🎯 课程主题

讲解Agent的 invoke() 调用方式，包括输入消息格式和输出响应结构。

📝 核心知识点

1. invoke() 输入格式

  • 概念说明：agent.invoke() 接收一个字典，key为 messages，value是一个消息列表。
  • 关键细节：
    • 字典结构：{"messages": [消息1, 消息2, ...]}
    • 每条消息可以用字典格式指定 role 和 content，也可以简写为纯字符串（默认为 human/user 消息）
    • 完整格式：
{"messages": [
    {"role": "system", "content": "你是一个数学老师"},
    {"role": "user", "content": "100 + 20 * 3 = ?"}
]}
  • 简写格式（纯字符串默认为 user message）：
{"messages": ["你好"]}
# 等价于
{"messages": [{"role": "user", "content": "你好"}]}

2. invoke() 输出格式

  • 概念说明：返回一个字典，同样含 messages 字段，value为整个交互过程中产生的所有消息列表。
  • 关键细节：
    • 响应结构：{"messages": [SystemMessage, HumanMessage, AIMessage, ...]}
    • 整个交互过程中的所有消息（用户消息、AI回复、工具调用消息等）都存放其中
    • 获取最终AI回复内容：
response = agent.invoke({"messages": ["你好"]})
final_content = response["messages"][-1].content

3. 支持System Message

  • 概念说明：可以在消息列表开头传入系统提示词来设定Agent的角色和行为。
  • 关键细节：按顺序传入 system → user 消息即可。

🏗️ 架构与工作流

  • 输入 → Agent（LangGraph图）→ 内部可能经过 model 节点推理 → 输出（完整消息列表）
  • 无工具时：只有 HumanMessage → AIMessage 两轮消息
  • 有工具时：消息列表会更长，包含 ToolMessage 等中间消息

💻 代码实战

from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from rich import print as rprint

load_dotenv()

model = ChatDeepSeek(model="deepseek-chat")
agent = create_agent(model=model)

# ========== 示例一：简单问候 ==========
response = agent.invoke({
    "messages": [{"role": "user", "content": "你好"}]
})
rprint(response)
# 输出结构：{"messages": [HumanMessage(...), AIMessage(...)]}

# ========== 示例二：带系统提示词 ==========
response = agent.invoke({
    "messages": [
        {"role": "system", "content": "你是一个精通数学的老师，擅长以通俗易懂的方式讲解数学问题。"},
        {"role": "user", "content": "100 + 20 * 3 等于多少？"}
    ]
})
rprint(response)
# 输出：包含 SystemMessage、HumanMessage、AIMessage

# ========== 获取最终AI回复 ==========
final_reply = response["messages"][-1].content
print(final_reply)  # "160"

⚠️ 常见问题与避坑指南

  • 消息列表的顺序很重要：system message 应放在最前面。
  • 简写方式传入纯字符串时，会自动封装为 HumanMessage，适合快速测试。
  • 输出结构始终是字典，始终通过 ["messages"] 字段获取消息列表。

💡 个人总结与延伸

invoke() 的输入输出设计沿用了LangChain统一的 Runnable 接口模式。理解输出是整个交互过程的"完整消息历史"这一点很重要——它为后续实现记忆功能（将历史消息回传）和多轮对话奠定了基础。在流式输出场景下，消息的产出方式会有所不同，后续高级用法中会涉及。

最近更新:
Contributors: yangwenguang