2.模型接口

模型IO

一、核心概念：什么是 ModelIO

1. 定义

LangChain 只是胶水框架，本身不具备大模型能力，核心作用是统一对接各类厂商大模型。
ModelIO 就是模型交互三件套规范：

输入：Prompt 提示词（system/user/ai 消息）
处理：调用大模型推理
输出：标准化结构化返回（文本/JSON/流式分片等）

2. 两大核心模型类型

ChatModel 对话模型：日常聊天问答，支持多轮角色消息（system/human/ai），工作中使用占比90%；
Embedding 向量模型：文本向量化，用于向量数据库、RAG检索，本章暂不展开。

3. 通用底层协议：OpenAI 兼容协议

国内绝大多数大模型（通义千问、DeepSeek、智谱等）都兼容 OpenAI 接口规范，是通用标准（普通话）；
各厂商也提供专属封装类（方言），适合企业独家采购场景，二选一使用。

4. 关键通用参数

参数	作用	取值范围
api_key	厂商密钥，环境变量读取，避免硬编码	厂商后台申请
base_url	模型接口地址，兼容模式必填	各厂商官方地址
temperature	生成随机性	0~2.0，越小越严谨，越大创造力越强
max_tokens	单次输出最大字数	None=不限制
timeout/max_retries	超时、重试次数，保障稳定性	自定义数值

二、三类调用方案总览

LangChain 提供三套调用写法，按通用度排序：

init_chat_model：LangChain 新版通用标准写法（推荐，一套代码切换多模型）
厂商专属 ChatXXX（ChatOpenAI/ChatDeepSeek/ChatTongyi）：厂商专属封装，适合独家采购场景
原生 OpenAI SDK：不依赖 LangChain，纯原生调用，老旧项目使用

三、厂商代码

方案1：通用兼容写法 init_chat_model（首选）

统一入口，仅修改 model/model_provider/base_url/api_key 即可切换模型，多模型动态切换首选。

示例1：调用 DeepSeek

# ModelIO_Init_chat_model.py
# 1.导入依赖
import os
from langchain.chat_models import init_chat_model
# 2.实例化模型
model = init_chat_model(
    model="deepseek-chat",
    api_key=os.getenv("deepseek-api"),
    base_url="https://api.deepseek.com"
)
# 3.调用模型
print(model.invoke("你是谁").content)

代码解析

init_chat_model：LangChain 统一初始化入口；
os.getenv()：从环境变量读取密钥，安全规范，禁止写死API Key；
base_url：DeepSeek 官方兼容接口地址；
model.invoke()：同步调用，返回 AI Message 对象，.content 取出文本结果。

示例2：带调参通用写法（temperature 控制随机性）

# ModelIO_Params.py
import os
from langchain.chat_models import init_chat_model
model = init_chat_model(
    model="deepseek-chat",
    model_provider="openai", # 底层遵循openai协议
    api_key=os.getenv("deepseek-api"),
    base_url="https://api.deepseek.com",
    temperature=2.0 # 高温度，输出更有创意
)
# 循环生成3句短句
for x in range(3):
    print(model.invoke("写一句关于春天的词,14字以内").content)

重点：temperature=2.0 想象力拉满；写严谨文案、代码生成建议设 0~0.3。

方案2：厂商专属封装类（企业独家场景专用）

每个厂商独立依赖包，仅对接单一模型，适合公司签订独家模型、不允许多模型混用场景。

2.1 ChatDeepSeek 纯DeepSeek专属调用

# ModelIO_DeepSeek.py
import os
from langchain_deepseek import ChatDeepSeek
# 初始化 deepseek
model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0, # 低温度，输出稳定统一
    max_tokens=None,
    timeout=None,
    max_retries=2, # 请求失败自动重试2次
    api_key=os.getenv("deepseek-api"),
)
# 同步调用
print(model.invoke("什么是LangChain?100字以内回答，简洁"))

特性：无需手动传 base_url，源码内置DeepSeek默认接口地址，简化编码。

2.2 ChatTongyi 阿里通义千问（两种导入方式）

方式A：OpenAI兼容模式（langchain-openai）

# ModelIO_ChatOpenAI.py 对接通义
from langchain_openai import ChatOpenAI
import os
chatLLM = ChatOpenAI(
    api_key=os.getenv("aliQwen-api"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",
)
messages = [
    {"role": "system", "content": "You are a helpful assistant."},
    {"role": "user", "content": "你是谁？"}]
response = chatLLM.invoke(messages)
print(response.content)

原理：阿里云百炼提供OpenAI兼容接口，复用ChatOpenAI类，不用额外安装阿里专属包。

方式B：阿里原生 ChatTongyi（专属包，支持流式输出）

# ModelIO_Ollama.py / ModelIO_Qwen.py
# 安装依赖：pip install langchain-community dashscope
import os
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage
chatLLM = ChatTongyi(
    model="qwen-plus",
    api_key=os.getenv("aliQwen-api"),
    streaming=True, # 开启流式输出
)
# 1.同步一次性返回
print(chatLLM.invoke("你是谁"))
print("*" * 60)
# 2.流式分片输出（打字机效果）
res = chatLLM.stream([HumanMessage(content="你好，你是谁")])
for r in res:
    print("chat resp:", r.content)

关键知识点

streaming=True + .stream()：流式输出，逐字返回内容，前端聊天框常用；
HumanMessage：LangChain 标准消息对象，区分system/user/ai角色；
依赖包：langchain-community 存放各厂商第三方集成类。

方案3：原生 OpenAI SDK（不依赖LangChain）

无框架依赖，纯原生请求，老旧项目、不想引入LangChain时使用：

# ModelIO_OpenAI.py
# 安装：pip install openai
import os
from openai import OpenAI
client = OpenAI(
    api_key=os.getenv("deepseek-api"),
    base_url="https://api.deepseek.com"
)
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello,你是谁"},
    ],
    stream=False # 关闭流式，一次性返回
)
# 取值路径固定：choices[0].message.content
print(response.choices[0].message.content)

优缺点

优点：无第三方框架耦合，轻量；
缺点：多模型切换需要重复写大量初始化代码，缺少LangChain的提示词、RAG、工具链生态。

四、三种调用方式选型对比

写法	适用场景	优点	缺点
init_chat_model	通用项目、多模型动态切换	一套代码兼容所有厂商，简洁易维护	新版本LangChain才支持
ChatXXX厂商专属类	企业独家采购，仅使用单一模型	内置厂商地址，参数适配更完善	切换模型需修改导入和实例代码
原生OpenAI SDK	轻量化项目、无LangChain依赖	依赖少，底层可控	无LangChain上层工具生态，重复代码多

五、实操开发规范总结

密钥管理：统一使用 os.getenv() 读取环境变量，禁止明文写API Key；
多模型通用场景：优先使用 init_chat_model；
企业独家模型场景：使用厂商专属类（ChatDeepSeek/ChatTongyi）；
流式对话需求：开启 streaming=True，使用 .stream() 循环分片读取；
调参技巧：代码生成/严谨问答 temperature=0；创意文案/写作 temperature=1.5~2.0；
依赖安装
- 通用OpenAI兼容：pip install langchain-openai
- DeepSeek专属：pip install langchain-deepseek
- 通义千问：pip install langchain-community dashscope
返回值统一规则
所有LangChain调用返回 AIMessage 对象，通过 .content 获取文本内容；原生SDK需通过 choices[0].message.content 取值。

posted @ 2026-08-17 18:24 _丑小鸭阅读(1) 评论(0) 收藏举报

刷新页面返回顶部

xym_love