大模型，英文名叫Large Model，大型模型。早期的时候，也叫Foundation Model，基础模型。
大模型是一个简称，完整的叫法，应该是"人工智能预训练大模型"。预训练，是一项技术，我们后面再解释。
我们现在口头上常说的大模型，实际上特指大模型的其中一类，也是用得最多的一类------语言大模型（Large Language Model，也叫大语言模型，简称LLM）。
除了语言大模型之外，还有视觉大模型、多模态大模型等。现在，包括所有类别在内的大模型合集，被称为广义的大模型。而语言大模型，被称为狭义的大模型。
一、大模型基础简介
大模型（Large Language Model, LLM）是基于海量文本数据训练而成的深度学习模型，具备自然语言理解、生成、推理等核心能力，典型代表有GPT系列（OpenAI）、DeepSeek系列、Llama系列（Meta）等。
从开发视角，大模型可分为三类核心类型，对应不同的应用场景：
通用大模型：适用于文本生成、总结、翻译、问答等基础任务，如GPT-4、DeepSeek-R1。
聊天大模型：专为对话场景优化，支持多轮交互、上下文记忆，如GPT-4o、DeepSeek-Chat。
嵌入大模型（Embedding Model）：根据文本生成embedding，用于语义检索、相似度计算、构建RAG应用，如text-embedding-3-small（OpenAI）、deepseek-embed-base（DeepSeek）
二、大模型调用方式
大模型调用方式主要包括厂商专用sdk和langchain体系调用两种方式。
2.1 OpenAI
同义千问大模型的接入。我们去阿里云百炼上注册账号，获取apikey.
这里我们先安装python 环境
注册后获取apikey :
可以获取免费的token ,可以看到有各种大模型的model ,基本都是免费100万的token，基本够我们使用了。
接着我们来安装openai
Ollama 是一个强大的本地推理大模型平台，旨在简化模型的本地部署、管理和推理工作流。它允许用户在本地机器上拉取、管理、运行大模型，并提供多种访问方式，包括本地 CLI、HTTP 接口以及通过 OpenAI 客户端的集成。这篇文章将详细介绍 Ollama 的功能，如何使用 Ollama 拉取模型、运行模型，并通过多种方式访问推理服务。 这里不错介绍，由于本地机器配置问题，性能不够，就不做介绍。硬件配置要求大体如下：
调用本地机器时，只需要把base_url 改为"http://localhost:11434/v1"即可。本地机器配置有限，就不做介绍。
接下来我们来使用OpenAI类对象，写一个Chat程序，qwen3-max是聊天模型，用流的方式输出：
主要参数有2个:
model:选择所用模型，如代码的qwen3-max
messages:提供给模型的消息类型:list，可以包含多个字典消息每个字典消息包含2个key
role:角色
content:内容
system角色:设定助手的整体行为、角色和规则，为对话提供上下文框架(如指定助手身份、回答风格、核心要求)，是全局的背景设定，影响后续所有交互。
assistant角色:代表AI助手的回答，可以在代码中认为设定user角色:代表用户，发送问题、指令或需求
from openai import OpenAI
# 1. 获取client对象，OpenAI类对象
client = OpenAI(
api_key="sk-xxxxxxx",
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"
)
# 2. 调用模型
response = client.chat.completions.create(
model="qwen3-max",
messages=[
{"role": "system", "content": "你是一个Python编程专家，并且话非常多"},
{"role": "assistant", "content": "好的，我是编程专家，并且话非常多，你要问什么？"},
{"role": "user", "content": "输出1-10的数字，使用python代码编写"}
],
stream=True # 开启了流式输出的功能
)
# 3. 处理结果
# print(response.choices[0].message.content)
for chunk in response:
print(
chunk.choices[0].delta.content,
end=" ", # 每一段之间以空格分隔
flush=True # 立刻刷新缓冲区
)接着我们可以看到流式输出：
为了隐藏apikey,我们可以在环境变量里面设置配置：
在用户变量里面添加OPENAI_API_KEY之后，一定要从启电脑才可以生效！！
2.2 langchan_openai
-
langchain-openai 是基于 openai 原生 SDK 的上层封装库，依赖 openai 实现底层的 API 调用，简单说，就是针对 LangChain 生态做了适配，使其能够完美适配langchain的其他组件
-
Agent、LangChain和RAG三者关系：Agent是具备记忆、规划等能力的智能体；LangChain是提供基础设施的开发框架；RAG用于知识检索增强。
LangChain的定位是代码驱动的开发工具，适合需要高度定制化功能的场景。用户需通过 Python 编写代码，灵活组合模块（如记忆管理、RAG、Agent 等）构建复杂应用 。它更适合技术团队，尤其是需要结合多模型、多数据源的高阶开发者，这样拥有了更多的灵活度，以及更方便开发一些高级智能体。
langchain:核心包
langchain-community:社区支持包，提供了更多的第三方模型调用(我们用的阿里云千问模型就需要这个包)langchain-ollama:Ollama支持包，支持调用Ollama托管部署的本地模型
dashscope:阿里云通义千问的Python SDK
chromadb:轻量向量数据库(后续使用)
接着我们安装一下，pip安装依赖包会很慢，我们可以通过镜像来安装：
常用国内镜像源推荐（实测清华源速度最快、最稳定）：
- 清华大学：
https://pypi.tuna.tsinghua.edu.cn/simple - 阿里云：
https://mirrors.aliyun.com/pypi/simple/ - 中国科技大学：
https://pypi.mirrors.ustc.edu.cn/simple/ - 豆瓣：
http://pypi.douban.com/simple/
pip install langchain langchain-community langchain-ollama dashscope chromadb -i https://mirrors.aliyun.com/pypi/simple/
这样我们的LangChain环境就搞好了。
通用的基础大模型存在一些问题:
LLM的知识不是实时的，模型训练好后不具备自动更新知识的能力，会导致部分信息滞后
LLM领域知识是缺乏的，大模型的知识来源于训练数据，这些数据主要来自公开的互联网和开源数据集，无法覆盖特定领域或高度专业化的内部知识
