LangChain 模型调用方法总结：invoke、batch、stream 的入参与出参

1. 引言

在使用 LangChain 开发大模型应用时，调用模型是最基础也是最核心的操作。LangChain 为不同模型（LLM、ChatModel）提供了统一且丰富的调用接口，其中 invoke、batch、stream 是最常用的三种同步调用方法。本文将从**入参（输入）和出参（返回值）**两个维度，系统总结这三种方法的完整用法。

2. 三种调用方法总览

方法	说明	适用场景
invoke(input)	同步调用，返回单个结果	大多数常规问答、单次推理
batch(inputs)	批量调用，返回结果列表	多条输入并行处理，提升吞吐
stream(input)	流式调用，逐块返回	打字机效果、长文本实时输出

此外还有异步版本 ainvoke、abatch、astream，用于 async 协程环境。

3. invoke 方法：入参与出参

3.1 入参（输入）

invoke 的入参主要有两种形式：

入参形式	适用模型	说明
字符串 str	LLM / ChatModel	直接传入文本，最简单
消息对象列表 List[BaseMessage]	ChatModel	保留多轮上下文，推荐用于对话
字典列表 List[Dict]	ChatModel	用 role / content 表示消息，便于动态拼接

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

llm = ChatOpenAI(model="gpt-4o-mini", temperature=0.7)

# 形式一：直接传字符串
result = llm.invoke("请用一句话介绍 LangChain")

# 形式二：消息对象列表（保留多轮上下文）
messages = [
    SystemMessage(content="你是一个资深的 Python 技术博主。"),
    HumanMessage(content="请解释什么是 LangChain 的 invoke 方法？"),
]
response = llm.invoke(messages)

# 形式三：字典列表（动态拼接）
dict_messages = [
    {"role": "system", "content": "你是一个严谨的 Python 技术顾问。"},
    {"role": "user", "content": "请解释什么是 RAG？"},
]
response = llm.invoke(dict_messages)

invoke 还支持传入 config 参数，用于设置回调、标签、元数据等：

response = llm.invoke(
    "讲一个关于程序员的笑话",
    config={
        "tags": ["humor", "tech"],
        "metadata": {"user_id": "12345"},
        "callbacks": [my_callback_handler],
    }
)

3.2 出参（返回值）

模型类型	返回类型	提取文本方式
LLM（文本模型）	str	直接使用
ChatModel（对话模型）	AIMessage	通过 .content 获取文本

# LLM 返回 str
result = llm.invoke("请用一句话介绍 LangChain")
print(type(result))   # <class 'str'>
print(result)         # 直接打印文本

# ChatModel 返回 AIMessage
response = llm.invoke("请用一句话介绍 LangChain")
print(type(response))        # <class 'langchain_core.messages.ai.AIMessage'>
print(response.content)      # 模型生成的文本

4. batch 方法：入参与出参

4.1 入参（输入）

batch 接收一个列表，列表中的每个元素是一条独立输入，可以是字符串、消息对象或字典：

questions = [
    "什么是 LangChain？",
    "什么是 RAG？",
    "什么是 Agent？",
]

# 字符串列表
answers = llm.batch(questions)

# 消息对象列表（每条输入可不同）
message_batch = [
    [SystemMessage(content="你是助手。"), HumanMessage(content="你好")],
    [SystemMessage(content="你是助手。"), HumanMessage(content="介绍 RAG")],
]
answers = llm.batch(message_batch)

batch 也支持配置参数，可对每条输入单独配置：

answers = llm.batch(
    questions,
    config=[{"tags": ["batch-1"]}, {"tags": ["batch-2"]}, {"tags": ["batch-3"]}],
)

4.2 出参（返回值）

batch 返回一个列表，列表长度与输入数量一致，每个元素对应一条输入的返回结果：

answers = llm.batch(questions)

print(type(answers))   # <class 'list'>
print(len(answers))    # 3，与输入数量一致

# 每个元素是 AIMessage，通过 .content 提取文本
for q, a in zip(questions, answers):
    print(f"Q: {q}\nA: {a.content}\n")

5. stream 方法：入参与出参

5.1 入参（输入）

stream 的入参与 invoke 相同，接收单个输入（字符串、消息对象或字典）：

# 字符串输入
for chunk in llm.stream("请写一首关于春天的五言绝句"):
    print(chunk.content, end="", flush=True)

# 消息对象输入
messages = [
    SystemMessage(content="你是一位诗人。"),
    HumanMessage(content="请写一首关于春天的诗"),
]
for chunk in llm.stream(messages):
    print(chunk.content, end="", flush=True)

5.2 出参（返回值）

stream 返回一个迭代器 ，逐块产出 AIMessageChunk，需要手动拼接得到完整结果：

# stream 返回迭代器，逐块产出 AIMessageChunk
chunks = llm.stream("请写一段 200 字的自我介绍")
print(type(chunks))    # <class 'generator'>

full_response = ""
for chunk in chunks:
    full_response += chunk.content

print(full_response)

6. 入参与出参速查表

调用方式	入参类型	出参类型	提取文本方式
llm.invoke()（LLM）	str	str	直接使用
llm.invoke()（ChatModel）	str / 消息列表 / 字典列表	AIMessage	.content
llm.batch()	List[输入]	List[AIMessage]	遍历后 .content
llm.stream()	str / 消息列表 / 字典列表	Iterator[AIMessageChunk]	逐块拼接 .content

提示：无论哪种调用方式，AIMessage 的 .content 始终是模型生成的文本内容，这是最常用的提取方式。

7. 总结

LangChain 的模型调用体系设计得十分统一：

• invoke 是最核心的同步调用方法，入参灵活（字符串、消息列表、字典列表），出参为 str 或 AIMessage；
• batch 入参为输入列表，出参为结果列表，适合批量处理提升吞吐；
• stream 入参与 invoke 相同，出参为迭代器，逐块产出 AIMessageChunk，适合流式输出；
• 异步版本 ainvoke / abatch / astream 入参出参结构与同步版本一致，适用于协程环境。

掌握这些方法的入参与出参，就能灵活应对从简单问答到复杂 Agent 应用的各种开发需求。