文章目录

前言

如果说 LangChain 框架是构建 AI 应用的"操作系统"，那么模型的创建与调用就是其中最基础也是最关键的一环。无论是接入云端大模型（如 DeepSeek、千问），还是部署本地模型（通过 Ollama），都需要掌握统一的调用范式。

本文基于 LangChain v1.2，系统梳理模型创建的三种方式、模型调用的六种方法，以及返回值解析、参数配置等进阶内容。文中包含大量可直接运行的代码示例，助你快速上手。

一、模型调用的基础认知

1.1 从 Model I/O 说起

在 LangChain v0.3 时代，框架提出了经典的 Model I/O 三阶段模型：

输入提示（Format） → 调用模型（Predict） → 输出解析（Parse）

分别对应三个核心组件：PromptTemplate → Model → OutputParser。

GPT-3 时代以补全模型为主，LangChain 通过高层 API 封装，使模型能完成对话、工具调用、结构化输出等任务。GPT-3.5 之后，对话模型（ChatModel）成为绝对主流，本文也只聚焦于对话模型。

1.2 三个维度看模型初始化

维度 分类 推荐
调用谁的 API 模型提供商专用库 / LangChain 统一方式 统一方式
参数存放位置 配置文件（.env）/ 硬编码 配置文件
模型位置 在线部署 / 本地部署 视场景而定

1.3 主流大模型服务平台

平台 特点 适合人群
OpenRouter 全球主流，含国外模型 需科学上网
CloseAI 亚洲最大中转平台 国内开发者首选
阿里云百炼 企业端友好，新用户免费额度 企业用户
硅基流动 性价比高 个人开发者
百度千帆 百度生态 百度生态用户
火山引擎 字节多模态生态 多模态需求

无论选择哪个平台，配置只需要三个要素：模型名、api-key、base-url。

二、模型创建的三种方式

方式一：使用模型提供商的专用类（最直接）

LangChain 为各大模型供应商提供了专用 Model 类，开箱即用。

DeepSeek

pip install langchain-deepseek python-dotenv

.env 配置：

DEEPSEEK_API_KEY=<Your API Key>
DEEPSEEK_BASE_URL=https://api.deepseek.com

推荐写法（依赖默认行为，自动读取环境变量）：

from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv(override=True)

deepseek_llm = ChatDeepSeek(model="deepseek-v4-flash")
print(deepseek_llm.invoke("请介绍一下你自己"))

ChatDeepSeek 内部通过 secret_from_env("DEEPSEEK_API_KEY") 自动读取环境变量，DEFAULT_API_BASE 也有默认值，无需手动传入。

智谱 AI

pip install langchain-community pyjwt

from langchain_community.chat_models import ChatZhipuAI
from dotenv import load_dotenv
import os

load_dotenv(override=True)

zhipu_llm = ChatZhipuAI(
    model="glm-5.1",
    api_base=os.getenv("ZHIPUAI_BASE_URL"),
    api_key=os.getenv("ZHIPUAI_API_KEY"),
)

print(zhipu_llm.invoke("请介绍一下你自己"))

通义千问（阿里云百炼）

pip install dashscope

注意：千问基于专用 SDK（DashScope），不要添加 OpenAI 兼容格式的 base_url，否则会报错。

from langchain_community.chat_models import ChatTongyi
from dotenv import load_dotenv
import os

load_dotenv(override=True)

tongyi_llm = ChatTongyi(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    model="qwen-plus",
)

print(tongyi_llm.invoke("请介绍一下你自己"))

兼容用法：通过 ChatOpenAI 统一调用

大多数 API 平台都遵循 OpenAI 接口规范，因此可以通过 ChatOpenAI 作为通用入口：

from langchain_openai import ChatOpenAI

# 调用 DeepSeek
deepseek_llm = ChatOpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
    model="deepseek-v4-flash",
)

# 调用智谱
zhipu_llm = ChatOpenAI(
    api_key=os.getenv("ZHIPUAI_API_KEY"),
    base_url=os.getenv("ZHIPUAI_BASE_URL"),
    model="glm-5.1",
)

# 调用千问（需设置正确的 base_url）
tongyi_llm = ChatOpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",
)

中转平台：OpenRouter

pip install langchain-openrouter

from langchain_openrouter import ChatOpenRouter

model = ChatOpenRouter(
    model="deepseek/deepseek-v4-flash",
    api_key=os.getenv("OPENROUTER_API_KEY"),
)

print(model.invoke("一句话介绍下你自己"))

方式二：使用 init_chat_model() 统一接口（推荐）

init_chat_model 是 LangChain v1.x 推出的统一模型创建入口，根据模型名称自动匹配对应的供应商类。优势在于：统一语法、易于切换、自动适配。

# 统一模型创建入口案例 
from langchain.chat_models import init_chat_model

model = init_chat_model(
    "provider:model_name",   # 冒号前是供应商，后面是模型名
    api_key="your-api-key",
    temperature=0.7,
    max_tokens=1000,
)

调用 DeepSeek：

model = init_chat_model(
    model="deepseek:deepseek-v4-flash",   # 冒号前是供应商，后面是模型名
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)

