Skip to main content
单元测试用于在隔离环境中测试智能体的小型、确定性组件。通过将真实的 LLM 替换为内存中的模拟对象（也称为夹具），您可以编写精确的响应（文本、工具调用和错误），从而使测试变得快速、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），并在每次调用时返回一个响应。它支持常规和流式两种使用方式。 
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个项目： 
model.invoke("hello, again!")
# AIMessage(content='bar', ...)

​
InMemorySaver 检查点

为了在测试期间启用持久化，您可以使用 InMemorySaver 检查点。这允许您模拟多个轮次以测试依赖于状态的行为： 
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），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"}}
)

​
后续步骤

了解如何在集成测试中使用真实的模型提供商 API 测试您的智能体。
Edit this page on GitHub or file an issue.
Connect these docs to Claude, VSCode, and more via MCP for real-time answers.