11. LangChain实用技巧，轻松切换AI大模型

在 AI 应用开发中，当我们需要集成并调用不同 AI 大模型来实现文本生成、代码补全、语义理解等多样化功能时，为了避免不同模型的配置参数（如 base_url、api_key 等）相互混淆，可通过 config_prefix 进行清晰的命名空间区分。

如果喜欢看视频学习的，可以看这个《11. LangChain实用技巧，轻松切换AI大模型》，喜欢看文章的接着往下看。

这里有一个关键前提需要特别注意：只有在 configurable_fields 中显式指定的参数，才会受 config_prefix 的影响，未指定的参数仍保持原有命名规则。

例如，当设置config_prefix="CODE"时，原本用于指定模型接口地址的参数base_url会自动变成CODE_base_url，从而与其他模型的base_url参数彻底隔离开来。

init_chat_model(
  model: str | None = None,
  *,
  model_provider: str | None = None,
  configurable_fields: Literal['any'] | list[str] | tuple[str, ...] | None = None,
  config_prefix: str | None = None,
  **kwargs: Any = {}
) -> BaseChatModel | _ConfigurableModel

 以下为.env 环境配置文件的内容，记得必将其中的 API_KEY 占位值，替换为您自行在对应平台申请的有效API密钥。

QWEN_API_KEY="你的QWEN API KEY"
QWEN_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
QWEN_MODEL="qwen3.6-plus"
MINIMAX_API_KEY='你的MiniMax API KEY'
MINIMAX_BASE_URL='https://api.minimaxi.com/v1'
MINIMAX_MODEL='MiniMax-M2.7'

当使用 LangChain 的init_chat_model初始化聊天模型并需要动态注入不同大模型的配置时，可按照以下步骤操作：首先将配置前缀config_prefix统一设置为"QWEN"；接着构建config字典，需特别注意 LangChain 的明确要求：

所有需要在运行时生效的动态参数，必须统一放置在configurable层级下；在该层级内，完成核心参数配置：模型名称对应的键名为QWEN_model，base_url对应的键名为QWEN_base_url，api_key对应的键名为QWEN_api_key。

完成config字典的构建后，将其整体传入模型对象的invoke方法中，即可完成动态参数的注入，让上述配置的所有参数在模型调用时实时生效。对应的完整代码示例如下：

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
prefix = "QWEN"
llm = init_chat_model(
    model_provider="openai",
    configurable_fields=["model", "api_key", "base_url"],
    config_prefix=prefix,
    temperature=0.5,
    max_tokens=200
)
config = {
    "configurable": {
        f"{prefix}_model": os.getenv(f"{prefix}_MODEL"),
        f"{prefix}_api_key": os.getenv(f"{prefix}_API_KEY"),
        f"{prefix}_base_url": os.getenv(f"{prefix}_BASE_URL")
    }
}
response = llm.invoke("请做一个自我介绍", config=config)
print(response.content)

接下来，我们将配置前缀及核心参数调整为适配 Minimax 大模型的设置，并用其来生成Python代码示例。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
 
load_dotenv()
prefix = "MINIMAX"
llm = init_chat_model(
    model_provider="openai",
    configurable_fields=["model", "api_key", "base_url"],
    config_prefix=prefix,
    temperature=0.5,
    max_tokens=200
)
config = {
    "configurable": {
        f"{prefix}_model": os.getenv(f"{prefix}_MODEL"),
        f"{prefix}_api_key": os.getenv(f"{prefix}_API_KEY"),
        f"{prefix}_base_url": os.getenv(f"{prefix}_BASE_URL")
    }
}
response = llm.invoke("生成Python打印Hello World的代码", config=config)
print(response.content)