenshot.png")
messages = [
HumanMessage(content=[
{"type": "text", "text": "请描述这张菜鸟教程 RUNOOB 官网截图的内容"},
{
"type": "image_url",
"image_url": {
"url": f"data:image/png;base64,{image_data}",
"detail": "auto" # 可选：low, high, auto
}
}
])
]
response = model.invoke(messages)
print(f"图片分析结果: {response.content}")
如果你的消息只包含图片不包含文字，可以直接用：
实例
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash")
# 使用 URL 直接引用在线图片
messages = [
{
"role": "user",
"content": [
{"type": "text", "text": "这张图描述了什么内容？"},
{
"type": "image_url",
"image_url": {"url": "https://www.runoob.com/wp-content/uploads/2024/01/logo.png"}
}
]
}
]
response = model.invoke(messages)
print(response.content)
model = init_chat_model("deepseek:deepseek-v4-flash")
# 使用 URL 直接引用在线图片
messages = [
{
"role": "user",
"content": [
{"type": "text", "text": "这张图描述了什么内容？"},
{
"type": "image_url",
"image_url": {"url": "https://www.runoob.com/wp-content/uploads/2024/01/logo.png"}
}
]
}
]
response = model.invoke(messages)
print(response.content)
并非所有模型都支持多模态输入。OpenAI 的 GPT-4o 系列、Anthropic 的 Claude 3+、Google 的 Gemini 系列支持。如果你用不支持的模型发送图片，会收到错误。
ToolCall——工具调用消息
AIMessage 中的 tool_calls 字段是一个 ToolCall 列表，每个 ToolCall 代表模型请求调用一个工具：
实例
from langchain.messages import AIMessage
from langchain.messages.tool import ToolCall
# 手动构建一个 ToolCall
tool_call = ToolCall(
name="get_weather", # 工具名称
args={"city": "杭州"}, # 调用参数
id="call_abc123", # 唯一标识
type="tool_call", # 固定值
)
# 创建包含 tool_calls 的 AIMessage
ai_message = AIMessage(
content="", # 有 tool_calls 时 content 通常为空
tool_calls=[tool_call],
)
print(f"工具名称: {ai_message.tool_calls[0]['name']}")
print(f"调用参数: {ai_message.tool_calls[0]['args']}")
print(f"调用 ID: {ai_message.tool_calls[0]['id']}")
from langchain.messages.tool import ToolCall
# 手动构建一个 ToolCall
tool_call = ToolCall(
name="get_weather", # 工具名称
args={"city": "杭州"}, # 调用参数
id="call_abc123", # 唯一标识
type="tool_call", # 固定值
)
# 创建包含 tool_calls 的 AIMessage
ai_message = AIMessage(
content="", # 有 tool_calls 时 content 通常为空
tool_calls=[tool_call],
)
print(f"工具名称: {ai_message.tool_calls[0]['name']}")
print(f"调用参数: {ai_message.tool_calls[0]['args']}")
print(f"调用 ID: {ai_message.tool_calls[0]['id']}")
检查 AIMessage 是否包含工具调用
实例
from langchain.chat_models import init_chat_model
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 绑定工具后，模型可能返回 tool_calls
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"}
},
"required": ["city"]
}
}
}]
model_with_tools = model.bind_tools(tools)
# 触发工具调用的问题
response = model_with_tools.invoke("杭州天气怎么样？")
# 两种方式判断是否有工具调用
# 方式 1：检查 tool_calls 列表是否非空
if response.tool_calls:
print("模型请求调用工具")
# 方式 2：检查 content 是否为空
# （大多数模型在有 tool_calls 时 content 为空）
if not response.content:
print("模型的 content 为空，说明它想调用工具而非直接回复")
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
# 绑定工具后，模型可能返回 tool_calls
tools = [{
"type": "function",
"function": {
