1. 通过智普平台获取相关的大模型

举例1：调用智普平台的glm-5.2模型

智普平台：<智谱AI开放平台>

点进去，注册一个API，这个API—KEY就是我们需要的，复制一下，一会粘贴到env文件里面

import os  

from dotenv import load_dotenv  
from langchain_community.chat_models import ChatZhipuAI  

#1. 读取.env配置文件中的信息，相关的环境变量以.env文件中的优先  
#读取项目根目录下的.env文件，并把里面定义的键值对加载到系统环境变量os.environ中  
#override=True：.env文件里的变量优先级更高，会强制覆盖系统已有的同名环境变量  
load_dotenv(override=True)  

#从系统的环境变量中，读取名为ZHIPUAI_API_KEY的值  
ZHIPUAI_API_KEY=os.getenv("ZHIPUAI_API_KEY")  
#从系统的环境变量中，读取名为ZHIPUAI_API_BASE的值  
ZHIPUAI_API_BASE=os.getenv("ZHIPUAI_API_BASE")  

# 2. 模型的初始化

llm_zhipu=ChatZhipuAI(  
    model="glm-5.2",#模型的名字  
    api_key=ZHIPUAI_API_KEY,#模型的api密钥  
    api_base=ZHIPUAI_API_BASE#模型的地址  
)  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_zhipu.invoke("你好,你是谁")  
print(response)

env文件是在根目录下存放的

env文件里的内容

按着ctrl和鼠标的左键点击ChatZhipuAI，进入zhipuai.py,根据这个图片，我们可以知道如何填写ChatZhipuAI里面的参数

模型的选择，我们可以进入智普平台，点击开发文档，这里我们选择的glm-5.2

运行的结果，可以看出我们使用的模型是glm-5.2.

举例2：是对举例1的优化

from dotenv import load_dotenv  
from langchain_community.chat_models import ChatZhipuAI  

#1. 读取.env配置文件中的信息，相关的环境变量以.env文件中的优先  
#读取项目根目录下的.env文件，并把里面定义的键值对加载到系统环境变量os.environ中  
#override=True：.env文件里的变量优先级更高，会强制覆盖系统已有的同名环境变量  
load_dotenv(override=True)  

# 2. 模型的初始化

llm_zhipu=ChatZhipuAI()  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_zhipu.invoke("你好,你是谁")  
print(response)

我们从下面的图中可以看出，模型的名字，模型的api_key和模型的链接api_base都是可选的，可以省略不写，模型名字省略不写，默认调用glm-4,模型的api_key默认从环境变量中读取ZHIPUAI_API_KEY，因为我们在env里面设置的ZHIPUAI_API_KEY就是这个变量名，所以可以默认读取，api_base是可选的，它一般是具体厂商的类，基本上不需要我们在传入这个URL了，因为已经很具体了，这个模型的URL已经给写死了，不写模型也可以理解，不需要特意去传。因此可以三个都不写，但是还是建议自己写个模型名，调用自己想调用的模型

结果可以看出，模型默认调用的就是glm-4

举例3：参数声明在代码中(不推荐)

from langchain_community.chat_models import ChatZhipuAI  

# 2. 模型的初始化
llm_zhipu=ChatZhipuAI(  
    model="glm-5.2",#模型的名字  
    api_key="（自己申请的api_key）",#模型的api密钥  
    api_base="https://open.bigmodel.cn/api/paas/v4/chat/completions"#模型的地址  
)  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_zhipu.invoke("你好,你是谁")  
print(response)

这种不推荐，因为别人都能看到你的api_key，别人也能复制你的，消耗你的token

举例3的结果

2. 通过阿里云百炼平台获取相关的大模型

举例1：调用qwen模型

阿里云百炼平台：<大模型服务平台百炼控制台>

点进去，注册一个API，这个API——KEY自己要保存起来，因为如果不保存，后面就看不到了，需要用API就需要再重新生成。

import os  

from dotenv import load_dotenv  
from langchain_community.chat_models import ChatTongyi  

#1. 读取.env配置文件中的信息，相关的环境变量以.env文件中的优先  
#读取项目根目录下的.env文件，并把里面定义的键值对加载到系统环境变量os.environ中  
#override=True：.env文件里的变量优先级更高，会强制覆盖系统已有的同名环境变量  
load_dotenv(override=True)  

#从系统的环境变量中，DASHSCOPE_API_KEY  
DASHSCOPE_API_KEY=os.getenv("DASHSCOPE_API_KEY")  

# 2. 模型的初始化

llm_qwen=ChatTongyi(  
    model="qwen3-max",#模型的名字  
    api_key=DASHSCOPE_API_KEY,#模型的api密钥  
)  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_qwen.invoke("你好,你是谁")  
print(response)

在env文件里面填写自己的API—KEY

按着ctrl和鼠标的左键点击ChatTongyi，进入tongyi.py,可以看出，我们env里面的参数名应该是DASHSCOPE_API_KEY

我们从前面的DeepSeek和智普可以知道这中厂商模型不需要在传入模型的URL，所以不需要在env文件里面填写这个URL

模型名我们可以在模型广场，找到全部模型，看是文本模型的，我们都可以选择，这里我选择了qwen3-max，模型越新，用的token越多。

举例1的结果

举例2：对举例1的优化

from langchain_community.chat_models import ChatTongyi  
from dotenv import load_dotenv

#1. 读取.env配置文件中的信息，相关的环境变量以.env文件中的优先
#读取项目根目录下的.env文件，并把里面定义的键值对加载到系统环境变量os.environ中
#override=True：.env文件里的变量优先级更高，会强制覆盖系统已有的同名环境变量
load_dotenv(override=True)

# 2. 模型的初始化
llm_qwen=ChatTongyi()  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_qwen.invoke("你好,你是谁")  
print(response)

如果不传模型名称这个参数，从图中可以看出默认是使用qwen-turbo,api_key是默认从环境变量中读取。

举例2的结果，可以看出在不传模型名字参数的时候，默认使用的是qwen-turbo

举例3：参数声明在代码里（不推荐)

from langchain_community.chat_models import ChatTongyi

# 2. 模型的初始化
llm_qwen=ChatTongyi(  
    model="qwen3-max",#模型的名字  
    api_key=“（自己生成的API_KEY）",#模型的api密钥  
)  

#3. 模型的调用  
#.invoke()是调用大模型的核心方法，作用就是向模型发请求，等待回复  
#传入参数：传给模型的提问/对话文本  
#输出参数：模型的回答内容  
#reponse不是单纯字符串，是Langchain封装的对象，真正的回答文本在response.content  
response=llm_qwen.invoke("你好,你是谁")  
print(response)

这种不推荐，因为别人都能看到你的api_key，别人也能复制你的，消耗你的token.
举例3的结果