LangChain 模型调用实战：invoke、stream 与 batch

LangChain 在模型调用层提供了一套统一抽象，把不同供应商的对话 API 收敛为几个核心方法：invoke()、stream()、batch()，以及对应的异步版本 ainvoke()、astream()、abatch()。这套抽象的价值在于，切换模型时不必重写调用逻辑，只需更换初始化参数。但不同输入格式、返回值结构和流式支持程度，仍会影响工程实现。

说明：本文内容整理自一篇 CSDN 社区教程（community_signal），并非 LangChain 官方文档。文中出现的模型名、初始化类与参数写法均为该教程中的示例，仅用于说明调用形态，不代表官方推荐或产品能力背书，实际使用请以各供应商与 LangChain 官方文档为准。

核心调用方法一览

该社区教程对几种方法给出了如下定位。invoke() 是阻塞式调用，一次性返回完整结果，适合问答、批处理等无需实时反馈的场景。stream() 是流式输出，实时返回每个 token，适合聊天机器人、长文本生成等需要提升体验的交互应用。batch() 用于批量处理多个输入，模型会在后台并行处理，然后按原始输入顺序返回结果列表，适合文档摘要、批量问答、数据预处理等场景。异步版本 ainvoke()、astream()、abatch() 则面向高并发 Web 应用和 IO 密集型任务，用于提高系统吞吐量。需要注意的是，流式输出依赖模型供应商对流式输出的支持。

invoke 的三种输入形式

invoke() 支持文本输入、字典列表和消息对象列表。文本输入最简单，传入问题即可自动转化为 user message，但无法设置 system prompt，也无法传递对话历史。字典列表在该教程中被推荐用于生产环境，每条消息包含 role 和 content，可以设置 system、user、assistant 三种角色，JSON 兼容，易于序列化和网络传输。消息对象列表使用 SystemMessage、HumanMessage、AIMessage 等内置类，适合需要类型检查和 IDE 自动补全的大型项目，但代码较长，不如字典简洁，也难以直接序列化。

多轮会话与记忆传递

LangChain 本身不会自动保留会话历史。如果不传递历史消息，模型在后续提问中会“失忆”。该教程中的做法是：在字典列表或消息对象列表中显式加入 assistant 的历史回复。例如先发送 system 和 user 消息，拿到 AI 回复后，将其作为 assistant 消息追加到列表，再追加新的 user 消息，最后再次调用 invoke。这样模型就能记住第一轮对话内容。对于多轮对话，维护一个 conversation 列表是最简单的实现方式。

invoke 返回值解析

invoke() 返回一个 AIMessage 对象。核心字段是 content，即模型生成的文本回答，这是最常用的输出。id 是 LangChain 内部生成的运行标识符。additional_kwargs 包含特定供应商的额外参数，例如 refusal 字段会在模型拒绝回答时显示拒绝原因。response_metadata 中可能包含 token_usage 等信息，usage_metadata 则汇总了输入 token、输出 token 和总 token 数。tool_calls 和 invalid_tool_calls 用于工具调用场景。不同供应商的返回字段可能存在差异，解析时不宜硬编码。

流式输出实战

stream() 返回一个迭代器，通过循环逐块处理新生成的 chunk，通常读取 chunk.text。与 invoke() 等待完整输出不同，stream() 能让用户更快看到响应，交互体验更流畅，在长文本或复杂推理场景下尤其明显。该教程中的通义千问示例使用 ChatTongyi 初始化 qwen3-max，然后遍历 stream 输出。这里的关键点是：流式能力由模型供应商决定，如果供应商不支持，stream 行为可能不符合预期。

批量与异步调用

batch() 接收一组独立请求，一次性发送，等待所有请求处理完毕后返回结果列表。与逐个顺序 invoke 相比，它能减少网络往返开销和等待时间。该教程中的 DeepSeek 示例用 batch() 同时提问“你好，你是谁？”“2 + 3 * 5 = ?”“中国首都在哪里？”，返回结果按原始输入顺序排列。异步方法 ainvoke()、astream()、abatch() 的使用方式与同步版本对应，区别在于非阻塞执行，适合高并发场景。

美化输出与工程化封装建议

AIMessage 直接 print 可读性一般，该教程提到两种美化方式：使用 pretty_print()，或使用 rich 库的 rprint 打印对象。在工程化封装时，可以把模型初始化、消息拼装、调用方式选择、历史追加和异常处理收敛到一个统一入口。例如定义一个会话管理类，内部维护消息字典列表，对外提供 ask() 和 ask_stream() 方法，分别封装 invoke 与 stream。模型初始化则根据供应商选择不同方式：该教程中 DeepSeek 示例使用 init_chat_model 并传入 api_key 和 base_url，通义千问示例使用 ChatTongyi 并传入 api_key。

排错清单

第一，流式输出异常时，先确认模型供应商是否支持流式输出。第二，文本输入无法设置 system prompt，也无法携带历史，需要改用字典列表或消息对象列表。第三，多轮对话中模型“失忆”，通常是因为没有把 assistant 回复追加回消息列表。第四，不同模型的初始化类不同，不要混用参数结构。第五，返回值字段因供应商而异，解析 response_metadata 和 additional_kwargs 时要有容错。第六，需要统计成本时，可读取 usage_metadata 中的 token 计数。

总体来看，LangChain 的调用抽象降低了多模型切换成本，但工程落地仍要关注输入格式、流式支持、历史管理和返回值差异。把这些边界处理好，才能让统一接口真正稳定可用。