单元测试

使用虚拟聊天模型和内存持久化测试智能体逻辑，无需 API 调用。

单元测试在隔离环境中运行你的智能体中的小型、确定性部分。通过用内存中的虚拟模型（即 fixture）替换真实的大语言模型(LLM)，你可以编写精确的响应脚本（文本、工具调用和错误），使测试快速、免费且可重复，无需 API 密钥。

模拟聊天模型

LangChain 提供了 GenericFakeChatModel 用于模拟文本响应。它接受一个响应迭代器（AIMessage 对象或字符串），每次调用返回一个。它支持常规和流式输出两种用法。

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'}])

如果我们再次调用模型，它将返回迭代器中的下一项：

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

InMemorySaver 检查点器

要在测试期间启用持久化，你可以使用 InMemorySaver 检查点器。这允许你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：第一条消息已持久化（悉尼位置），所以模型返回 GMT+10 时间
agent.invoke(
    {"messages": [HumanMessage(content="What's my local time?")]},
    config={"configurable": {"thread_id": "session-1"}}
)

后续步骤

了解如何使用真实模型提供商 API 测试你的智能体，请参阅集成测试。

---

连接这些文档到 Claude、VSCode 等，通过 MCP 获取实时答案。

在 GitHub 上编辑此页面 或 提交问题。