测试invoke传递不同的参数类型

在LangChain中，模型调用（Invocation）是指通过特定方法触发大语言模型生成输出的过程。根据不同的应用场景和需求，LangChain提供了几种核心的调用方式，主要是invoke()、stream()和batch()方法，以及它们的异步版本ainvoke()、astream()和abatch()。

invoke()：阻塞式，一次性返回完整结果问答，批处理任务，无需实时反馈的场景

ainvoke()：非阻塞式，提高系统吞吐量高并发Web应用，IO密集型任务

stream()：流式输出，实时返回每个token聊天机器人，长文本生成，需要提升用户体验的交互应用

astream()：非阻塞式，提高系统吞吐量高并发Web应用，IO密集型任务

batch()：批量处理多个输入高并发场景，需要同时处理大量请求

abatch()：非阻塞式，提高系统吞吐量高并发Web应用，IO密集型任务

输入参数详解

字典列表（推荐、最灵活）

创建字典列表组成消息。一条消息通常包含role（角色），content（内容）等信息。

适用场景：可以设置系统提示，表达多轮对话历史，JSON兼容，易于序列化和网络传输，生产环境推荐。

缺点：代码稍微多一点（但更清晰）

格式：

bash 复制代码

messages = [
{"role": "system", "content": "系统提示"},
{"role": "user", "content": "用户消息"},
{"role": "assistant", "content": "AI回复"}, # 可选，用于对话历史
{"role": "user", "content": "继续提问"}
]

角色说明：

bash 复制代码

"user"和 "human"有时可以互换，但遵循你选择的主要模型提供商（如OpenAI）的惯例使用
"user"是最稳妥的做法。

举例1：

bash 复制代码

from langchain_openai import ChatOpenAI
import os

from dotenv import load_dotenv


# 读取.env配置文件中的信息，相关的环境变量以.env文件中的优先
load_dotenv(override=True)

DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")


# 模型的初始化

model = ChatOpenAI(
    model = "deepseek-flash",
    api_key = DEEPSEEK_API_KEY,
    base_url= DEEPSEEK_BASE_URL,
)

messages = [
    {"role":"system","content":"你是一个专业的数学老师"},
    {"role":"user","content":"帮我解释一下什么是斐波那契数列"}
]

response = model.invoke(messages)
print(response.content)

举例2：多轮对话（带历史）

bash 复制代码

messages = [
    {"role":"system","content":"你是数学老师"},
    {"role":"user","content":"1 + 19 = ?"},
    {"role":"assistant","content":"20"},
    {"role":"user","content":"我刚才问了什么问题"}
]

response = model.invoke(messages)
print(response.content)

举例3：如果不传递历史，AI会"失忆"

bash 复制代码

message1 = [
    {"role":"system","content":"你是一个非常友好的AI助手"},
    {"role":"user","content":"你好，我叫小明"},
]

# 第一次对话
response1 = model.invoke(message1)

# 打印响应
print(f"AI的回复1:{response1.content}")


message2 = [
    {"role":"user","content":"我叫什么名字"}
]

# 第二次对话
response2 = model.invoke(message2)
print(f"AI的回复2:{response2.content}")

作为对比，传递记忆

bash 复制代码

conversation = [
    {"role":"system","content":"你是一个非常友好的AI助手"},
    {"role":"user","content":"我叫小刚"}
]

# 第一次对话
response1 = model.invoke(conversation)
print(f"AI的回复1:{response1.content}")


# 添加记忆
conversation.append({"role":"assistant","content":response1.content})
conversation.append({"role":"user","content":"我是谁"})

# 第二次对话
response2 = model.invoke(conversation)
print(f"AI的回复2:{response2.content}")

消息对象列表

举例1：

bash 复制代码

from langchain_core.messages import SystemMessage, HumanMessage

messages = [
    SystemMessage(content = "你是一个专业的数学老师"),
    HumanMessage(content = "帮我解释一下什么是斐波那契数列"),
]

response = model.invoke(messages)
print(response.content)

举例2：传递记忆

bash 复制代码

from langchain_core.messages import AIMessage

messages = [
    SystemMessage(content = "你是一个专业的数学老师"),
    HumanMessage(content = "帮我解释一下什么是斐波那契数列"),
]

response = model.invoke(messages)
# print(messages)

messages.append(AIMessage(content = response.content))
messages.append(HumanMessage(content="能重新解释一下么"))

response1 = model.invoke(messages)
print(response1.content)