单元测试 - Docs by LangChain中文

模拟聊天模型

LangChain 提供了 GenericFakeChatModel 用于模拟文本响应。它接收一个响应迭代器（AIMessage 对象或字符串），并在每次调用时返回其中一个响应。它同时支持常规调用和流式调用。

from langchain_core.language_models.fake_chat_models import GenericFakeChatModel

model = GenericFakeChatModel(messages=iter([
    AIMessage(content="", tool_calls=[ToolCall(name="foo", args={"bar": "baz"}, id="call_1")]),
    "bar"
]))

model.invoke("hello")
# AIMessage(content='', ..., tool_calls=[{'name': 'foo', 'args': {'bar': 'baz'}, 'id': 'call_1', 'type': 'tool_call'}])

如果再次调用模型，它会返回迭代器中的下一项：

model.invoke("hello, again!")
# AIMessage(content='bar', ...)

InMemorySaver 检查点存储器

为了在测试期间启用持久化，你可以使用 InMemorySaver 检查点存储器。这样可以模拟多轮对话，以测试依赖状态的行为：

from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    model,
    tools=[],
    checkpointer=InMemorySaver()
)

# 第一次调用
agent.invoke(
    {"messages": [HumanMessage(content="I live in Sydney, Australia")]},
    config={"configurable": {"thread_id": "session-1"}}
)

# 第二次调用：第一条消息（悉尼位置）已被持久化，因此模型返回 GMT+10 时间
agent.invoke(
    {"messages": [HumanMessage(content="What's my local time?")]},
    config={"configurable": {"thread_id": "session-1"}}
)

Connect these docs to Claude, VSCode, and more via MCP for real-time answers.

​模拟聊天模型

​InMemorySaver 检查点存储器

​后续步骤

模拟聊天模型

InMemorySaver 检查点存储器

后续步骤