1. LangChain 快速上手
定义模型->定义消息-> 调用大模型->用输出解析器 或者 定义链(模型+解析器)+执行链
eg: from langchain_core.messages import HumanMessage, SystemMessage from langchain_core.output_parsers import StrOutputParser from langchain_core.runnables import RunnableSequence from langchain_openai import ChatOpenAI # 1. 定义OpenAI模型 # 默认从系统环境变量中读取 OPENAI_API_KEY model = ChatOpenAI(model="gpt-4o-mini") # 2. 定义消息 # 用户消息 HumanMessage # 系统提示消息 SystemMessage 通常作为第一条消息传入 # AI 消息 AIMessage messages = [ SystemMessage(content="请帮我进行翻译，由英文翻译成中文！"), HumanMessage(content="my name is xiaoming") ] # 3. 调用大模型 # result = model.invoke(messages) # 4. 用输出解析器 # print(parser.invoke(result)) # 定义链+执行链 parser = StrOutputParser() chain = model | parser # chain = RunnableSequence(first=model, last=parser) # chain = model.pipe(parser) # 上面这三种方法都是等价的 print(chain.invoke(messages))
1.1 核心概念
是LangChain 强制规定的一个统一标准。只要一个组件说自己是
Runnable，它就必须具备一套标准的“动作”标准动作有:
Invoke（调用）： 最基础的“一问一答”。你给它一个输入，它立马处理完给你一个输出。
Batched（批处理）： 批量干活。你一次性给它 10 个问题，它高效率地打包处理，给你 10 个答案。
Streamed（流式传输）： 像打字机一样输出。不用等模型把整整一段话全想好再发给你，而是想出一个字就往外蹦一个字
Inspected（检查）： 查看它的“说明书”。你可以随时查询这个组件到底需要什么样格式的输入，以及会吐出什么格式的输出。
Composed（组合）： 可以用一条流水线（LCEL语法）把多个组件无缝衔接起来。比如：输入 -> 检索器 -> 大模型 -> 解析器 -> 输出。
LangChain Expression Language(LCEL):采用声明性方法，从现有Runnable对象构建新的Runnable对象
通过LCEL构建出的新的Runnable对象，被称为RunnableSequence（也是Runnable接口的实例）
LCEL其实就是一种编排解决方案，使LangChain能够以优化的方式处理链运行时的执行
任何俩个Runnable实例都可以链在一起成序列
–就是通过俩个Runnable对象去创建一个RunnableSequence
方法一:使用| chain = model | parser 其实就相当于chain = RunnableSequence(first=model, last=parser) 方法二:用.pipe方法代替 chain = model.pipe(parser) 效果跟上面的一样
关于Token:Token是文本的基本单位
–对于英文:1个token相当于4个字符
–对于中文:1个汉字约等于1.5-2个token
1.2 聊天模型核心能力
使用不同的模型提供方，要记得安装各自的包以及设置各自的API Key环境变量
1.2.1 通过 API 定义聊天模型
class langchain_openai.chat_models.base.ChatOpenAI是 LangChain 为 OpenAI 的聊天模型（如gpt-5,gpt-5-mini）提供的具体实现类ChatOpenAI常用初始化参数:
参数名 参数描述 model要使用的 OpenAI 模型的名称 temperature采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。 max_tokens要生成的最大令牌数 timeout请求超时时间 max_retries最大重试次数 openai_api_key/api_keyOpenAI API 密钥。如果未传入，将从环境变量中读取 OPENAI_API_KEY。(推荐写到环境变量中去)base_urlAPI 请求的基本 URL。 organizationOpenAI 组织 ID。如果未传入，将从环境变量 OPENAI_ORG_ID中读取。…… （其他参数） from langchain_openai import ChatOpenAI model = ChatOpenAI( model="gpt-5-mini", temperature=0, max_tokens=None, timeout=None, max_retries=2, # api_key="...", # base_url="...", # organization="...", # other params... )如果使用其他与OpenAI兼容的大模型，比如deepseek,则可以用下面的方式进行定义
–也就
base_urlapi_key和model要改改，其他的跟上面的接口搞法一样import os OPENAI_API_KEY = os.getenv('OPENAI_API_KEY')# 从电脑的「环境变量」里，取出名为 OPENAI_API_KEY 的密钥 from langchain_openai import ChatOpenAI model = ChatOpenAI( base_url="https://api.deepseek.com/v1", openai_api_key=OPENAI_API_KEY, model="deepseek-chat", # ... )
引申:
invoke()调用:这个也属于Runnable接口，这个方法是将单个输入转换为对应的输出
invoke()方法的定义: abstractmethod invoke( input: Input, # 必须：输入数据（比如你的问题、对话历史） config: RunnableConfig | None = None, # 可选：运行配置（比如回调、超时） **kwargs: Any, # 额外的关键字参数 ) -> Output 返回值是一个Runnable实例上面的