幻觉问题，LLM有时会在回答中生成看似合理但实际上是错误的信息
RAG工作分为两条线:
离线准备线/在线服务线
RAG的核心价值:
解决知识实效性问题:大模型的训练数据有截止时间，RAG可以接入最新文档(如公司财报、政策文件)，让模型输出"与时俱进"
降低模型幻觉:模型的回答基于检索到的事实性资料，而非纯靠自身记忆，大幅减少编造信息的概率。
无需重新训练模型:相比微调(Fine-tuning)，RAG只需更新知识库，成本更低、效率更高。
LangChain 消息简写：
下面我们来生成一个聊天模型写搜古诗：
from langchain_community.chat_models.tongyi import ChatTongyi
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
# 得到模型对象, qwen3-max就是聊天模型
model = ChatTongyi(model="qwen3-max")
# 准备消息列表
messages = [
SystemMessage(content="你是一个边塞诗人。"),
HumanMessage(content="写一首唐诗"),
AIMessage(content="锄禾日当午，汗滴禾下土，谁知盘中餐，粒粒皆辛苦。"),
HumanMessage(content="按照你上一个回复的格式，在写一首唐诗。")
]
# 调用stream流式执行
res = model.stream(input=messages)
# for循环迭代打印输出，通过.content来获取到内容
for chunk in res:
print(chunk.content, end="", flush=True)
少样本模板（Few-Shot Prompt Template）
组装FewShotPromptTemplate对象，获取追踪提示词
from langchain_core.prompts import FewShotPromptTemplate
FewShotPromptTemplate(
examples=None,
example_prompt=None,
prefix=None
suffix=None,
input_variables=None)
参数:
examples:示例数据，list，内套字典
example_prompt:示例数据的提示词模板
prefix:组装提示词，示例数据前内容suffix:组装提示词，示例数据后内容
input_variables:列表，注入的变量列表
如下代码：
from langchain_core.prompts import PromptTemplate, FewShotPromptTemplate
from langchain_community.llms.tongyi import Tongyi
# 示例的模板
example_template = PromptTemplate.from_template("单词：{word}, 反义词：{antonym}")
# 示例的动态数据注入 要求是list内部套字典
examples_data = [
{"word": "大", "antonym": "小"},
{"word": "粗", "antonym": "细"},
]
few_shot_template = FewShotPromptTemplate(
example_prompt=example_template, # 示例数据的模板
examples=examples_data, # 示例的数据（用来注入动态数据的），list内套字典
prefix="告知我单词的反义词，我提供如下的示例：", # 示例之前的提示词
suffix="基于前面的示例告知我，{input_word}的反义词是？", # 示例之后的提示词
input_variables=['input_word'] # 声明在前缀或后缀中所需要注入的变量名
)
prompt_text = few_shot_template.invoke(input={"input_word": "左"}).to_string()
print(prompt_text)
model = Tongyi(model="qwen-max")
print(model.invoke(input=prompt_text))可以看到prompts输出结果：
三. chain链的构建和使用
chain链是将多个基础组件（Prompt、LLM 模型、输出解析器、工具等）按逻辑串联起来的执行流程，解决单一组件无法完成的复杂任务，上一个组件的输出作为下一个组件的输入。
构建chain链的组件，一般得是Runnable子类对象，(普通方法、字典也可加入)。langchain的绝大多数组件都是Runnable接口的子类，包括提示词模板，模型类等等，为什么都有invoke、stream方法，就是继承重写了Runnable接口的invoke抽象方法。
chain链的构建是通过 | 或连接符 进行连接，本质上是langchain各类组件对__or__()魔术方法的重写实现的，比如
chain = prompt | model | parser
返回值chain对象也是RunnableSerializable对象，RunnableSerializable对象是Runnable接口的直接子类也是绝大多数组件的父类，因此，chain对象也是通过invoke或者stream进行阻塞执行或者流式执行整条链条上的所有组件节点。
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_models.tongyi import ChatTongyi
chat_prompt_template = ChatPromptTemplate.from_messages(
[
("system", "你是一个边塞诗人，可以作诗。"),
MessagesPlaceholder("history"),
("human", "请再来一首唐诗"),
]
)
history_data = [
("human", "你来写一个唐诗"),
("ai", "床前明月光，疑是地上霜，举头望明月，低头思故乡"),
("human", "好诗再来一个"),
("ai", "锄禾日当午，汗滴禾下锄，谁知盘中餐，粒粒皆辛苦"),
]
model = ChatTongyi(model="qwen3-max")
# 组成链，要求每一个组件都是Runnable接口的子类
chain = chat_prompt_template | model
# 通过链去调用invoke或stream
# res = chain.invoke({"history": history_data})
# print(res.content)
# 通过stream流式输出
for chunk in chain.stream({"history": history_data}):
print(chunk.content, end="", flush=True)输出结果：
以上是简单的基于主流的LangChain技术从大模型提示词已经apikey得使用，AI智能体有很多需要学习，后面继续。