【QWen1.5】 LangChainDeprecationWarning: The function `__call__` was deprecated in LangChain 0.1.7 and will be removed in 0.2.0. Use invoke instead. warn_deprecated(

BaseLLM.call 方法（即直接调用 LLM 对象）迁移至 invoke 方法

在原来报错的代码中，是用“llm("你是谁")”来调用回复
这种用法会直接调用BaseLLM.call 方法，导致如下报错：

/root/miniconda3/lib/python3.10/site-packages/langchain_core/_api/deprecation.py:117: 
LangChainDeprecationWarning: The function `__call__` was deprecated in LangChain 0.1.7 and will be removed in 0.2.0. Use invoke instead.
  warn_deprecated(

解决方法

# llm("你是谁")
response = llm.invoke("你是谁")
print(response)

如上，改为用llm.invoke获取回复，再把回复print出来即可，得到正确的回答：

我是阿里云推出的一种超大规模语言模型，我叫通义千问。作为一个AI助手，我的目标是帮助用户获得准确、有用的信息，解决他们的问题和困惑。我会不断学习和进步，不断提升自己的能力，为用户提供更好的服务。有什么问题我可以帮助你解答吗？

豆包回答

你想了解在大语言模型（LLM）开发中，直接调用llm()、print(llm.invoke())这两种调用方式的区别，以及BaseLLM.__call__和invoke这两个核心方法的差异，我会从使用场景、底层逻辑和实际效果三个维度帮你讲清楚。

一、先理解 llm() 与 print(llm.invoke()) 的区别

这两种写法本质是调用方式的语法糖差异 + 输出形式的不同，核心都是触发LLM的推理，但使用场景和返回结果的呈现方式完全不同：

特性	llm() (直接调用实例)	print(llm.invoke()) (调用invoke后打印)
底层逻辑	本质是调用 llm.__call__() 方法	显式调用 llm.invoke() 方法后打印返回值
返回值处理	直接返回LLM的响应对象/字符串（可赋值）	仅打印结果，返回值被print消费（无赋值）
使用场景	需要对响应结果做后续处理（如解析、存储）	仅需快速查看LLM的输出结果（调试/验证）
示例效果	response = llm("你好") → response 可后续操作	print(llm.invoke("你好")) → 控制台输出"你好！有什么我能帮你的吗？"

代码示例（以LangChain框架为例）

from langchain_openai import ChatOpenAI

# 初始化LLM实例（需配置OPENAI_API_KEY）
llm = ChatOpenAI(model="gpt-3.5-turbo")

# 1. 使用 llm() 调用（底层是__call__）
response = llm("请说一句简单的问候语")
print("llm() 返回类型:", type(response))  # <class 'langchain_core.messages.ai.AIMessage'>
print("llm() 提取内容:", response.content)  # 提取具体回复文本

# 2. 使用 print(llm.invoke()) 调用
print("\nllm.invoke() 直接打印结果:")
print(llm.invoke("请说一句简单的问候语"))  # 直接打印AIMessage对象（含content、role等）
# 若想只打印文本，需写成 print(llm.invoke("问候语").content)

关键解释：

• llm() 是“隐式调用”，返回的是完整的响应对象（包含回复内容、角色、元数据等），你可以把它赋值给变量，后续做解析、存储、二次处理；
• print(llm.invoke()) 是“显式调用+打印”，invoke() 返回的响应对象会被print直接输出（控制台显示），但你无法再获取这个返回值做后续操作，适合快速调试看结果。

二、深入对比 BaseLLM.__call__ 与 invoke

BaseLLM 是LangChain等框架中所有LLM类的基类，__call__ 和 invoke 是其核心执行方法，二者的差异是设计层面的分工，而非功能层面的对立：

1. 核心定义与设计初衷

方法	BaseLLM.__call__	BaseLLM.invoke
本质	Python魔法方法（运算符重载）	标准执行方法（显式API）
设计目的	提供“类函数式”的简洁调用方式（语法糖）	遵循LangChain统一的Runnable接口规范
调用方式	llm(prompt) 或 llm.__call__(prompt)	llm.invoke(prompt)
兼容性	部分旧版LLM类可能仅实现__call__	新版LangChain（v0.1+）主推invoke

2. 底层逻辑与实际表现

• __call__ 的底层逻辑：
  绝大多数现代LLM类的__call__方法，内部其实是直接调用invoke方法的，比如：

  class BaseLLM:
      def __call__(self, prompt, **kwargs):
          # 做一些参数兼容/格式转换
          return self.invoke(prompt, **kwargs)
  

  也就是说，__call__ 是invoke的“包装器”，目的是让调用更简洁（不用写.invoke()）。

• invoke 的核心优势：
  invoke 遵循LangChain的Runnable接口（还有stream/batch等方法），具备更强的规范性和扩展性：

  • 支持统一的参数格式（如Input/Output类型校验）；
  • 兼容LangChain的链式调用（chain = prompt | llm | parser）；
  • 支持流式输出、批量调用等扩展功能（invoke可配合streaming=True返回流式响应）；
  • 更好的异常处理和日志记录。

3. 适用场景

方法	适用场景	不适用场景
__call__	快速原型开发、简单调用（追求代码简洁）	标准化开发、链式调用、流式输出
invoke	生产环境、标准化开发、链式调用、流式输出	仅临时调试（比__call__多写几个字符）

三、总结

1. llm() vs print(llm.invoke())：前者返回完整响应对象可后续处理，后者仅打印结果无返回值，核心是“是否需要复用响应结果”；
2. BaseLLM.__call__ vs invoke：__call__ 是invoke的语法糖（底层调用invoke），invoke 是标准化API，新版框架主推使用invoke（更规范、扩展性更强）；
3. 实际开发建议：调试时可临时用llm()或print(llm.invoke())，生产环境优先用llm.invoke()（显式、规范、易维护）。

关键点回顾

• llm() 等价于 llm.__call__()，返回响应对象可赋值复用；print(llm.invoke()) 仅打印结果，无可用返回值；
• __call__ 是魔法方法（语法糖），invoke 是标准执行方法，前者底层调用后者；
• 生产环境优先用invoke，遵循接口规范，便于扩展和维护。