LangChain 不用原生字典、而是用 SystemMessage/HumanMessage/AIMessage 这类类对象，核心不是 “炫技”，而是为了强类型安全、跨模型统一、可扩展能力、可观测与可序列化，并支撑它整个链式 / Agent 架构。下面从动机、好处、底层实现三方面讲清楚。

---

一、原生字典有什么问题？

OpenAI 原生是这样的：

python

运行

[
    {"role": "system", "content": "你是助手"},
    {"role": "user", "content": "你好"}
]

缺点很明显：

1. 无类型校验，易写错
   • 手敲 {"role":"uesr"}、漏 content、值类型错（list/str 混用），运行时才炸，难排查。
2. 多模型格式不统一
   • OpenAI：role/system/user/assistant
   • Anthropic：role/human/assistant，无 system
   • 本地 / Ollama / 国产模型：字段、嵌套结构各不相同→ 直接用字典，换一个模型就要重写一套消息组装逻辑。
3. 难以承载复杂信息
   • 多模态（图文混排）、工具调用（tool_calls）、token 用量、消息 ID、会话元数据…… 字典会变成松散、难维护的大杂烩LangChain。
4. 代码可读性与可维护差
   • isinstance(msg, dict) 判断角色不直观；
   • 多轮历史拼接、记忆存取、链式传递，全靠手动 key 取值，极易出错。
5. 不支持结构化扩展与序列化
   • 字典不好做校验、默认值、方法扩展；
   • 要持久化到 Redis / 数据库、跨进程传输，需要自己写序列化 / 反序列化。

---

二、LangChain 用类对象的核心好处

1. 强类型安全（Pydantic 加持）

所有消息继承自 BaseMessage（Pydantic 模型）：

python

运行

class SystemMessage(BaseMessage):
    role: str = "system"  # 固定，不可改

• 自动校验：role 只能是固定值、content 类型合法；
• 提前报错：写错参数定义时 / 初始化时就抛错，不是运行时；
• IDE 友好：自动补全、类型提示。

2. 跨模型 “一次编写，到处运行”

LangChain 核心目标是屏蔽底层差异：

• 上层永远用 SystemMessage/HumanMessage/AIMessage；
• 底层适配器（ChatOpenAI/ChatAnthropic/ChatOllama）自动把对象转成对应厂商字典。

你可以无缝切换：

python

运行

# OpenAI
llm = ChatOpenAI(model="gpt-3.5-turbo")
# 换成 Ollama，消息代码完全不用改
llm = ChatOpenAI(base_url="http://localhost:11434/v1", model="qwen:7b")

3. 天然支持复杂能力（工具调用 / 多模态 / 流式）

AIMessage 直接带扩展字段：

python

运行

class AIMessage(BaseMessage):
    role: str = "assistant"
    tool_calls: Optional[List[ToolCall]] = None  # 函数调用
    usage_metadata: Optional[dict] = None          # token 统计
    response_metadata: Optional[dict] = None       # 厂商返回元数据

• 工具调用：不用自己设计字典结构，直接读写 tool_calls；
• 多模态：LangChain 1.0+ 的 content_blocks 统一表示图文 / 音频；
• 流式分片：AIMessageChunk 继承自 BaseMessage，天然支持 chunk 合并LangChain。

4. 支撑记忆、链式、Agent 架构

LangChain 的 Memory、Chain、Agent 全部基于 BaseMessage 流转：

• 记忆组件：InMemoryChatMessageHistory 直接存 / 取消息对象，不用解析字典；
• Runnable 链：RunnableWithMessageHistory 自动拼接历史，依赖统一消息结构；
• Agent 工具循环：靠 isinstance(msg, AIMessage) 判断是否要调用工具，类型判断清晰。

5. 可观测、可序列化、可持久化

• 序列化：对象 ↔ 字典双向无损转换，适配 Redis / 数据库 / 网络传输；
• 回调 / 日志：统一的 message.id、usage_metadata，便于追踪、计费、调试LangChain；
• 版本兼容：新增字段不破坏旧代码，平滑演进。

---

三、底层实现：LangChain 怎么把对象变成 OpenAI 字典？

流程很清晰：

1. 上层：你写消息对象列表

   python

   运行

   [SystemMessage("你是助手"), HumanMessage("你好")]
   

2. 模型适配器内部（如 ChatOpenAI._convert_messages）：

   python

   运行

   def _convert_messages(messages):
       return [
           {"role": msg.role, "content": msg.content}
           for msg in messages
       ]
   

3. 发请求：把转换后的原生字典发给 OpenAI；
4. 返回结果：把 OpenAI 返回的 assistant 字典，自动转回 AIMessage。

简单说：上层面向对象，底层自动翻译为原生字典，两边好处都占。

---

四、一句话总结

原生字典是 **“面向 OpenAI 的临时方案”，而 LangChain 的消息类是“面向多模型、复杂对话系统的工程化标准”—— 用类对象换来了类型安全、统一抽象、能力扩展、架构支撑 **，这是做企业级、可维护、可扩展 LLM 应用的必然选择。