在LangChain框架中，`format` 和 `invoke` 是作用于不同对象、服务于不同阶段的两个核心方法，它们分别属于 **提示词模板（Prompt Template）** 和 **可运行组件（Runnable）** 的范畴。其根本区别在于操作对象与执行目的的不同。 | 特性维度 | `format` 方法 | `invoke` 方法 | | :--- | :--- | :--- | | **所属对象** | **提示词模板** (如 `PromptTemplate`, `ChatPromptTemplate`) | **可运行组件** (如 `LLM`, `ChatModel`, `Chain`, `RunnableSequence`) | | **核心作用** | **字符串/消息列表的构建与填充**。将模板中的占位符替换为具体的输入值，生成一个**准备就绪的提示**。 | **执行与推理**。驱动一个组件（模型、链、工具等）运行，传入输入数据并获取输出结果。 | | **输入/输出** | **输入**：一个字典，包含模板变量的值。<br>**输出**：一个格式化后的字符串（对于`PromptTemplate`）或一个消息列表（对于`ChatPromptTemplate`）。 | **输入**：一个字典或单个值，取决于组件的输入模式。<br>**输出**：组件的执行结果（如字符串、消息、结构化数据等）。 | | **执行阶段** | **前处理阶段**。在将提示发送给模型**之前**，用于组装最终的指令和上下文。 | **执行阶段**。触发模型计算、链式调用或工具执行等核心逻辑。 | | **是否调用模型** | **否**。纯文本处理，不涉及任何API调用或模型计算。 | **是**。通常会触发对底层大语言模型（LLM）或其它计算资源的调用。 | ### 一、`format` 方法：构建提示 `format` 方法是 **提示词模板（PromptTemplate）** 的核心功能。它的作用是根据预定义的模板结构和传入的变量值，生成一个完整的、可直接用于模型输入的提示字符串或消息列表。 **1. 基本使用场景（基于 `PromptTemplate`）** `PromptTemplate` 用于生成面向 **补全模型（Completion Model）** 的文本提示。`format` 方法将模板中的变量替换为具体值。 ```python from langchain_core.prompts import PromptTemplate # 1. 定义一个模板，其中 {product} 和 {question} 是占位符 template = "你是一个专业的{product}客服。请回答以下问题：{question}" prompt_template = PromptTemplate.from_template(template) # 2. 使用 format 方法，传入一个字典来填充占位符 formatted_prompt = prompt_template.format(product="智能手机", question="电池续航多久？") print(formatted_prompt) # 输出: "你是一个专业的智能手机客服。请回答以下问题：电池续航多久？" ``` 此时，`formatted_prompt` 是一个可以直接发送给补全模型（如 `Tongyi`）的字符串。 **2. 聊天模型场景（基于 `ChatPromptTemplate`）** 对于 **聊天模型（Chat Model）**，`format` 方法生成的是一个 **消息（Message）列表**，每条消息都有其角色（如 `system`, `human`, `ai`）。 ```python from langchain_core.prompts import ChatPromptTemplate from langchain_core.messages import SystemMessage, HumanMessage # 1. 定义聊天提示模板 chat_template = ChatPromptTemplate.from_messages([ SystemMessage(content="你是一个幽默的天气预报员。"), HumanMessage(content="请问{city}明天天气怎么样？") ]) # 2. 使用 format 方法，生成消息列表 messages = chat_template.format_messages(city="北京") # 注意：对于 ChatPromptTemplate，通常使用 format_messages，但其本质与 format 类似。 # 也可以使用 chat_template.invoke({"city": "北京"})，这会返回一个包含消息列表的Runnable。 print(messages) # 输出: [SystemMessage(content='你是一个幽默的天气预报员。'), HumanMessage(content='请问北京明天天气怎么样？')] ``` 生成的这个 `messages` 列表，就是可以直接传递给聊天模型（如 `ChatTongyi`）的输入。 ### 二、`invoke` 方法：执行组件 `invoke` 方法是 **LangChain Expression Language (LCEL)** 中所有 **Runnable** 对象的通用接口。它用于**执行**一个组件，并返回其结果。可运行对象包括：模型（`LLM`, `ChatModel`）、链（`Chain`）、工具（`Tool`）、以及由 `|` 运算符连接的组合链。 **1. 在模型对象上使用 `invoke`** 这是最直接的用法，驱动模型进行推理。 ```python from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.prompts import ChatPromptTemplate # 1. 定义提示模板和模型 prompt = ChatPromptTemplate.from_template("请用一句话介绍{product}。") model = ChatTongyi(model="qwen-max") # 2. 将模板和模型组合成一个链 chain = prompt | model # 3. 