调用阿里百炼（兼容方式，声明 model_provider="openai"）：

model = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

支持的 model_provider 包括但不限于：openai、deepseek、anthropic、ollama、groq、huggingface、openrouter、google_genai、mistralai、cohere 等。

小结：同一个 DeepSeek 模型可通过多种方式调用：

来源 可用方式
DeepSeek 官网 ChatDeepSeek() / ChatOpenAI() / init_chat_model()
阿里云百炼 ChatTongyi() / ChatOpenAI() / init_chat_model()
OpenRouter ChatOpenRouter() / ChatOpenAI() / init_chat_model()

方式三：本地模型 —— Ollama 部署与调用

Ollama 是一个开源的本地大模型运行框架，可一键部署 DeepSeek、Qwen 等主流模型。

安装与下载模型

官网下载安装包：https://ollama.com

# 下载并运行模型
ollama run deepseek-r1:1.5b

常用命令：

命令 说明
ollama pull llama3 下载模型
ollama run llama3 运行模型
ollama list 查看已下载模型
ollama rm llama3 删除模型
ollama serve 启动 API 服务

LangChain 调用 Ollama

pip install langchain-ollama

from langchain_ollama import ChatOllama

ollama_llm = ChatOllama(model="deepseek-r1:1.5b")
result = ollama_llm.invoke("你好，请介绍一下你自己")
print(result)

也可通过 init_chat_model 统一调用：

ollama_llm = init_chat_model(
    model="deepseek-r1:1.5b",
    model_provider="ollama",
)

三、模型调用的六种方法

LangChain 提供了六种调用方式，覆盖同步/异步、单次/批量、一次性/流式等场景：

方法 特点 适用场景
invoke() 阻塞式，一次性返回 问答、批处理
stream() 流式输出，逐 token 返回 聊天机器人、长文本生成
batch() 批量处理，并行执行 高并发批处理
ainvoke() 异步版 invoke 高并发 Web 应用
astream() 异步流式输出 高并发 + 流式
abatch() 异步批量处理 高并发 Web 应用

3.1 invoke() —— 最核心的调用方法

response = model.invoke("翻译成英文：你好世界")
print(response.content)

invoke 支持三种输入格式：

① 纯文本（最简单）：

response = model.invoke("什么是斐波那契数列？")

② 字典列表（推荐，最灵活）：

messages = [
    {"role": "system", "content": "你是一个专业的数学老师。"},
    {"role": "user", "content": "2 + 3 * 2 = ？"},
    {"role": "assistant", "content": "8"},
    {"role": "user", "content": "我刚才问了什么问题？"}
]
response = model.invoke(messages)

三种角色：

角色 对应字典 作用
system {"role": "system", ...} 设定 AI 行为、角色、规则
user {"role": "user", ...} 用户输入
assistant {"role": "assistant", ...} AI 历史回复（用于记忆）

③ 消息对象列表（类型安全）：

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
    SystemMessage("你是一个专业的数学老师。"),
    HumanMessage("2 + 3 * 2 = ？"),
    AIMessage("8"),
    HumanMessage("我刚才问什么问题了？")
] 
response = model.invoke(messages)

3.2 stream() —— 流式输出

for chunk in model.stream("写一首七言律诗，总结大模型的发展"):
    print(chunk.text, end="", flush=True)  # 逐 token 输出

优点：响应更快、体验更流畅、可实时展示模型思考过程。

3.3 batch() —— 批量调用

messages = ["你好，你是谁？", "2 + 3 * 5 = ?", "中国首都在哪里？"]
responses = model.batch(messages)

for response in responses:
    print(response.content)

batch() 等所有请求完成后按原始顺序返回。如果希望按完成顺序接收，可使用 batch_as_completed()：

for index, response in model.batch_as_completed(messages):
    print(f"第 {index} 个完成：{response.content}")

性能对比：批量调用相较循环调用可节省 60% 以上的时间。

3.4 异步调用：ainvoke / astream / abatch

在 Web 应用中，同步调用会阻塞线程。异步方法让请求在后台执行，主线程继续处理其他任务。

import asyncio

async def main():
    # 发起异步调用但不等待
    task = asyncio.create_task(model.ainvoke("用一句话解释人工智能"))
    
    # 继续执行其他逻辑
    print("模型请求已发送，继续执行本地任务...")
    await asyncio.sleep(1)
    
    # 获取结果
    response = await task
    print(response.content)

asyncio.run(main())

astream() 异步流式输出和 abatch() 异步批量处理的用法类似，完整代码可参考官方文档。

四、深入理解 invoke 的返回值

invoke() 返回的是一个 AIMessage 对象，不仅仅是文本，还包含丰富的元数据。

4.1 AIMessage 结构剖析

response = model.invoke("用一句话解释什么是 AI")

# 1. 文本内容
print(response.content)

# 2. 响应元数据
metadata = response.response_metadata
print(f"使用的模型: {metadata['model_name']}")
print(f"结束原因: {metadata['finish_reason']}")