"name": "get_weather",
"description": "查询天气",
"parameters": {
"type": "object",
"properties": {
"city": {"type": "string", "description": "城市名"}
},
"required": ["city"]
}
}
}]
model_with_tools = model.bind_tools(tools)
# 触发工具调用的问题
response = model_with_tools.invoke("杭州天气怎么样？")
# 两种方式判断是否有工具调用
# 方式 1：检查 tool_calls 列表是否非空
if response.tool_calls:
print("模型请求调用工具")
# 方式 2：检查 content 是否为空
# （大多数模型在有 tool_calls 时 content 为空）
if not response.content:
print("模型的 content 为空，说明它想调用工具而非直接回复")
trim_messages()——裁剪消息历史
当对话越来越长时，消息列表可能超出模型的上下文窗口。trim_messages() 函数帮助你智能地裁剪消息历史。
实例
from langchain.messages import (
HumanMessage, AIMessage, SystemMessage, trim_messages
)
from langchain.chat_models import init_chat_model
# 模拟一段很长的对话历史
messages = [
SystemMessage(content="你是菜鸟教程 RUNOOB 的 AI 助手"),
HumanMessage(content="Python 怎么入门？"),
AIMessage(content="Python 入门可以从基础知识开始..."),
HumanMessage(content="有推荐的 IDE 吗？"),
AIMessage(content="推荐 VS Code 或 PyCharm..."),
HumanMessage(content="如何安装第三方库？"),
AIMessage(content="使用 pip install 命令..."),
HumanMessage(content="NumPy 是什么？"),
AIMessage(content="NumPy 是一个科学计算库..."),
HumanMessage(content="pandas 和 NumPy 有什么区别？"),
]
model = init_chat_model("deepseek:deepseek-v4-flash")
# 裁剪消息以适应模型的上下文窗口（最多 1000 tokens）
# strategy="last" 保留最后的系统消息和最近的对话
trimmed = trim_messages(
messages,
max_tokens=1000, # 最多保留 1000 tokens
strategy="last", # 保留最后的系统消息 + 最近的对话
token_counter=model, # 使用模型的 token 计数方式
include_system=True, # 始终保留 SystemMessage
start_on="human", # 裁剪后以 human 消息开头
)
print(f"裁剪前: {len(messages)} 条消息")
print(f"裁剪后: {len(trimmed)} 条消息")
for msg in trimmed:
snippet = msg.content[:50] if isinstance(msg.content, str) else str(msg.content)[:50]
print(f" [{msg.type}] {snippet}...")
HumanMessage, AIMessage, SystemMessage, trim_messages
)
from langchain.chat_models import init_chat_model
# 模拟一段很长的对话历史
messages = [
SystemMessage(content="你是菜鸟教程 RUNOOB 的 AI 助手"),
HumanMessage(content="Python 怎么入门？"),
AIMessage(content="Python 入门可以从基础知识开始..."),
HumanMessage(content="有推荐的 IDE 吗？"),
AIMessage(content="推荐 VS Code 或 PyCharm..."),
HumanMessage(content="如何安装第三方库？"),
AIMessage(content="使用 pip install 命令..."),
HumanMessage(content="NumPy 是什么？"),
AIMessage(content="NumPy 是一个科学计算库..."),
HumanMessage(content="pandas 和 NumPy 有什么区别？"),
]
model = init_chat_model("deepseek:deepseek-v4-flash")
# 裁剪消息以适应模型的上下文窗口（最多 1000 tokens）
# strategy="last" 保留最后的系统消息和最近的对话
trimmed = trim_messages(
messages,
max_tokens=1000, # 最多保留 1000 tokens
strategy="last", # 保留最后的系统消息 + 最近的对话
token_counter=model, # 使用模型的 token 计数方式
include_system=True, # 始终保留 SystemMessage
start_on="human", # 裁剪后以 human 消息开头
)
print(f"裁剪前: {len(messages)} 条消息")
print(f"裁剪后: {len(trimmed)} 条消息")
for msg in trimmed:
snippet = msg.content[:50] if isinstance(msg.content, str) else str(msg.content)[:50]
print(f" [{msg.type}] {snippet}...")