使用 invoke 执行链，传入输入数据 result = chain.invoke({"product": "Python编程语言"}) print(result.content) # 输出: Python是一种高级、解释型、通用的编程语言，以简洁易读的语法著称。 ``` 在这个例子中，`invoke` 触发了以下流程： 1. `prompt` 接收 `{"product": "Python编程语言"}`，内部调用其 `invoke`（或等效逻辑）生成消息列表。 2. 将生成的消息列表传递给 `model`。 3. `model` 调用其 `invoke` 方法，向千问大模型API发送请求并获得响应。 4. 最终返回一个 `AIMessage` 对象。 **2. 在链（Chain）上使用 `invoke`** 链是多个可运行组件的组合。`invoke` 会顺序执行链中的每一个组件。 ```python from langchain_core.output_parsers import StrOutputParser # 在之前的链基础上，添加一个输出解析器 chain_with_parser = prompt | model | StrOutputParser() # 使用 invoke 执行完整的链 result_str = chain_with_parser.invoke({"product": "机器学习"}) print(result_str) # 输出: 机器学习是人工智能的一个分支，它使计算机系统能够从数据中学习并改进性能，而无需进行明确的编程。 ``` `StrOutputParser()` 也是一个 `Runnable`，它的 `invoke` 方法接收模型的 `AIMessage` 输出，并将其解析为纯字符串。 ### 三、核心区别与联合工作流 **本质区别**：`format` 是 **数据准备**，`invoke` 是 **流程执行**。你可以只使用 `format` 来构建提示而不运行它（例如，用于调试或日志记录）。但几乎总是需要 `invoke`（或 `stream`, `batch`）来获取模型的智能输出。 **典型联合工作流**： 在构建一个RAG或Agent应用时，`format` 和 `invoke` 通常被串联在一条链中，由LCEL的 `|` 运算符隐式调用。 ```python # 这是一个典型的RAG检索后生成链的简化示例 from langchain_core.prompts import ChatPromptTemplate from langchain_community.chat_models.tongyi import ChatTongyi from langchain_core.output_parsers import StrOutputParser # 1. 定义提示模板，其中 {context} 和 {question} 将由上游组件提供 template = """请根据以下上下文回答问题。 上下文：{context} 问题：{question} 如果上下文不包含答案，请说“根据提供的资料无法回答”。""" prompt = ChatPromptTemplate.from_template(template) # 2. 定义模型和解析器 model = ChatTongyi(model="qwen-max") parser = StrOutputParser() # 3. 构建链。假设 `retriever` 是一个能从向量库检索文档的 Runnable # chain = retriever | (lambda docs: {"context": docs, "question": RunnablePassthrough()}) | prompt | model | parser # 为了演示，我们简化链，手动提供上下文 def combine_inputs(data): # 模拟检索器返回的上下文 retrieved_context = "LangChain是一个用于开发大语言模型应用的框架。" return {"context": retrieved_context, "question": data["question"]} # 构建完整链 from langchain_core.runnables import RunnablePassthrough chain = RunnablePassthrough() | combine_inputs | prompt | model | parser # 4. 使用 invoke 触发整个工作流 answer = chain.invoke({"question": "什么是LangChain？"}) print(answer) # 输出: LangChain是一个用于开发大语言模型（LLM）应用的框架。 ``` **工作流解析**： 1. `RunnablePassthrough()` 将输入 `{"question": "..."}` 原样传递。 2. `combine_inputs` 函数模拟检索过程，返回包含 `context` 和 `question` 的字典。 3. `prompt` 接收这个字典，**在其内部调用 `format`（或等效方法）**，将 `{context}` 和 `{question}` 替换为具体值，生成最终的消息列表。 4. `model` 接收消息列表，**调用其 `invoke` 方法**，请求大模型生成回复。 5. `parser` 接收模型的回复，**调用其 `invoke` 方法**，将其解析为字符串。 6. 最终结果通过 `chain.invoke()` 返回。 ### 总结 - **`format`**：属于**提示工程**环节，是**静态的文本组装工具**。它作用于 `PromptTemplate`，负责根据模板和变量生成最终的提示文本或消息列表，为模型调用做好准备。 - **`invoke`**：属于**运行时执行**环节，是**动态的流程驱动引擎**。它作用于任何 `Runnable` 对象（模型、链、工具等），负责接收输入、执行内部逻辑（可能包括调用 `format`）、与外部服务交互，并返回输出结果。 在LCEL的声明式编程风格下，开发者通常直接使用 `|` 连接组件并通过 `invoke` 触发执行，而 `format` 的调用被封装在 `PromptTemplate` 的 `invoke` 方法内部，使得构建复杂应用时代码更加简洁和清晰。理解两者的区别有助于在需要自定义流程或调试时，更精准地控制数据流转。 [ref_1]