# 3. Token 用量
usage = metadata.get('token_usage', {})
print(f"输入 tokens : {usage.get('prompt_tokens')}")
print(f"输出 tokens : {usage.get('completion_tokens')}")
print(f"总计 tokens : {usage.get('total_tokens')}")

# 4. 延迟性能（毫秒）
latency = usage.get('latency_checkpoint', {})
print(f"首 Token 时间: {latency.get('service_ttft_ms')}ms")
print(f"总耗时: {latency.get('total_duration_ms')}ms")

4.2 关键字段解析

字段 说明
content 模型生成的文本答案
response_metadata.token_usage Token 用量详情（输入/输出/总计）
response_metadata.model_name 实际使用的模型名称
response_metadata.finish_reason 结束原因：stop（正常）/ length（超长截断）
response_metadata.latency_checkpoint 延迟性能指标（首 Token 时间、Token 间间隔等）
tool_calls 工具调用列表（Function Calling 场景）
usage_metadata 标准化的 Token 统计

4.3 多轮对话的记忆管理

大模型本身不记上下文——每次调用都是"失忆"的。需要手动管理对话历史：

conversation = [
    {"role": "system", "content": "你是一个非常友好的AI助手"},
    {"role": "user", "content": "你好，我叫小明"}
]

response1 = model.invoke(conversation)
print(f"AI回复：{response1.content}")

# 把 AI 回复追加到对话历史
conversation.append({"role": "assistant", "content": response1.content})
conversation.append({"role": "user", "content": "我叫什么名字？"})

response2 = model.invoke(conversation)
print(f"AI回复：{response2.content}")  # 能正确回答"小明"

五、进阶技巧

5.1 模型配置画像 profile

LangChain v1.1+ 支持通过 model.profile 查看模型的能力画像：

from langchain_openrouter import ChatOpenRouter

model = ChatOpenRouter(model="openai/gpt-4o-mini")
print(model.profile)

输出示例：

{
    'max_input_tokens': 128000,
    'max_output_tokens': 16384,
    'text_inputs': True,
    'image_inputs': True,
    'audio_inputs': False,
    'tool_calling': True,
    'structured_output': True
}

注意：是否返回完整 profile 取决于集成时是否声明了能力画像。DeepSeek 官方类暂未声明，返回为空。

5.2 常用初始化参数速查

参数 类型 说明 默认值
model str 模型名称（必需） 无
temperature float 输出随机性，0.0~2.0 0.7
max_tokens int 最大输出 token 数 None
timeout float 超时时间（秒） None
max_retries int 失败重试次数 6

temperature 使用建议：

范围 适用场景
0.0 - 0.3 数学计算、数据提取、分类、代码生成
0.5 - 0.7 聊天、问答（平衡创造性与一致性）
0.8 - 1.5 写作、头脑风暴
1.5 - 2.0 诗歌、故事创作

5.3 运行时动态配置 config

config 参数允许在调用时动态覆盖模型行为，无需重新初始化：

response = model.invoke(
    "讲个笑话",
    config={
        "run_name": "joke_generation",      # LangSmith 追踪名称
        "tags": ["test", "development"],     # 分类标签
        "metadata": {"user_id": "123"},      # 附加元数据
        "configurable": {
            "temperature": 0.9,
            "max_tokens": 200
        }
    }
)

configurable 中的参数优先级高于初始化参数，但仅对当次调用生效。需要先在初始化时通过 configurable_fields 声明哪些参数允许被动态覆盖。

model = init_chat_model(
    model="deepseek:deepseek-v4-flash",
    temperature=0.2,
    max_tokens=500,
    configurable_fields=("model", "temperature", "max_tokens"),
)

5.4 美化输出

# 方式1：pretty_print()
response = model.invoke("你是谁？")
response.pretty_print()

# 方式2：rich 库
from rich import print as rprint
rprint(response)

5.5 异常处理

try:
    response = model.invoke("Hello")
    print(response.content)
except ValueError as e:
    print(f"配置错误: {e}")
except ConnectionError as e:
    print(f"网络错误: {e}")
except Exception as e:
    print(f"未知错误: {e}")

总结

本文覆盖了 LangChain v1.2 中模型创建与调用的全部核心内容：

模块 核心要点
创建方式 专用类 → init_chat_model() 统一接口 → Ollama 本地部署
调用方法 invoke / stream / batch + 对应的异步版本
输入格式 纯文本 / 字典列表（推荐） / 消息对象
返回值 AIMessage 包含 content、token_usage、延迟指标等丰富信息
进阶技巧 profile、config 动态配置、model_kwargs/extra_body

最重要的建议：新项目直接使用 init_chat_model() 创建模型，用 .env 管理密钥，用字典列表传消息，从 invoke() 开始、按需引入 stream 和异步。

官方文档：LangChain Models（英文） | 中文文档

Logo
https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

更多推荐

cover

当 AI 修图师装上“万能插头“：MCP 如何改变修图工作流

avatar AI编程社区
cover

2026年8月开发者实战指南：ChatGPT Plus / Pro + Codex 如何协同完成需求分析、编码、测试、调试与代码审查

avatar AI编程社区
cover

Claude API + Python实战：结构化输出后，如何拦住“看起来正确”的JSON

avatar AI编程社区