第02章：模型的创建与调用 (上)

OpenRouter支持支付宝或微信充值，最低限额$5，税费$0.8，此外，如果调用的模型禁止在国内使用，如ChatGPT，则无法通过OpenRouter直接调用（需要Magic），会提示This model is not available in your region，根据个人情况，决定是否充值并调用OpenRouter API。

1.4 提前安装所有依赖

课程中会涉及到多个库的安装，这里一并声明在 requirements.txt 文件中。同时，LangChain的版本变化较快，不同版本之间可能存在兼容问题，为了避免因版本不一致导致的问题，本课程会通过 requirements.txt 固定主要依赖版本。用法：将requirements.txt存放到项目所在的目录下，执行

pip install -r .\requirements.txt

说明：课程中的部分章节会单独列出相关依赖，主要是为了帮助大家了解该章节涉及的核心库。无需重复安装，这些依赖已经统一包含在 requirements.txt 中。

2、模型初始化角度1：使用模型提供商库

在 LangChain 中初始化模型，主要可以通过直接使用特定的Model Class和使用统一的 init_chat_model函数这两种方式来实现。

这里先讲方式1，这种方式最直接。LangChain为一些大模型供应商提供了专门的Model类，导入对应的具体类（如 ChatOpenAI、ChatAnthropic、ChatDeepSeek、ChatOllama、ChatHunyuan、 ChatTongyi、ChatZhipuAI）并进行实例化。

官网链接：https://reference.langchain.com/python/langchain-community/chat-models

2.1 通过专用API调用

注意：使用不同的模型可能传入的参数名称不同，可以参考对应的源码

2.1.1 DeepSeek大模型

官网：https://www.deepseek.com/

步骤1：安装必要的依赖(略)

执行过前面的requirements.txt文件指令的情况下，这里就不需要安装了。

#切换python环境
conda activate langchain1.2
#安装ChatOpenAI依赖包
pip install langchain-openai
#安装ChatDeepSeek 依赖包
pip install langchain-deepseek
# 用于环境管理的包
pip install python-dotenv

说明：langchain-deepseek 是使用deepseek 大模型必要依赖。

注意： langchain-deepseek 依赖于 langchain-openai ，安装前者，pip会自动从pypi拉取元数据解析依赖，后者也会被安装。所以我们把 langchain-openai 也放在此处。

步骤2：配置.env文件（明确去deepseek官网获取key)

在项目根目录下创建.env文件，在.env文件中写入以下内容：

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

说明：将占位符替换为自己的API_KEY。

步骤3：读取配置并初始化模型

这里，我们用DeepSeek的模型进行测试，LangChain会从环境变量中读取DEEPSEEK_API_KEY。如下是代码实现：

from langchain_deepseek import ChatDeepSeek
import os
from dotenv import load_dotenv
# 通过load_dotenv()将.env中的变量加载为环境变量
# override=True表示：无论你当前的操作系统、终端或者虚拟环境中是否已经存在同名的环境变量，
# 都会强行用 .env 文件里写的值去覆盖它

load_dotenv(override=True)
# 从环境变量读取配置
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

# 创建DeepSeek LLM
deepseek_llm = ChatDeepSeek(
 api_key=DEEPSEEK_API_KEY,
 api_base=DEEPSEEK_BASE_URL, # 注意：这里是api_base，不是base_url
 model_name="deepseek-v4-flash",
)

print(deepseek_llm.invoke("请介绍一下你自己"))

基于模型集成手册和LangChain Reference的API参考页ChatDeepSeek可知相关的配置参数。

ChatDeepSeek | langchain_deepseek | LangChain Reference

langchain | LangChain Reference

ChatDeepSeek integration - Docs by LangChain

方式2：优化，依靠默认行为读取 .env 环境变量

from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
# 通过load_dotenv()将.env中的变量加载为环境变量
load_dotenv(override=True)

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

调用ChatDeepSeek要求系统存在名为DEEPSEEK_API_KEY的环境变量。URL通过源码可以查看，有默认值。如下

api_key: SecretStr | None = Field(
default_factory=secret_from_env("DEEPSEEK_API_KEY",
default=None),
)

