【LangChain.js学习】大模型分类

大模型按功能和使用场景可分为三大核心类型，以下结合 LangChain.js 调用通义千问的实操代码，分别讲解各类模型的定位、用法和适用场景：

模型分类	核心定位	典型能力	适用场景
大语言模型（LLM）	基础文本生成引擎	文本补全、续写、单一问答	简单文本生成、基础问答
对话模型（Chat Model）	多轮交互式对话引擎	多角色交互、上下文理解	智能客服、翻译、多轮对话
嵌入模型（Embedding Model）	文本向量化引擎	语义转化、相似度计算	知识库检索、文本聚类、推荐

对话模型（Chat Model）

核心特点

专为多轮对话设计，支持 system/human/ai 多角色设定，能理解上下文并按预设规则生成响应，是交互类场景的核心模型。

调用代码

typescript 复制代码

import { ChatOpenAI } from "@langchain/openai"

const chatModel = new ChatOpenAI({
    model: "qwen-max",
    configuration: {
        baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
        apiKey: "[你的阿里百炼API Key]",
    },
})

const response = await chatModel.invoke([
    {
        // system角色：预设模型行为和能力
        role: "system",
        content: "你是一个专业的翻译，你可以将中文翻译成英文",
    },
    {
        // user角色：输入具体用户指令
        role: "user",
        content: "请帮我翻译成英文：你好",
    },
])
console.log(response.content) // 输出示例：Hello

嵌入模型（Embedding Model）

核心特点

将文本转化为固定维度的数值向量（通义千问 text-embedding-v2 为768维），向量间的距离可表征文本语义相似度，是语义检索、知识库的基础。

调用代码

typescript 复制代码

import { OpenAIEmbeddings } from "@langchain/openai"

const embeddingsModel = new OpenAIEmbeddings({
    model: "text-embedding-v2",
    configuration: {
        baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
        apiKey: "[你的阿里百炼API Key]",
    },
})

// 单文本向量化：返回一维向量数组
const queryEmbedding = await embeddingsModel.embedQuery("你好")
console.log(queryEmbedding) // 输出示例：[0.012, -0.045, 0.078, ...]

// 扩展：多文本批量向量化（适用于知识库构建）
// const batchEmbeddings = await embeddingsModel.embedDocuments(["你好", "世界"])

大语言模型（LLM）

核心特点

最基础的大模型类型，以「文本补全」为核心能力，无多角色交互设计，输入单一文本指令，返回对应的生成结果。

与对话模型的区别

大语言模型：输入输出均为纯文本，无角色区分，适合简单的文本生成/问答；
对话模型：基于大语言模型封装，支持多角色、多轮上下文，交互性更强。

调用代码

typescript 复制代码

import { OpenAI } from "@langchain/openai"

const llm = new OpenAI({
    model: "qwen-plus",
    configuration: {
        baseURL: "https://dashscope.aliyuncs.com/compatible-mode/v1",
        apiKey: "[你的阿里百炼API Key]",
    },
})

// 输入单一文本指令，直接返回结果
const response = await llm.invoke("翻译"你好"成英文")
console.log(response) // 输出示例：Hello