说明文档

LangChain Python integrations - Docs by LangChain

第一步:初始化模型.

✅ DeepSeek：支持直接 init_chat_model

model = init_chat_model(model="deepseek-chat")  # ✅ 能跑

因为 DeepSeek 在 LangChain 内置支持列表里，它认识！

通义千问（qwen3-max）不在内置支持列表,需要伪装成openai去自定义模型参数访问.

调整模型参数
除了修改模型提供者以外，init_chat_model函数允许我们调整模型参数，例如：
- temperature: 控制生成文本的随机性，值越小越确定，值越大越随机
- max_tokens: 控制生成文本的最大长度
- top_p: 控制生成文本的多样性，值越小越多样，值越大越确定
- timeout: 控制生成文本的超时时间
- max_retries: 控制生成文本的最大重试次数
 

访问模型

方式一:invoke

response = model.invoke("你是谁？")

方式二:stream

# 通过.stream函数实现流式访问
stream = model.stream("你是谁？")

创建智能体

调用智能体

智能体调用与模型调用类似，也支持两种方式：
- invoke：阻塞式调用
- stream：流式访问

但需要注意的是，智能体调用时需要传入一个dict，其中必须包含一个messages字段，也就是消息的列表。

阻塞式调用

总结一下调用qwen大模型,因为不是LC内置的

# 加载环境变量
from dotenv import load_dotenv
# 导入Langchain的初始化模型的函数
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent

load_dotenv()

# 👇 关键！全部用系统自动读取，不要手动传！
model = init_chat_model(
    model="qwen-max",
    model_provider="openai",  # 兼容模式
    temperature=0.7  # 别用1.5，会乱答
)

# 测试流式输出（现在绝对不报错）
for chunk in model.stream("你是谁？"):
    print(chunk.content, end="", flush=True)

# 创建Agent（绝对不报错）
agent = create_agent(model=model)