"""DeepSeek API key"""
api_base: str = Field(
default_factory=from_env("DEEPSEEK_API_BASE",
default=DEFAULT_API_BASE),
)

"""DeepSeek API base URL"""
DEFAULT_API_BASE = "https://api.deepseek.com/v1"

式3：硬编码方式（不推荐）

from langchain_deepseek import ChatDeepSeek

# 创建DeepSeek LLM
deepseek_llm = ChatDeepSeek(
 api_key="sk-2nkIWkv6M...U1Ra4P0NGa", # 明文暴露密钥
 api_base="https://api.deepseek.com",
model="deepseek-v4-flash",
)

print(deepseek_llm.invoke("请介绍一下你自己"))

直接将 API Key 和模型参数写入代码，仅适用于临时测试，存在密钥泄露风险，在生产环境不推荐。相比来讲，.env配置文件方式，生产环境推荐，配置文件可加入 .gitignore 避免泄露。

2.1.2 智谱大模型

官网：https://www.bigmodel.cn/

相关依赖：

# 安装 Langchain 社区依赖包，包含ChatHunyuan、ChatTongyi、ChatZhipuAI
pip install langchain-community

# ChatZhipuAI / 智谱 AI 认证相关依赖
pip install pyjwt

环境变量：

在.env中补充

ZHIPUAI_API_KEY=<Your API Key>
ZHIPUAI_BASE_URL=https://open.bigmodel.cn/api/paas/v4/chat/completions

确保余额或免费额度大于零。

举例：

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

# override=True 确保.env文件优先
load_dotenv(override=True)
 ZHIPUAI_API_KEY = os.getenv("ZHIPUAI_API_KEY")
 ZHIPUAI_BASE_URL = os.getenv("ZHIPUAI_BASE_URL")

zhipu_llm = ChatZhipuAI(
model="glm-5.1",
 api_base=ZHIPUAI_BASE_URL, #可选
 api_key=ZHIPUAI_API_KEY #可选
)
print(zhipu_llm.invoke("请介绍一下你自己"))

2.1.3 千问大模型

通过阿里云百炼平台调用，官网：https://bailian.console.aliyun.com/

2.2 兼容用法

一方面，LangChain没有为所有大模型厂商提供专用接口，见Langchain大模型集成列表。如果选用的平台没有专用接口，可以通过兼容接口调用。

另一方面，专用接口的对接方式五花八门，如腾讯混元的ChatHunyuan需要单独的 APP_ID + SecretId + SecretKey ，配置繁琐，用户不友好。

结论：大多数API平台都支持OpenAI API接口规范，所以基本都可以通过 ChatOpenAI 集成。

举例1：

import os
from dotenv import load_dotenv
# override=True 确保.env文件优先
from langchain_openai import ChatOpenAI

load_dotenv(override=True)
# 通过ChatOpenAI 连接deepseek模型
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

deepseek_llm2 = ChatOpenAI(
 api_key=DEEPSEEK_API_KEY,
 base_url=DEEPSEEK_BASE_URL,
 model="deepseek-v4-flash",
)
response = deepseek_llm2.invoke("1 + 1 = ？")
print(response)

举例2：

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv(override=True)

tongyi_llm2 = ChatOpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
    model="qwen-plus",
)

response = tongyi_llm2.invoke("介绍一下你自己")

print(response)

2.3 中转平台( aicodemirror )

AICodeMirror官方共享平台 - 中国用户专属AI编程助手
可以领取免费额度

无需编程基础，仅依靠自然语言，就能将您的想法变为现实！用最简单的配置即刻使用稳定、安全、优惠的 Claude Code 、 Codex 和 Gemini CLI，体验当前全球最顶级的AI编程工具。为企业和开发者提效300%

LangChain没有为aicodemirror提供专用集成，可以通过ChatOpenAI兼容接口调用。

在.env中补充

AICODE_KEY=<Your API Key>
AICODE_URL=https://api.aicodemirror.com/api/codex/backend-api/codex/v1

举例

import os
from dotenv import load_dotenv
# override=True 确保.env文件优先
from langchain_openai import ChatOpenAI
load_dotenv(override=True)