config参数，类型就是RunnableConfigclass langchain_core.runnables.config.RunnableConfig 常用参数说明 参数名 参数描述 configurable 通过 .configurable_fields() 在此 Runnable 或子 Runnable 上配置的属性的运行时值。 run_id 针对此调用运行的跟踪器的唯一标识符。如果未提供，将生成新的 UUID。 run_name 此调用的跟踪器运行的名称。默认为类的名称。 metadata 此次调用和任何子调用的元数据。键是字符串，值是 JSON。类型：dict[str, Any]
方式二:
init_chat_model上面的
ChatOpenAI用于明确创建 OpenAI 聊天模型的实例。而init_chat_model()是一个工厂函数，它可以初始化多种支持的聊天模型（如 OpenAI、Anthropic、FireworksAI 等），不仅仅是 OpenAI 的聊天模型init_chat_model()函数的定义: langchain.chat_models.base.init_chat_model( model: str, *, model_provider: str | None = None, configurable_fields: Literal[None] = None, config_prefix: str | None = None, **kwargs: Any, ) -> BaseChatModel 返回值就是一个Runnable实例
init_chat_model()常用参数说明:
参数名 参数描述 model要使用的模型的名称 model_provider模型提供方。支持的 model_provider值和相应的集成包有：
-openai→langchain-openai
-anthropic→langchain-anthropic
-google_genai→langchain-google-genai
-ollama→langchain-ollama
-deepseek→langchain-deepseek
- …
如果未指定，将尝试从模型推断model_provider。configurable_fields设置哪些模型参数是可配置的。若配置为：
-None: 没有可配置的字段。
-'any': 所有字段都是可配置的，类似api_key、base_url等可以在运行时更改。
-Union[List[str], Tuple[str, ...]]: 指定的字段是可配置的。config_prefix- 配置为非空字符串，则模型将在运行时通过查找 config["configurable"]["{config_prefix}_{param}"]字段设置配置项。
- 配置为空字符串，那么模型将可以通过config["configurable"]["{param}"]字段设置配置项。temperature采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。 max_tokens要生成的最大令牌数 timeout请求超时时间 max_retries最大重试次数 openai_api_key/api_keyOpenAI API 密钥。如果未传入，将从环境变量中读取 OPENAI_API_KEY。base_urlAPI 请求的基本 URL。 …… 其他参数 用法eg:
gpt_model = init_chat_model("gpt-5-mini", model_provider="openai", temperature=0) print("gpt-5-mini: " + gpt_model.invoke("what's your name").content + "\n")这是可配置的模型 configurable_model_1 = init_chat_model(temperature=0) # 动态修改配置，初始化模型并调用 configurable_result_1 = configurable_model_1.invoke( "what's your name", config={"configurable": {"model": "gpt-5-mini"}} ) print("configurable1: " + configurable_result_1.content + "\n")这是具有默认值的可配置模型 # 可配置模型模拟器 configurable_model_2 = init_chat_model( model="gpt-5-mini", temperature=0, configurable_fields=("model", "model_provider", "temperature", "max_tokens"), config_prefix="first", ) # 动态修改配置，初始化模型并调用 configurable_result_2 = configurable_model_2.invoke( "what's your name?", config={ "configurable": { "first_model": "deepseek-chat", "first_temperature": 0.5, "first_max_tokens": 100, } }, ) print("configurable2: " + configurable_result_2.content + "\n")
1.2.2 通过本地部署的 LLM 定义聊天模型
安装这个Ollama的方法:
pip install -U langchain_ollama
class langchain_ollama.chat_models.base.ChatOllama是LangChain 为通过 Ollama 部署的聊天模型提供的具体实现类，同样实现了标准的 Runnable 接口ChatOllama常用初始化参数说明:
参数名 参数描述 model要使用的 Ollama 模型的名称 temperature采样温度，温度值越高，AI 回答越天马行空；温度越低，回答越保守靠谱。 timeout请求超时时间 base_urlAPI 请求的基本 URL。 num_ctx设置用于生成下一个令牌的上下文窗口的大小。（默认值：2048） num_gpu要使用的 GPU 数量。在 macOS 上，默认为 1 表示启用金属支持，默认为 0 表示禁用。 …… …… from langchain_ollama import ChatOllama ollama_model = ChatOllama(model="deepseek-r1:70b", base_url='http://192.168.100.220:11434') result = ollama_model.invoke("what's your name?") print(result)
转载自 CSDN-专业IT技术社区
原文链接：https://blog.csdn.net/rs1257483201/article/details/163588627
