content和content_blocks的使用

消息属性：content、content_blocks

content

消息的 content 可以理解为数据内容，它是弱类型的，既支持字符串，也支持列表（列表元素通常为字典）。

举例1：存储字符串

如果只是纯文本内容，直接传递字符串即可。

from langchain.messagesimportHumanMessage msg1=HumanMessage(content="你好啊")msg2=HumanMessage("你好啊")print(msg1)print(msg2)

说明：当 content 内容只有字符串时，可以省略参数名称。

举例2：存储字典列表

如果需要发送的不只是文本，例如多模态内容，则需要使用 content 的字典列表形式。
字典内容需遵循模型供应商的 API 规范，以 openai:gpt-4.1 为例：
参考官方文档：https://developers.openai.com/api/reference/python/resources/chat/subresources/completions/methods/create

或

https://developers.openai.com/api/reference/resources/chat/subresources/completions/methods/create?site_locale=en

测试代码：

importbase64 from langchain.chat_modelsimportinit_chat_model from langchain.messagesimportHumanMessage from dotenvimportload_dotenvimportos load_dotenv(override=True)model=init_chat_model(model="gpt-5.4-mini",model_provider="openai",api_key=os.getenv("CLOSEAI_API_KEY"),base_url=os.getenv("CLOSEAI_API_BASE"))def encode_image(img_path,img_type='jpeg'):"""将一张本地图片转换成 Base64 编码的 Data URI 字符串,方便在文本中嵌入图片数据""" with open(img_path,"rb")as img_file:returnf"data:image/{img_type};base64,{base64.b64encode(img_file.read()).decode("utf-8")}"# 图像路径img_path="D:\\workspace_pycharm_llm\\chapter022_model\\img.png"# 获取图像base64编码字符串base64_image=encode_image(img_path)response=model.invoke([HumanMessage(content=[{'type':'text','text':'这张图里有什么？'},{'type':'image_url',"image_url":base64_image,}])])print(response.content)

content_blocks

在LangChain1.x中，content_blocks是消息对象（BaseMessage）的一项重大升级。它的核心目标是提供一种跨模型供应商、标准化的多模态数据结构。

过去、处理图片、音频、甚至是模型生成的“思维链内容时”，不同供应商的API格式各异，导致开发者需要写大量的适配代码。content_blocks的出现终结了这种混乱。

在LangChain1.2版本中，消息对象的content属性依然存在（为了向前兼容），但新增了content_blocks属性，可以将content解析为标准、类型安全的表示。

1. 数据结构：它是一个list[TypedDict]
2. 统一格式：每个block都有一个type字段，用于区分内容类型
3. 支持类型：包括text（文本），image（图片），audio（音频），video（视频）、tool_call（工具调用）以及reasoning（推理/思维链）

输入格式化

对于复杂的对话（带图片或工具结果），建议使用content_blocks列表形式构建HumanMessage或AIMessage

借助content_blocks，我们可以用一套标准代码，无缝地在不同厂商的模型之间切换。

输出格式化

content_blocks还可用于输出格式化，以deepseek官网的deepseek-v4-flash为例，其输出包含思考内容，后者位于additional_kwargs的reasoning_content字段下。比如：

不同的模型其输出格式可能不同，仅为提取思考内容，切换模型都可能需要更改代码，非常不方便。content_blocks提供了统一的输出格式，可以将不同格式的响应统一为标准格式。

注意：content_blocks是懒加载的，即调用时才会解析

说明：优先检查response.content_blocks而不是response.content，特别是当你需要获取“思维链”或者“引用”信息时。