深入理解 invoke、Prompt Template 与 Tools

用了一段时间 LangChain，回过头来把基础概念梳理清楚。这篇聊 invoke 的几种调用方式、Prompt Template 的用法，以及 Tools 的工作原理。

invoke 的三种输入格式

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage

model = init_chat_model("openai:gpt-4.1-mini")

# 格式一：纯字符串
response = model.invoke("你好")

# 格式二：字典列表（最灵活）
messages = [
    {"role": "system", "content": "你是 Python 专家"},
    {"role": "user", "content": "什么是生成器？"},
]
response = model.invoke(messages)

# 格式三：消息对象列表
messages = [
    SystemMessage(content="你是 Python 专家"),
    HumanMessage(content="什么是生成器？"),
]
response = model.invoke(messages)

三种格式都能用。字典列表最灵活，纯字符串最简单，消息对象类型最安全。

invoke 返回的是 AIMessage 对象，除了 content 还有 response_metadata 包含模型名、token 用量等信息。

Prompt Template

模板让你把变量和提示词分离：

from langchain_core.prompts import ChatPromptTemplate, PromptTemplate

# 简单模板
translator = PromptTemplate.from_template(
    "将以下{source_lang}文本翻译成{target_lang}: \n{text}"
)
prompt = translator.format(source_lang="英语", target_lang="中文", text="Hello")

# 对话模板
template = ChatPromptTemplate.from_messages([
    ("system", "你是一个{role}"),
    ("user", "{question}")
])

重点是 LCEL 链式调用，用管道符把模板和模型串起来：

chain = template | model
response = chain.invoke({
    "role": "数学专家",
    "question": "一句话介绍勾股定理"
})

这样写代码很简洁，而且每个环节都可以单独测试。

Tools 的工作原理

工具就是带 @tool 装饰器的函数，docstring 是 AI 的说明书：

from langchain_core.tools import tool

@tool
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    return "晴天，温度 15°C"

model_with_tools = model.bind_tools([get_weather])
response = model_with_tools.invoke("北京天气如何？")

if response.tool_calls:
    print("AI 想调用工具:", response.tool_calls)

bind_tools 把工具信息告诉模型。模型不会直接执行工具，而是返回 tool_calls 告诉你它想调哪个工具、传什么参数。执行由你或框架来做。

小结

invoke 三种格式、Prompt Template 的链式调用、Tools 的声明式定义，这三个是 LangChain 的基本功。理解透了，后面写 Agent 会顺畅很多。