摘要

大语言模型（LLM）的对话能力已成为自然语言处理领域的核心应用方向，而 LangChain 作为主流的大模型应用开发框架，为聊天模型的集成与调度提供了标准化解决方案。本文基于 LangChain 框架，系统梳理聊天模型的核心概念，详细阐述通过第三方 API（OpenAI、DeepSeek）和本地部署（Ollama）两种方式定义聊天模型的实现方法，重点解析ChatOpenAI、init_chat_model工厂函数的使用逻辑，以及invoke()核心调用方法的工作机制。结合可运行代码实例，实现从基础调用到可配置模型、跨服务商兼容的完整实践，为大模型对话应用的开发提供理论参考与工程范式。

关键词

LangChain；大语言模型；聊天模型；API 调用；本地部署；Runnable 接口

一、引言

随着 GPT-5、DeepSeek 等大语言模型的迭代，对话式 AI 应用已广泛渗透于文本生成、机器翻译、智能问答等场景。现代 LLM 通常通过聊天模型接口对外提供服务，该接口以消息列表为输入、以 AI 消息为输出，区别于传统纯文本补全模型的字符串输入输出模式。

LangChain 作为连接大模型与应用场景的桥梁，对聊天模型进行了标准化封装：一方面兼容各类主流模型服务商的 API，另一方面通过Runnable接口统一了模型调用范式。本文将基于 LangChain 的核心设计，从概念界定、API 集成、本地部署三个维度，完整拆解聊天模型的开发流程，解决开发者在模型切换、参数配置、调用兼容等方面的核心痛点。

二、LangChain 聊天模型的核心概念

2.1 聊天模型与基础 LLM 的区别

在 LangChain 的设计体系中，基础 LLM与聊天模型存在明确边界：

1. 基础 LLM：以纯文本补全为核心能力，API 接收单个字符串提示，输出字符串补全结果（如 OpenAI GPT-5 的基础文本模型）；
2. 聊天模型：由基础 LLM 提供能力支撑，专门针对对话场景优化，输入为聊天消息列表（包含系统指令、用户提问、助手回复等角色），输出为AI 消息对象，更贴合实际对话的交互逻辑。

二者的核心差异可通过输入输出形式直观区分，如图 1 所示：基础 LLM 实现 “输入字符串→输出字符串” 的映射，而聊天模型实现 “消息列表→AI 消息” 的映射。

2.2 Runnable 接口的核心地位

LangChain 的所有聊天模型均实现了标准 Runnable 接口，该接口定义了模型的核心调用规范，其中invoke()方法是实现 “单个输入→对应输出” 的核心入口，为不同服务商、不同部署方式的模型提供了统一的调用范式，是实现跨模型兼容的关键。

三、通过第三方 API 定义 LangChain 聊天模型

第三方 API 是企业与开发者使用大模型的主流方式，LangChain 针对不同服务商提供了专属封装与通用工厂函数两种实现路径，以下以 OpenAI 和 DeepSeek（OpenAI 兼容模型）为例展开实践。

3.1 方式一：基于专属类ChatOpenAI实现

ChatOpenAI是 LangChain 为 OpenAI 系列模型（如 gpt-5-mini）提供的专属实现类，继承自BaseChatOpenAI并实现 Runnable 接口，支持通过参数灵活配置模型行为。

3.1.1 核心初始化参数

ChatOpenAI的初始化参数覆盖模型选择、生成策略、网络配置三大维度，核心参数如表 1 所示：

参数名	参数描述
model	要使用的 OpenAI 模型名称（如 gpt-5-mini）
temperature	采样温度，值越高回复越灵活，值越低回复越保守
max_tokens	生成的最大令牌数
openai_api_key	OpenAI API 密钥（未传入时从环境变量读取）
base_url	API 请求的基础 URL（兼容第三方模型的核心参数）
max_retries	请求失败后的最大重试次数

3.1.2 基础调用实现（OpenAI）

首先安装依赖包，配置环境变量（OPENAI_API_KEY），再通过ChatOpenAI实现基础对话调用：

# 安装依赖
# pip install -U langchain-openai

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

# 1. 初始化OpenAI聊天模型
gpt_model = ChatOpenAI(
    model="gpt-5-mini",
    temperature=0,  # 保守采样，保证回复准确性
    max_retries=2   # 最大重试2次
)