运行结果：
裁剪前: 10 条消息 裁剪后: 5 条消息 [system] 你是菜鸟教程 RUNOOB 的 AI 助手... [human] 如何安装第三方库？... [ai] 使用 pip install 命令... [human] NumPy 是什么？... [ai] NumPy 是一个科学计算库...
| 策略 | 说明 | 适用场景 |
|---|---|---|
| strategy="last" | 保留 system 消息 + 最近的对话 | 长对话中只关心最新上下文 |
| strategy="first" | 保留 system 消息 + 最早的对话 | 确保关键上下文不被裁剪 |
start_on="human" 确保裁剪后的消息列表以用户消息开头（而不是 AI 消息），避免让模型收到一条孤立的 AI 回复开头。
RemoveMessage——删除特定消息
在某些高级场景中，你可能需要从消息历史中删除特定消息（如敏感内容清洗、重新生成回复等）：
实例
from langchain.messages import HumanMessage, AIMessage, RemoveMessage
# 假设有一段对话
messages = [
HumanMessage(content="你好", id="msg_1"),
AIMessage(content="你好！有什么可以帮你的？", id="msg_2"),
HumanMessage(content="帮我查天气", id="msg_3"),
]
# 使用 RemoveMessage 删除特定消息（通过 ID）
# RemoveMessage 配合 add_messages reducer 使用
# 在更新 Agent 状态时，RemoveMessage 会从列表中移除对应 ID 的消息
removal = RemoveMessage(id="msg_3")
print(f"要删除的消息 ID: {removal.id}")
print(f"类型: {removal.type}") # remove
# 假设有一段对话
messages = [
HumanMessage(content="你好", id="msg_1"),
AIMessage(content="你好！有什么可以帮你的？", id="msg_2"),
HumanMessage(content="帮我查天气", id="msg_3"),
]
# 使用 RemoveMessage 删除特定消息（通过 ID）
# RemoveMessage 配合 add_messages reducer 使用
# 在更新 Agent 状态时，RemoveMessage 会从列表中移除对应 ID 的消息
removal = RemoveMessage(id="msg_3")
print(f"要删除的消息 ID: {removal.id}")
print(f"类型: {removal.type}") # remove
RemoveMessage 通常配合 AgentState 的 add_messages reducer 使用。在 middleware 或 after_model 钩子中返回 RemoveMessage 可以动态清理消息历史。
消息属性的通用方法
所有消息类型都继承自 BaseMessage，共享一些通用方法：
实例
from langchain.messages import HumanMessage, AIMessage
msg = HumanMessage(content="你好，菜鸟教程")
# 基本属性
print(f"content: {msg.content}") # 消息内容
print(f"type: {msg.type}") # 消息类型（human/ai/system/tool）
print(f"id: {msg.id}") # 自动生成的唯一 ID
# text 属性：如果是文本内容，返回文本；否则返回 ""
print(f"text: {msg.text}")
# pretty_repr()：格式化打印，适合调试
print(f"美化输出:\n{msg.pretty_repr()}")
msg = HumanMessage(content="你好，菜鸟教程")
# 基本属性
print(f"content: {msg.content}") # 消息内容
print(f"type: {msg.type}") # 消息类型（human/ai/system/tool）
print(f"id: {msg.id}") # 自动生成的唯一 ID
# text 属性：如果是文本内容，返回文本；否则返回 ""
print(f"text: {msg.text}")
# pretty_repr()：格式化打印，适合调试
print(f"美化输出:\n{msg.pretty_repr()}")
运行结果：
content: 你好，菜鸟教程 type: human id: 00000000-0000-4000-8000-000000000000 text: 你好，菜鸟教程 美化输出: ================================ Human Message ================================= 你好，菜鸟教程