LangChain 聊天模型核心能力：从基础定义到进阶实战

作为 LangChain 生态的核心组件，聊天模型是连接大语言模型（LLM）与实际应用的桥梁。与传统纯文本补全模型不同，LangChain 中的聊天模型专门优化了对话交互能力，通过标准化的消息格式实现灵活调用，支持多模型切换、结构化输出、流式交互等高级功能。本文严格基于 LangChain 官方课件，结合实战代码与进阶知识点，带你从基础定义到核心能力，全面掌握聊天模型的使用方法。LLM：多数指纯文

2401_87727424

682人浏览 · 2026-01-12 16:48:51

2401_87727424 · 2026-01-12 16:48:51 发布

前言

作为 LangChain 生态的核心组件，聊天模型是连接大语言模型（LLM）与实际应用的桥梁。与传统纯文本补全模型不同，LangChain 中的聊天模型专门优化了对话交互能力，通过标准化的消息格式实现灵活调用，支持多模型切换、结构化输出、流式交互等高级功能。本文严格基于 LangChain 官方课件，结合实战代码与进阶知识点，带你从基础定义到核心能力，全面掌握聊天模型的使用方法。

一、核心定义：LangChain 中的聊天模型是什么？

在 LangChain 的设计体系中，聊天模型和 LLM（大语言模型）是「特殊与一般」的关系，其核心定位是「对话优化的 LLM 封装」：

LLM：多数指纯文本补全模型，接受单个字符串提示作为输入，输出字符串补全结果（部分支持多模态）；
聊天模型：由 LLM 提供底层支持，但经过对话场景优化，输入是消息列表（包含系统提示、用户提问、历史对话等），输出是 AI 消息对象，而非纯文本。

这种设计的核心优势在于：支持多轮对话上下文管理、角色边界清晰、输出格式标准化，能无缝适配复杂交互场景。

关键基础：标准化消息格式

聊天模型的核心输入是「消息列表」，LangChain 统一了三种核心消息类型，覆盖所有对话场景：

SystemMessage：系统角色消息，作为第一条消息传入，用于定义 AI 的行为准则（如 "你是专业翻译助手，回复简洁准确"）；

HumanMessage：用户角色消息，承载用户的查询、指令等输入内容；

AIMessage：AI 角色消息，聊天模型的输出结果，包含回答内容及元数据（如 Token 使用量、模型版本）。

所有消息类型均基于 LangChain 的Runnable接口实现，确保与框架其他组件（提示模板、记忆模块、工具）无缝兼容。

二、基础实现：三种核心定义方式

LangChain 提供了三种主流的聊天模型定义方式，分别适配「固定模型调用」「动态模型切换」「本地模型部署」场景，下面结合代码详细说明。

方式 1：直接定义特定模型（ChatOpenAI 类）

适合明确知道要使用的模型（如 OpenAI、DeepSeek），需手动指定模型名称、API 密钥、基础地址等参数，直观易懂，是入门首选。

调用模型的核心参数说明（通用标准化参数）

参数名	作用	示例
`model`	模型名称（需与服务商一致）	"deepseek-chat"、"gpt-4o-mini"
`api_key`	模型服务商的身份凭证	"sk-xxx"（DeepSeek/OpenAI 密钥）
`base_url`	API 请求基础地址（非 OpenAI 模型必需）	DeepSeek 地址："https://api.deepseek.com/v1"
`temperature`	采样温度（0-1）：值越高越灵活，越低越严谨	0.3（保守）、0.8（创意）
`max_tokens`	生成的最大 Token 数（控制输出长度）	100、1024
`timeout`	请求超时时间（秒）	30（避免无限等待）
`max_retries`	请求失败后的重试次数	2

实战代码：调用 DeepSeek 聊天模型

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

# 1. 定义DeepSeek聊天模型
model = ChatOpenAI(
    model="deepseek-chat",  # 模型名称（DeepSeek通用对话模型）
    api_key="sk-a5b3406086ec4c89832442954c60f210",  # 你的API密钥
    base_url="https://api.deepseek.com/v1",  # DeepSeek固定API地址
    temperature=0.3,  # 严谨模式，减少随机性
    max_tokens=100,  # 限制输出长度（100字以内）
    timeout=30,  # 30秒超时
    max_retries=2  # 失败重试2次
)

# 2. 定义消息列表（系统提示+用户输入）
messages = [
    SystemMessage(content="请补全一段故事，100个字以内，风格温馨治愈"),
    HumanMessage(content="一只猫正在__？")
]

# 3. 调用模型并输出结果
result = model.invoke(messages)
print("模型输出内容：", result.content)
print("输出元数据：", result.response_metadata)  # 包含Token使用量、模型版本等

输出对象说明

模型返回AIMessage对象，核心属性包括：

content：AI 的回答文本（核心关注内容）；

response_metadata：响应元数据（Token 使用量、模型名称、请求 ID，用于调试）；

usage_metadata：资源消耗统计（输入 / 输出 Token 数，用于成本核算）。

方式 2：灵活配置模型（init_chat_model 工厂函数）

init_chat_model是 LangChain 提供的高阶工厂函数，支持动态切换不同服务商的模型，无需修改核心调用逻辑，灵活性更强，是重点推荐的进阶用法。

核心优势

多模型统一接口：无论调用 OpenAI 还是 DeepSeek，调用方式完全一致；

动态配置能力：可在invoke时通过config参数修改模型、温度等参数；

简化配置：自动读取环境变量中的 API 密钥，无需硬编码。（提前在系统变量中保存）

实战场景 1：固定模型基本用法

from langchain.chat_models import init_chat_model
from langchain_core.messages import HumanMessage
import os

