🌈 我是“没事学AI”， 欢迎咨询、交流，共同学习：
👁️ 【关注】我们一起挖 AI 的各种门道，看看它还有多少新奇玩法等着咱们发现
👍 【点赞】为这些有用的 AI 知识鼓鼓掌，让更多人知道学 AI 也能这么轻松
🔖 【收藏】把这些 AI 小技巧存起来，啥时候想练手了，翻出来就能用
💬 【评论】说说你学 AI 时的想法和疑问，让大家的思路碰出更多火花
👉 关注获取更多AI技术干货，点赞/收藏备用，欢迎评论区交流学习心得！ 🚀

一、聊天模型的基本调用方式

1.1 invoke() - 单次调用

在LangChain中，invoke()方法用于对聊天模型进行单次调用。它接受输入并返回模型的响应。这种方式适用于简单的、一次性的交互场景，比如向模型询问一个问题并获取答案。例如，使用ChatOpenAI模型：

from langchain.chat_models import ChatOpenAI

model = ChatOpenAI()
response = model.invoke("解释什么是机器学习")
print(response)

在整个技术体系中，invoke()是最基础的交互方式，为其他更复杂的交互提供了基石。它在需要快速获取模型反馈，且不需要处理连续对话或复杂逻辑的场景中广泛应用，如简单的问答机器人模块。

1.2 batch() - 批量处理

batch()方法允许对聊天模型进行批量输入处理。可以一次性传入多个输入，模型会并行处理这些输入并返回相应的结果。这在需要同时处理多个独立问题时非常有用，能够提高效率。例如：

from langchain.chat_models import ChatOpenAI

model = ChatOpenAI()
inputs = ["解释量子计算的基本概念", "描述人工智能的发展历程", "说明大数据的特点"]
responses = model.batch(inputs)
for response in responses:
    print(response)

在实际应用场景中，比如在数据预处理阶段，需要对大量文本进行分类或摘要提取时，batch()方法可以显著减少处理时间。它在整个技术体系中属于提高处理效率的关键手段，能够充分利用计算资源，提升系统整体性能。

1.3 stream() - 流式输出

stream()方法用于实现流式输出，即模型在生成响应时，会逐块返回结果，而不是等待整个响应生成完毕。这对于实时交互场景非常重要，用户可以在模型生成内容的同时看到部分结果，增强了交互的实时性和流畅性。示例代码如下：

from langchain.chat_models import ChatOpenAI

model = ChatOpenAI()
for chunk in model.stream("请详细介绍一下区块链技术"):
    print(chunk, end='', flush=True)

在在线客服、实时翻译等需要即时反馈的应用中，流式输出能够极大提升用户体验。在技术体系中，它是实现实时交互功能的核心技术，与传统的一次性输出方式形成互补，满足不同场景的需求。

1.4 astream() - 异步流式输出

astream()方法是异步版本的流式输出。它允许在不阻塞主线程的情况下进行流式响应，适用于需要同时处理多个异步任务的场景。例如，在一个Web应用中，可能同时有多个用户请求模型服务，使用astream()可以高效地处理这些并发请求。示例如下：

import asyncio
from langchain.chat_models import ChatOpenAI

model = ChatOpenAI()

async def async_streaming():
    async for chunk in model.astream("请讲述一下物联网的应用场景"):
        print(chunk, end='', flush=True)

asyncio.run(async_streaming())

在高并发的网络应用、分布式系统等场景中，astream()方法能够充分利用异步编程的优势，提高系统的并发处理能力和响应速度。它在整个技术体系中，是应对大规模并发请求的重要技术手段，确保系统在高负载下仍能保持良好的性能。

二、工具调用

2.1 工具调用的概念

聊天模型的工具调用功能允许模型在处理输入时，调用外部工具来执行特定任务。这些工具可以是从数据库获取数据、调用API获取实时信息、运行自定义代码等。通过工具调用，模型能够扩展自身的能力，处理一些原本无法直接处理的复杂任务。

2.2 工具调用的实现

在LangChain中，可以通过bind_tools()方法将工具绑定到模型上。例如，假设有一个获取天气信息的工具get_weather：

from langchain.chat_models import ChatOpenAI
from langchain.tools import Tool

def get_weather(location):
    # 这里实现获取天气的逻辑，例如调用天气API
    return f"今天{location}的天气是晴天"

tool = Tool(
    name="GetWeather",
    func=get_weather,
    description="用于获取指定地点的天气信息"
)

model = ChatOpenAI()
model_with_tools = model.bind_tools((tool,))
response = model_with_tools.invoke("北京今天的天气如何")
print(response)

2.3 工具调用的优势与应用场景

工具调用的优势明显。它可以扩展模型的能力，使模型能够利用外部资源获取最新信息或执行复杂操作。例如在智能助手应用中，模型可以调用日历工具查看用户的日程安排，调用地图工具获取路线信息等。在企业级应用中，模型可以调用企业内部的数据库工具查询数据，为决策提供支持。在电商场景中，模型可以调用商品库存API，实时查询商品库存信息，回答用户关于商品是否有货的问题。总之，工具调用极大地增强了聊天模型的实用性和灵活性，使其能够更好地适应各种实际应用场景。

三、结构化输出

3.1 结构化输出的定义

结构化输出是指让聊天模型按照特定的格式进行响应，比如JSON格式或匹配特定的模式。这种方式在需要对模型输出进行进一步处理，如信息提取、数据标准化、API响应格式化或数据库存储准备等场景中非常有用。

3.2 结构化输出的实现

在LangChain中，可以使用with_structured_output()方法来配置模型的结构化输出。例如，定义一个用于描述人员信息的Pydantic模型People：

from langchain.chat_models import ChatOpenAI
from langchain.output_parsers import PydanticOutputParser
from pydantic import BaseModel, Field

class Person(BaseModel):
    name: str = Field(description="人的名字")
    age: int = Field(description="人的年龄")

class People(BaseModel):
    person_list: list[Person] = Field(description="人员列表")

parser = PydanticOutputParser(pydantic_object=People)
model = ChatOpenAI()
structured_model = model.with_structured_output(parser)
response = structured_model.invoke("列出两个人员信息，一个叫张三，年龄25岁，另一个叫李四，年龄30岁")
parsed_response = parser.parse(response.content)
print(parsed_response)

3.3 结构化输出的应用场景

在信息提取任务中，例如从大量文本中提取人物、事件、时间等信息时，结构化输出可以使提取的信息更加规范和易于处理。在数据标准化过程中，模型按照指定的格式输出数据，方便后续的数据整合和分析。在API开发中，模型的结构化输出可以直接作为API的响应格式，减少额外的格式转换工作。在数据库操作中，结构化输出的数据可以直接存储到数据库中，提高数据存储的效率和准确性。结构化输出为模型输出与其他系统和工具的交互提供了便利，提升了整个系统的集成性和可扩展性。