#通过ChatOpenAI 连接通义千问模型
DASHSCOPE_API_KEY = os.getenv("AICODE_KEY")
DASHSCOPE_BASE_URL = os.getenv("AICODE_URL")
tongyi_llm2 = ChatOpenAI(
 api_key=DASHSCOPE_API_KEY,
 base_url=DASHSCOPE_BASE_URL,
 model="gpt-5.5",
)
response = tongyi_llm2.invoke("1 + 1 = ？")
print(response)

3、模型初始化角度1：init_chat_model()

init_chat_model 是 LangChain 1.x 中推出的用于初始化聊天模型的统一接口。只要是LangChain支持的模型都可以处理，它会根据模型名称自动选择对应的模型类初始化实例。

基本语法

from langchain.chat_models import init_chat_model
model = init_chat_model(
 model_provider="model_name", # 提供商:模型名称
 api_key="your-api-key", # API 密钥（可选，可从环境变量读取）
 temperature=0.7, # 温度参数（可选）
 max_tokens=1000, # 最大 token 数（可选）
 model_kwargs=[] # 其他模型特定参数
)

问题： init_chat_model 和直接使用 ChatTongyi、ChatOpenAI、ChatDeepSeek有什么区别？

回答： init_chat_model 是 LangChain 1.0 的统一接口，优势包括：

统一接口：无需记住每个提供商的不同初始化方式（以一致的方式初始化）
易于切换：简化了智能体系统中模型切换策略（只需修改模型字符串）
简洁明了：更简洁的语法，减少样板代码
自动适配：内部根据模型标识自动选择对应的驱动类(ChatOpenAI、ChatDeepSeek)

3.1 使用举例

举例1：调用DeepSeek官网的大模型

import os
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
# 从.env文件中加载环境变量
load_dotenv(override=True)

# 从环境变量读取配置
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

model = init_chat_model(
  model="deepseek:deepseek-v4-flash",
  #model_provider="deepseek",
  api_key=DEEPSEEK_API_KEY,
  base_url=DEEPSEEK_BASE_URL)
# 向模型发送单条数据
response = model.invoke("你好，用一句话回答")
# 打印响应
print(response)

当我们传递的模型名称为 deepseek-v4-flash 时，init_chat_model会自动调用ChatDeepSeek初始化模型实例，和直接通过ChatDeepSeek初始化的效果完全一致。

举例2：调用阿里百炼大模型

环境变量

DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
DASHSCOPE_API_KEY=<YOUR_API_KEY>

代码：

import os
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

# 从.env文件中加载环境变量
load_dotenv(override=True)
# 从环境变量读取配置
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

model = init_chat_model(
 model="deepseek:deepseek-v4-flash",
#model_provider="deepseek",
 api_key=DEEPSEEK_API_KEY,
 base_url=DEEPSEEK_BASE_URL
)
# 向模型发送单条数据
response = model.invoke("你好，用一句话回答")
# 打印响应
print(response)

举例3：调用aicodemirror中转平台大模型

环境变量

AICODE_KEY=<Your API Key>
AICODE_URL=https://api.aicodemirror.com/api/codex/backend-api/codex/v1

代码：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)
AICODE_KEY=os.getenv("AICODE_KEY")
AICODE_URL=os.getenv("AICODE_URL")

model = init_chat_model(
model="gpt-5.5",
model_provider="openai",
api_key=AICODE_KEY,
base_url=AICODE_URL
)
print(model.invoke("你好，用一句话回答"))

问题1：model_provider支持哪些provider？

model_provider 表示模型的提供者，支持的providers有： anthropic , anthropic_bedrock, azure_ai, azure_openai, bedrockbedrock_converse, cohere, deepseek , fireworks, google_anthropic_vertex, google_genai, google_vertexaigrog, huggingface, ibm, mistralai, nvidia, ollama , openai , openrouter , perplexity, together, upstage, xai。

如果 model_provider="openai" ，会自动加载 langchain-openai 的依赖包，底层调用的是 ChatOpenAI 类。
如果 model_provider="deepseek" ，会自动加载 langchain-deepseek 的依赖包，底层调用的是 ChatDeepSeek 类。
像阿里的 dashscope 尚未被LangChain官方纳入模型的统一注册体系，暂时不知道"dashscope"的提供者是谁。此时可以将model_provider设置为openai，底层将会用openai的规范处理请求，这就要求我们调用的模型服务是OpenAI Compatible的。

