1. 引言

大语言模型（LLM）正在重塑应用开发的方式，而 LangChain 作为最流行的 LLM 应用开发框架之一，为开发者提供了统一、简洁的接口来调用各类大模型。无论你是想快速接入 OpenAI、通义千问、文心一言，还是本地部署的开源模型，LangChain 都能帮你用一套代码搞定。

本文将带你从零开始，掌握 LangChain 调用大模型的核心方法，包括基础调用、对话模型、流式输出、多模型切换等实战技巧。

2. 环境准备

在开始之前，请确保你的开发环境满足以下要求：

• Python 3.8 及以上版本
• 安装 LangChain 核心库

pip install langchain langchain-openai

如果你使用的是 OpenAI 模型，还需要安装：

pip install openai

2.1 配置 API Key

调用大模型需要 API Key。推荐使用环境变量管理密钥，避免硬编码到代码中：

export OPENAI_API_KEY="sk-你的密钥"

3. 基础调用：LLM 模型

LangChain 中最基础的模型接口是 LLM，它接收字符串输入并返回字符串输出。以 OpenAI 为例：

from langchain_openai import OpenAI

# 初始化模型
llm = OpenAI(model="gpt-3.5-turbo-instruct", temperature=0.7)

# 直接调用
response = llm.invoke("用一句话介绍 LangChain")
print(response)

3.1 批量调用

LangChain 支持一次传入多个提示词：

responses = llm.batch([
    "什么是大语言模型？",
    "LangChain 有哪些核心组件？"
])
for r in responses:
    print(r)

4. 对话模型：Chat Models

对话模型（Chat Models）是当前最常用的模型类型，它接收消息列表并返回消息对象，更适合构建聊天机器人等交互式应用。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 初始化对话模型
chat = ChatOpenAI(model="gpt-4o", temperature=0.7)

# 构造消息
messages = [
    SystemMessage(content="你是一位资深的 Python 技术专家。"),
    HumanMessage(content="请解释一下 Python 的装饰器是什么？")
]

# 调用模型
response = chat.invoke(messages)
print(response.content)

4.1 多轮对话

对话模型天然支持多轮对话，只需将历史消息一并传入：

from langchain_core.messages import AIMessage

messages = [
    SystemMessage(content="你是一位乐于助人的助手。"),
    HumanMessage(content="1 + 1 等于几？"),
    AIMessage(content="1 + 1 等于 2。"),
    HumanMessage(content="那 2 + 2 呢？")
]

response = chat.invoke(messages)
print(response.content)  # 输出：2 + 2 等于 4。

5. 流式输出

对于长文本生成场景，流式输出能显著提升用户体验。LangChain 通过 stream 方法实现：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

chat = ChatOpenAI(model="gpt-4o", temperature=0.7)

messages = [HumanMessage(content="写一篇 200 字的短文，介绍人工智能的发展历程。")]

# 流式输出
for chunk in chat.stream(messages):
    print(chunk.content, end="", flush=True)

6. 统一初始化：init_chat_model

前面我们分别用 ChatOpenAI、ChatTongyi、ChatOllama 等类来初始化不同厂商的模型。LangChain 还提供了一个更简洁的统一入口——init_chat_model，它可以根据模型名称自动识别厂商并完成初始化，让代码更加通用。

6.1 基本用法

from langchain.chat_models import init_chat_model

# 根据模型名自动识别厂商
chat = init_chat_model("gpt-4o", model_provider="openai", temperature=0.7)

response = chat.invoke("你好，介绍一下你自己。")
print(response.content)

6.2 自动识别模型厂商

init_chat_model 支持通过模型名称自动推断厂商，无需显式指定 model_provider：

from langchain.chat_models import init_chat_model

# 自动识别 OpenAI 模型
chat = init_chat_model("gpt-4o", temperature=0.7)

# 自动识别通义千问模型
chat_qwen = init_chat_model("qwen-plus", temperature=0.7)

# 自动识别 Ollama 本地模型
chat_ollama = init_chat_model("llama3", temperature=0.7)

6.3 统一切换模型

init_chat_model 最大的优势在于：切换模型时只需修改模型名称，业务代码完全不用改动：

from langchain.chat_models import init_chat_model

def create_chat(model: str):
    """根据模型名创建对话模型，支持跨厂商切换"""
    return init_chat_model(model, temperature=0.7)

# 切换不同厂商的模型
chat1 = create_chat("gpt-4o")        # OpenAI
chat2 = create_chat("qwen-plus")     # 通义千问
chat3 = create_chat("llama3")        # Ollama 本地模型

for chat in [chat1, chat2, chat3]:
    print(chat.invoke("你好！").content)

6.4 指定参数与配置

init_chat_model 同样支持传入各类模型参数，如 max_tokens、request_timeout 等：

from langchain.chat_models import init_chat_model

chat = init_chat_model(
    "gpt-4o",
    model_provider="openai",
    temperature=0.5,
    max_tokens=500,
    request_timeout=30,
    max_retries=2
)