# 2. 构造对话消息列表
messages = [
    SystemMessage(content="你是一名专业的翻译助手，仅执行英文到中文的翻译任务"),
    HumanMessage(content="my name is xiaoming")
]

# 3. 调用invoke()方法执行对话
result = gpt_model.invoke(messages)
print("GPT-5-mini回复：", result.content)
# 预期输出：我的名字是小明

3.1.3 兼容调用实现（DeepSeek）

DeepSeek 模型兼容 OpenAI 的 API 规范，因此可通过ChatOpenAI类，仅修改base_url和model参数实现调用，无需更换核心代码：

import os
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 从环境变量读取DeepSeek API密钥
DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")

# 2. 初始化DeepSeek聊天模型（兼容OpenAI接口）
deepseek_model = ChatOpenAI(
    model="deepseek-chat",  # DeepSeek对话模型名称
    openai_api_key=DEEPSEEK_API_KEY,
    base_url="https://api.deepseek.com/v1",  # DeepSeek官方API地址
    temperature=0
)

# 3. 构造消息并执行链式调用（模型+输出解析器）
messages = [
    SystemMessage(content="Translate English to Chinese accurately."),
    HumanMessage(content="my name is xiaoming")
]
parser = StrOutputParser()  # 提取AI消息中的纯文本内容
chain = deepseek_model | parser
result = chain.invoke(messages)
print("DeepSeek回复：", result)
# 预期输出：我的名字是小明

3.2 方式二：基于工厂函数init_chat_model()实现

init_chat_model()是 LangChain 提供的通用聊天模型工厂函数，支持通过model_provider参数快速切换不同服务商的模型，无需修改核心调用逻辑，极大提升了代码的可维护性与扩展性。

3.2.1 核心优势与参数说明

该函数的核心优势是跨服务商兼容，支持 OpenAI、DeepSeek、Anthropic 等主流模型，核心参数如表 2 所示：

参数名	参数描述
model	模型名称（如 gpt-5-mini、deepseek-chat）
model_provider	模型服务商（openai/deepseek/anthropic 等）
configurable_fields	运行时可动态配置的字段（如 model、temperature）
config_prefix	配置前缀，用于区分多模型的运行时参数
temperature/max_tokens	与ChatOpenAI同名参数，功能一致

3.2.2 基础跨模型调用

通过init_chat_model()可同时初始化 OpenAI 和 DeepSeek 模型，并以统一方式调用，实现 “一套代码，多模型兼容”：

# 安装依赖：OpenAI需langchain-openai，DeepSeek需langchain-deepseek
# pip install -U langchain-openai langchain-deepseek

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

# 1. 初始化OpenAI模型
gpt_model = init_chat_model(
    model="gpt-5-mini",
    model_provider="openai",
    temperature=0
)

# 2. 初始化DeepSeek模型
deepseek_model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    temperature=0
)

# 3. 统一调用invoke()方法
question = HumanMessage(content="What's your name?")
gpt_result = gpt_model.invoke(question)
deepseek_result = deepseek_model.invoke(question)

print("GPT-5-mini：", gpt_result.content)
print("DeepSeek：", deepseek_result.content)

3.2.3 可配置模型的动态调度

通过configurable_fields参数，可实现模型的运行时动态配置，无需重新初始化模型即可切换服务商、调整参数，适用于多场景动态调度的业务需求：

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

# 1. 初始化可配置模型（指定可动态修改的字段）
configurable_model = init_chat_model(
    temperature=0,  # 默认温度
    configurable_fields=["model", "model_provider", "temperature"],
    config_prefix="first"  # 配置前缀，区分多模型参数
)

# 2. 动态配置为OpenAI模型并调用
openai_config = {
    "configurable": {
        "first_model": "gpt-5-mini",
        "first_model_provider": "openai",
        "first_temperature": 0
    }
}
result_openai = configurable_model.invoke(
    HumanMessage(content="What's your name?"),
    config=openai_config
)

# 3. 动态配置为DeepSeek模型并调用
deepseek_config = {
    "configurable": {
        "first_model": "deepseek-chat",
        "first_model_provider": "deepseek",
        "first_temperature": 0.5
    }
}
result_deepseek = configurable_model.invoke(
    HumanMessage(content="What's your name?"),
    config=deepseek_config
)

print("动态配置-OpenAI：", result_openai.content)
print("动态配置-DeepSeek：", result_deepseek.content)

