🎯 课程主题

讲解 LangChain 中 invoke 方法的三种输入参数类型：字符串文本、字典列表、消息对象列表，并演示多轮对话中记忆（上下文）的传递方式。

📝 核心知识点

1. 模型调用的三组方法

  • 同步版本：invoke（阻塞式，一次性返回完整结果）、stream（流式输出，逐 token 返回）、batch（批量并发处理）。
  • 异步版本：以上三者各自加前缀 a → ainvoke、astream、abatch。
  • invoke 的核心参数：
    • input（必填）：发送给模型的内容。
    • config（可选）：高级配置，涉及回调函数、元数据和标签（后续章节讲解）。

2. invoke 支持的输入类型

  • PromptValue：提示词模板的返回值（后续讲解）。
  • 字符串：最简单的文本输入。
  • 序列：列表（list）、元组（tuple）、字典（dict）等形式。

3. 三种常用输入方式

方式一：字符串输入

  • 概念说明：直接将字符串传入 invoke，模型将其作为用户问题处理。
  • 适用场景：简单的单轮问答。

方式二：字典列表输入

  • 概念说明：传入一个列表，列表中每个元素为 {"role": "xxx", "content": "xxx"} 的字典。
  • 三种角色（role）：
    • system：系统角色，用于设定 AI 的行为、角色和规则（如"你是一个专业的数学老师"）。
    • user：用户角色，代表用户的提问。
    • assistant：AI 助手角色，代表模型的回复。
  • 说明：user 和 human 有时可互换，但建议遵循 OpenAI 惯例使用 user。
  • 这是官方推荐的写法，最灵活。

方式三：消息对象列表输入

  • 概念说明：传入由消息对象构成的列表，与方式二一一对应：
    角色字典方式消息对象
    系统{"role": "system"}SystemMessage
    用户{"role": "user"}HumanMessage
    AI{"role": "assistant"}AIMessage
  • 均从 langchain_core.messages 中导入。

4. 大模型的记忆机制

  • 核心问题：大模型天然不具备记忆功能——每次调用 invoke 是独立的，不会自动记住上一轮对话内容。
  • 解决方案：通过手动拼接历史对话来传递上下文（记忆）。
    1. 初始化一个消息列表。
    2. 调用 model.invoke(messages) 得到回复。
    3. 将 AI 的回复（AIMessage 或 {"role": "assistant", "content": ...}）追加到消息列表中。
    4. 将用户的新问题追加到消息列表中。
    5. 再次调用 model.invoke(messages)，此时模型能"记住"之前的对话。

🏗️ 架构与工作流

单轮调用（无记忆）：
  input → model.invoke() → response

多轮调用（带记忆）：
  messages = [SystemMessage, UserMessage1]
    → model.invoke(messages) → response1 (AIMessage)
  messages.append(response1)
  messages.append(UserMessage2)
    → model.invoke(messages) → response2 (AIMessage)  ← 能"记住"第一轮内容

💻 代码实战

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model="gpt-4o-mini",
    model_provider="openai",
    base_url="https://api.closeai-asia.com/v1"
)

# ===== 方式一：字符串输入 =====
response = model.invoke("翻译：你好世界")
print(response.content)

# ===== 方式二：字典列表输入 =====
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)

# ===== 方式三：消息对象列表输入 =====
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)

多轮对话 + 记忆传递示例（消息对象方式）

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

conversation = [HumanMessage(content="我的名字叫小明。")]
response1 = model.invoke(conversation)
print(f"AI回复1: {response1.content}")

# 添加记忆：AI 的回复 + 用户的新问题
conversation.append(response1)  # 即 AIMessage
conversation.append(HumanMessage(content="我叫什么名字？"))

response2 = model.invoke(conversation)
print(f"AI回复2: {response2.content}")  # 能回答出"小明"

⚠️ 常见问题与避坑指南

  1. 默认情况下模型会"失忆"：每次 invoke 调用是独立的，如果不手动拼接历史消息，模型无法知道之前的对话内容。
  2. 消息列表中 role（角色）的顺序：一般建议 system → user → assistant → user → ... 的交替顺序。
  3. user vs human：两者功能等价，但建议统一使用 user 以遵循 OpenAI 惯例。

💡 个人总结与延伸

三种输入方式中，字符串最简单，适合快速原型和单轮问答；字典列表是官方推荐的灵活写法；消息对象列表与 LangChain 的消息体系无缝集成，适合构建复杂对话系统。多轮对话中的"记忆"本质上是将历史对话逐步拼接到消息列表中再传给模型——这也是后续 LangChain 中 Memory 组件（如 ConversationBufferMemory）的底层实现原理。

最近更新:
Contributors: yangwenguang