问题2：如果在model参数中没有指明模型提供者，必须在model_provider中指明？

可以在model参数中通过前缀指定模型供应商，和模型名称之间用冒号分割，等价于通过 model_provider参数指定供应商。如果两个位置都没有指明供应商，LangChain底层会按照内置规则自动推断。

但是，并非所有的模型都支持自动推断，如model名称 qwen-plus 不支持自动推断，没有指明供应商会报错。

3.2 小结：模型的创建

DeepSeek官网的DeepSeek模型：可以调用ChatDeepSeek()、ChatOpenAI()、 init_chat_model()三种方式

阿里云百炼平台的DeepSeek模型：可以调用ChatTongyi()、ChatOpenAI()、init_chat_model() 三种方式

3.3 模型初始化参数(常用版)

在LangChain中，Model Class 和init_chat_model初始化模型共同的参数及解释。

API文档：https://docs.langchain.org.cn/oss/python/langchain/models#parameters

说明：

1、temperature 参数根据使用场景选择：

0.0-0.3：需要一致性、准确性的任务（数学计算、数据提取、分类、代码生成）
0.5-0.7：平衡创造性和一致性（聊天、问答）
0.8-1.5：创造性任务（写作、头脑风暴）
\1.5-2.0：高度创造性（诗歌、故事创作）

举例：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(

model="deepseek-v4-pro",
model_provider="openai",
temperature=0,
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 向模型发送单条数据
for i in range(3):
  response = model.invoke("帮我写一首描述春天的七言绝句诗")
# 打印响应
  print(response.content)

此时，设置为后，模型会始终选择概率最高的 Token，确保字段准确、不胡乱发挥。

作为对比：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(

model="deepseek-v4-pro",
model_provider="openai",
temperature=1.5,
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 向模型发送单条数据
for i in range(3):
  response = model.invoke("帮我写一首描述春天的七言绝句诗")
# 打印响应
  print(response.content)

使用场景：严格的结构化数据提取

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(

model="deepseek-v4-pro",
model_provider="openai",
temperature=0,
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 向模型发送单条数据
response = model.invoke("张三，男，30岁，拥有8年编程开发经验，目前在某互联网大厂担任技术专家。帮我从上文中提取数据，返回JSON格式")
print(response.content)

使用场景：创意文案与头脑风暴

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(

model="deepseek-v4-pro",
model_provider="openai",
temperature=2,
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 向模型发送单条数据
response = model.invoke("请为一款极致静音的机械键盘写3个充满诗意且极具张力的广告语。")
print(response.content)

2、Token是什么？

基本单位 : 大模型通过分词器（Tokenizer）将文本拆分后的最小语义单元是token（相当于自然语言中的词或字）。不同的模型采用不同的分词算法（如BPE、WordPiece），因此同一段文本在不同模型中的Token数量可能不同。

收费依据：大语言模型通常也是以token的数量作为其计量（或收费）的依据。

1个中文Token≈1-1.8个汉字，1个英文Token≈3-4个字符
Token与字符转化的可视化工具：

OpenAI提供：https://platform.openai.com/tokenizer

百度智能云提供：https://console.bce.baidu.com/support/#/tokenizer

举例：

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(

model="gpt-5.4",
model_provider="openai",
max_tokens=15,
api_key=os.getenv("AICODE_KEY"),
base_url=os.getenv("AICODE_URL"),
)
# 向模型发送单条数据
response = model.invoke("请用中文详细介绍什么是AI")
print(response.content)

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

ChatGPT Plus续费前先查这4项：账号、套餐、日期和扣款渠道

AI编程社区

保姆级！CodeX 与 CodeX CLI / IDE客户端安装及环境搭建 | 纯小白指南

进入->Plugins-> 搜索。安装完成后，在Tools->中：设置为。填入私有安全网关地址。勾选(开启多文件全局符号关联解析)。在 AI 范式深度演化与 Vibe Coding 普遍落地的当下，掌握 CodeX 的全套安装、配置、沙箱隔离与流水线自动化构建，是每一位极客开发者迈向智能化研发的必备功课。先搞定底层 Python/TypeScript SDK，确保 API 接入与代理链路畅通；全面