3.3 invoke()方法的核心机制

invoke()是 Runnable 接口的核心方法，定义为abstractmethod invoke(input: Input, config: RunnableConfig | None = None, **kwargs: Any) -> Output，其核心逻辑如下：

1. 输入参数：input为 Runnable 实例（如聊天消息列表），config为运行时配置（如可配置模型的参数）；
2. 执行流程：将输入转换为模型可识别的格式，发送请求至模型服务商，接收响应后封装为 AI 消息对象；
3. 返回值：返回与输入对应的输出（聊天模型返回AIMessage对象）。

该方法是 LangChain 统一所有模型调用的核心，无论是 API 调用还是本地部署，均通过invoke()实现核心交互。

四、通过本地部署的 LLM 定义聊天模型

对于数据隐私要求高、无法访问公网 API 的场景，本地部署 LLM是最优选择。LangChain 通过ChatOllama类，完美兼容 Ollama 部署的本地模型（如 DeepSeek-R1），实现离线对话能力。

4.1 前置准备：Ollama 环境部署

1. 安装 Ollama：从Ollama 官方网站下载并安装对应系统的 Ollama 客户端；
2. 拉取本地模型：通过终端执行ollama pull deepseek-r1:70b，拉取 DeepSeek-R1 70B 模型；
3. 启动 Ollama 服务：默认监听127.0.0.1:11434，支持自定义地址与端口。

4.2 ChatOllama核心参数

ChatOllama是 LangChain 为 Ollama 部署模型提供的专属实现类，同样实现 Runnable 接口，核心初始化参数如表 3 所示：

参数名	参数描述
model	本地部署的 Ollama 模型名称（如 deepseek-r1:70b）
base_url	Ollama 服务的地址（默认http://127.0.0.1:11434）
num_ctx	上下文窗口大小，决定模型可处理的最大文本长度
num_gpu	启用的 GPU 数量（macOS 默认启用金属支持，Windows/Linux 按需配置）
temperature	采样温度，与 API 模型参数功能一致

4.3 本地模型调用实践

安装 LangChain 的 Ollama 依赖包后，通过ChatOllama实现本地 DeepSeek-R1 模型的对话调用：

# 安装依赖
# pip install -U langchain-ollama

from langchain_ollama import ChatOllama
from langchain_core.messages import HumanMessage

# 1. 初始化本地聊天模型
local_deepseek = ChatOllama(
    model="deepseek-r1:70b",
    base_url="http://192.168.0.220:11434",  # 自定义Ollama服务地址
    num_ctx=4096,  # 扩大上下文窗口
    temperature=0
)

# 2. 调用invoke()方法执行本地对话
result = local_deepseek.invoke(
    HumanMessage(content="What's your name? Introduce yourself briefly.")
)

# 3. 打印完整响应与核心内容
print("本地DeepSeek-R1完整响应：", result)
print("本地DeepSeek-R1核心回复：", result.content)

执行上述代码后，模型将在本地完成推理计算，无需访问公网 API，响应结果包含content（核心回复）、metadata（推理元数据，如令牌数、耗时）等信息，满足离线场景的对话需求。

五、总结与展望

本文系统阐述了 LangChain 聊天模型的核心概念与实践路径，从基础概念出发，明确了聊天模型与基础 LLM 的区别及 Runnable 接口的核心地位；从API 调用维度，实现了基于ChatOpenAI的专属调用与兼容调用、基于init_chat_model()的跨服务商动态调度；从本地部署维度，完成了 Ollama 环境下 DeepSeek-R1 模型的离线调用。

LangChain 通过标准化的接口设计与灵活的配置机制，降低了大模型聊天应用的开发门槛，实现了 “一次开发，多模型兼容” 的工程目标。未来，随着大模型技术的迭代，LangChain 将进一步完善多模态聊天模型、分布式推理等能力，为大语言模型的产业化落地提供更强大的支撑。

对于开发者而言，掌握本文所述的核心方法，可快速适配不同场景的聊天模型需求：公网场景优先选择 API 调用，隐私场景采用本地部署，多模型调度场景使用init_chat_model()工厂函数，结合invoke()方法与链式调用，可高效构建高可维护性的大模型对话应用。