【AI Agent 全栈开发】LangChain 聊天模型

🚀 欢迎来到我的CSDN博客：Optimistic _ chen
✨ 一名热爱技术与分享的全栈开发者，在这里记录成长，专注分享编程技术与实战经验，助力你的技术成长之路，与你共同进步！

🚀我的专栏推荐：

🚀我的承诺：
✅ 文章配套代码：每篇技术文章都提供完整的可运行代码示例

✅ 持续更新：专栏内容定期更新，紧跟技术趋势

✅ 答疑交流：欢迎在文章评论区留言讨论，我会及时回复（支持互粉）

🚀 关注我，解锁更多技术干货！
⏳ 每天进步一点点，未来惊艳所有人！✍️ 持续更新中，记得⭐收藏关注⭐不迷路 ✨

📌 标签:#技术博客  #编程学习  #Java  #C语言  #算法  #程序员

准备工作

在使⽤LangChain接⼊⼤模型组件，以及与⼤模型进⾏简单对话的能⼒之前，需要获取到API Key，同时配置到系统环境变量中，保证API的隐私性，这里使用deepseek作为示例。

初步使用Chain

安装OpenAI包

pip install -U langchain-openai

import os

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_openai import ChatOpenAI
#定义模型
model = ChatOpenAI(
    model="deepseek-v4-pro",
    openai_api_key=os.environ.get("DEEPSEEK_API_KEY"), 
    base_url="https://api.deepseek.com",
)

#定义消息列表
messages=[
    SystemMessage(content="你好，帮我完成任务"),
    HumanMessage(content="你是谁？")
]

• SystemMessage ：表⽰系统⻆⾊消息，系统消息通常作为输⼊消息序列中的第⼀条传⼊，是⽤来启动AI⾏为的消息。
• HumanMessage ：表⽰⽤⼾⻆⾊消息，是来⾃⽤⼾的、从⽤⼾传递到模型的消息

#调用大模型
result=model.invoke(messages)
print(result)

# 输出解析
parser=StrOutputParser()
print(parser.invoke(result))

# 定义链
chain=model|parser
# 执行链
print(chain.invoke(messages))

LangChain 规则：任何类只要继承 RunnableSerializable，自动满足 Runnable 协议，自带全套 Runnable 能力。在这个示例中，我们定义的语言模型（model）和输出解析器（StrOutputParser）都是Runnable的接口的实例，所以允许invoke调用。

而对链（chain）的invoke同样如此，只是LangChain Expression Language（LCEL）：采⽤声明性⽅法，从现有Runnable对象构建新的Runnable对象。LCEL其实是⼀种编排解决⽅案，它使LangChain能够以优化的⽅式处理链的运⾏时执⾏。任何两个Runnable实例都可以“链”在⼀起成序列。

上⼀个可运⾏对象的.invoke()的输出作为输⼊传递给下⼀个可运⾏对象，方法就是使用|（管道符）

定义聊天模型

在LangChain的官⽅⽂档中，认为LLM ⼤多数是纯⽂本补全模型。这些纯⽂本模型封装的AP接受⼀个字符串提⽰作为输⼊，并输出⼀个字符串补全结果。

LangChain中的聊天模型通常由LLM 提供⽀持，但经过专⻔调整以⽤于对话。关键在于，它们不是接受单个字符串作为输⼊，⽽是接受聊天消息列表，并返回⼀条AI消息作为输出

通过API定义聊天模型

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

load_dotenv() #加载环境变量

# 1. 定义DeepSeek聊天模型（ChatOpenAI兼容方式）
model= ChatOpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1",
    model="deepseek-v4-pro",
    temperature=0.2
)

# 2. 提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是后端开发专家，回答简洁不啰嗦"),
    ("human", "问题：{question}")
])

# 3. 字符串输出解析器（Runnable实例）
parser = StrOutputParser()

# 4. LCEL 管道链式调用（全部组件都是Runnable，支持|）
chain = prompt | model| parser

# 执行invoke
result = chain.invoke({"question": "BaseOutputParser和Runnable的关系"})
print(result)

通过init_chat_model定义聊天模型

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

# 加载密钥
load_dotenv()

# 用 init_chat_model 初始化 DeepSeek
model= init_chat_model(
    # deepseek 模型名
    model="deepseek-chat",
    # 驱动提供商：openai兼容接口
    provider="openai",
    model_kwargs={
        "api_key": os.getenv("DEEPSEEK_API_KEY"),
        "base_url": os.getenv("DEEPSEEK_BASE_URL"),
        "temperature": 0.7,
        "max_tokens": 2048
    }
)

# 简单调用
res = model.invoke("介绍LCEL")
print(res.content)

# 搭配 StrOutputParser 完整 LCEL 链路
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是后端技术专家"),
    ("human", "{query}")
])
parser = StrOutputParser()
chain = prompt | model| parser

out = chain.invoke({"query": "init_chat_model 和 ChatOpenAI 的区别"})
print(out)

init_chat_model()函数返回⼀个与指定的model_name和model_provider相对应的ChatOpenAI,BaseChatModel

使用init_chat_model()函数的优势：

• 统一工厂入口，屏蔽各模型客户端差异不用手动导入 ChatOpenAI / ChatAnthropic，只靠两个参数切换模型：model 模型名、provider 厂商
• init_chat_model 做了一层封装抹平差异，统一顶层参数
• 兼容所有 OpenAI 兼容模型
• 对 LCEL 完全友好，底层仍是 Runnable。init_chat_model 返回的实例本质就是对应厂商的 ChatXXX 对象（所有 ChatXXX 聊天模型类，本身就实现了 Runnable 协议）
• 便于动态配置、动态切换模型（工程化优势）支持运行时动态传入模型名称与厂商，适合配置文件驱动项目