提示：init_chat_model 需要安装对应的集成包。例如使用 OpenAI 模型需安装 langchain-openai，使用通义千问需安装 langchain-community，使用 Ollama 同样需要 langchain-community。

6.5 模型初始化常用核心参数

无论是使用 ChatOpenAI、ChatTongyi 还是 init_chat_model，初始化时都会用到一组通用核心参数。掌握它们能帮你更好地控制模型行为：

参数	作用	示例值
model	指定使用的模型名称	"gpt-4o"、"qwen-plus"
temperature	控制输出随机性，值越低越确定	0.0 ~ 1.0
max_tokens	限制单次生成的最大 token 数	200、500
top_p	核采样参数，与 temperature 二选一	0.9
request_timeout	请求超时时间（秒）	30
max_retries	失败自动重试次数	2
api_key	显式指定 API Key（不推荐硬编码）	"sk-xxx"
base_url	自定义接口地址，用于代理或本地服务	"http://localhost:11434"

1. 控制生成质量

temperature 和 top_p 是影响输出风格的两个关键参数：

from langchain_openai import ChatOpenAI

# 代码生成：低随机性，输出更稳定
chat_code = ChatOpenAI(model="gpt-4o", temperature=0.1)

# 文案创作：高随机性，输出更有创意
chat_copy = ChatOpenAI(model="gpt-4o", temperature=0.9)

2. 控制输出长度与成本

max_tokens 既能限制回复长度，也能避免因超长输出产生过高费用：

chat = ChatOpenAI(model="gpt-4o", max_tokens=300)

3. 配置网络与重试

生产环境中建议显式设置超时和重试，避免因网络抖动导致调用失败：

chat = ChatOpenAI(
    model="gpt-4o",
    request_timeout=30,   # 30 秒超时
    max_retries=3         # 失败重试 3 次
)

4. 自定义接口地址

使用代理或本地部署模型时，通过 base_url 指定服务地址：

from langchain_community.chat_models import ChatOllama

chat = ChatOllama(
    model="llama3",
    base_url="http://localhost:11434",
    temperature=0.7
)

建议：api_key 优先通过环境变量注入，避免硬编码到代码中造成密钥泄露。

6. 多模型切换

LangChain 的一大优势是模型无关性。切换模型只需更换初始化类，业务代码几乎不用改动。

6.1 使用通义千问

from langchain_community.chat_models import ChatTongyi

chat = ChatTongyi(model="qwen-plus", temperature=0.7)

response = chat.invoke([HumanMessage(content="你好，介绍一下你自己。")])
print(response.content)

6.2 使用本地 Ollama 模型

from langchain_community.chat_models import ChatOllama

chat = ChatOllama(model="llama3", base_url="http://localhost:11434")

response = chat.invoke([HumanMessage(content="你好！")])
print(response.content)

7. 实战：构建一个简单的问答助手

下面我们综合运用所学知识，构建一个带记忆的问答助手：

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

class SimpleAssistant:
    def __init__(self, model="gpt-4o"):
        self.chat = ChatOpenAI(model=model, temperature=0.7)
        self.messages = [
            SystemMessage(content="你是一位知识渊博的助手，请用简洁准确的语言回答问题。")
        ]
    
    def ask(self, question: str) -> str:
        # 添加用户消息
        self.messages.append(HumanMessage(content=question))
        
        # 调用模型
        response = self.chat.invoke(self.messages)
        
        # 保存助手回复到历史
        self.messages.append(AIMessage(content=response.content))
        
        return response.content

# 使用示例
assistant = SimpleAssistant()
print(assistant.ask("什么是 LangChain？"))
print(assistant.ask("它有哪些核心组件？"))

8. 常见问题与调优建议

8.1 控制输出长度

通过 max_tokens 参数限制生成长度：

chat = ChatOpenAI(model="gpt-4o", max_tokens=200)

8.2 调整随机性

• temperature：值越低输出越确定，适合代码生成；值越高越有创造性，适合文案创作。
• top_p：核采样参数，与 temperature 二选一调整即可。

8.3 处理超时与重试

chat = ChatOpenAI(
    model="gpt-4o",
    request_timeout=30,  # 请求超时时间（秒）
    max_retries=2        # 失败重试次数
)

9. 总结

本文介绍了 LangChain 调用大模型的核心方法：

• LLM 模型：适合简单的文本补全任务
• Chat Models：适合多轮对话和交互式应用
• 流式输出：提升长文本生成体验
• 多模型切换：一套代码接入不同厂商模型

LangChain 的价值在于抽象与统一，让你专注于业务逻辑，而不必关心底层模型的具体差异。掌握了这些基础调用方法，你就可以在此基础上进一步探索提示词工程、RAG、Agent 等高级特性了。