# 自动读取环境变量中的密钥（推荐做法）
os.environ["DEEPSEEK_API_KEY"] = "sk-xxx"
os.environ["OPENAI_API_KEY"] = "sk-xxx"

# 1. 初始化OpenAI模型
gpt_model = init_chat_model(
    model="gpt-4o-mini",
    model_provider="openai",
    temperature=0.3
)

# 2. 初始化DeepSeek模型
deepseek_model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    temperature=0.3
)

# 3. 统一调用方式
print("GPT-4o-mini回答：", gpt_model.invoke("你是谁？").content)
print("DeepSeek回答：", deepseek_model.invoke("你是谁？").content)

实战场景 2：动态切换模型（可配置模型模拟器）

适合测试不同模型效果、根据任务类型动态选择模型的场景：

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage

# 1. 定义可配置模型（仅设置默认参数，不指定具体模型）
config_model = init_chat_model(temperature=0.3)

# 2. 定义消息
messages = [
    SystemMessage(content="请补全一段故事，100个字以内"),
    HumanMessage(content="一只猫正在__？")
]

# 3. 调用时动态指定模型（通过config参数）
# 切换为DeepSeek模型
result_deepseek = config_model.invoke(
    messages,
    config={"configurable": {"model": "deepseek-chat", "model_provider": "deepseek"}}
)

# 切换为GPT-4o-mini模型
result_gpt = config_model.invoke(
    messages,
    config={"configurable": {"model": "gpt-4o-mini", "model_provider": "openai"}}
)

print("DeepSeek补全：", result_deepseek.content)
print("GPT-4o-mini补全：", result_gpt.content)

实战场景 3：带默认参数的可配置模型

通过configurable_fields指定允许动态修改的参数，config_prefix避免参数冲突：

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage

# 1. 定义可配置模型（指定默认模型和可修改字段）
model = init_chat_model(
    model="gpt-4o-mini",  # 默认模型
    model_provider="openai",  # 默认服务商
    temperature=0.3,  # 默认温度
    max_tokens=1024,  # 默认最大Token数
    configurable_fields=("max_tokens", "model", "model_provider"),  # 允许动态修改的字段
    config_prefix="first"  # 参数前缀（避免冲突）
)

# 2. 定义消息
messages = [
    SystemMessage(content="请补全一段故事，100个字以内："),
    HumanMessage(content="一只猫正在__？")
]

# 3. 调用时修改参数（动态切换为DeepSeek+限制输出为10Token）
result = model.invoke(
    messages,
    config={
        "configurable": {
            "first_max_tokens": 10,  # 前缀+字段名的命名规则
            "first_model": "deepseek-chat",
            "first_model_provider": "deepseek"
        }
    }
)

print(result.content)  # 输出限制在10Token以内

方式 3：调用本地部署模型（ChatOllama 类）

不想依赖云端 API 时，可通过 Ollama 部署本地模型（如 DeepSeek-R1、Llama 等），LangChain 提供ChatOllama类无缝支持：

from langchain_ollama import ChatOllama

# 1. 定义本地Ollama部署的DeepSeek模型
ollama_model = ChatOllama(
    model="deepseek-r1:1.5b",  # 本地模型名称（需提前通过Ollama拉取）
    base_url="http://127.0.0.1:11434"  # Ollama默认本地地址
)

# 2. 调用模型
result = ollama_model.invoke("你是谁？")
print("本地模型回答：", result.content)

三、关键概念澄清与避坑指南

1. 聊天模型 vs LLM（纯文本模型）

对比维度	聊天模型	LLM（纯文本模型）
输入格式	消息列表（System/Human/AIMessage）	单个字符串提示
输出格式	AIMessage 对象（带元数据）	纯文本字符串
适用场景	对话交互、多轮聊天、工具调用	文本补全、摘要生成、代码生成
LangChain 实现	ChatOpenAI、ChatOllama、init_chat_model	OpenAI、DeepSeekLLM

2. 环境变量配置（安全最佳实践）

硬编码 API 密钥存在安全风险，推荐配置系统环境变量，LangChain 会自动读取：

Windows：「系统属性→环境变量」添加OPENAI_API_KEY（OpenAI）、DEEPSEEK_API_KEY（DeepSeek）；
macOS/Linux：终端执行export DEEPSEEK_API_KEY="sk-xxx"；
代码中无需手动传入api_key，模型会自动从环境变量读取。

3. 常见错误排查（可结合AI查错）

Authentication Error：API 密钥无效或环境变量未配置，检查密钥正确性和环境变量读取；
API Connection Error：base_url错误（DeepSeek 固定为 "https://api.deepseek.com/v1"）
Token Limit Exceeded：max_tokens设置过小，或对话历史过长，需调整参数或使用记忆压缩；
INVALID_CHAT_HISTORY：消息列表格式错误（如 AIMessage 的 tool_calls 无对应 ToolMessage），检查消息结构完整性；
configurable拼写错误：常见configrable→configurable，导致动态参数失效。