目录
一、LangChain模型分类
现在市面上的模型多如牛毛，各种各样的模型不断出现，LangChain模型组件提供了与各种模型的集成，并为所有模型提供一个精简的统一接口。
LangChain目前支持三种类型的模型：LLMs（大语言模型）、Chat Model（聊天模型）、Embedding Models（嵌入模型）。
LLMs（大语言模型）：是技术范畴的统称，指的是基于海量文本训练的 Transformer 架构模型，核心能力是理解和生成自然语言，主要服务于文本生成场景。
Chat Model（聊天模型）：是应用范围的细分，是专为对话场景优化的LLMs，核心能力是模拟人类对话的轮次交互，主要服务于聊天场景。
Embedding Models（嵌入模型）：文本嵌入模型接收文本作为输入，得到文本的向量。
LangChain支持的三类模型，它们的使用场景不同，输入和输出不同。
阿里云通义千问系列主要来源于：langchain_community包。
二、LangChain调用大语言模型
我使用的大语言模型是qwen3.5-plus。
注意：其实Tongyi在调用的时候还需要一个dashscope_api_key=DASHSCOPE_API_KEY,API Key，我已经配置在环境变量中了，它会自动取检索。
python
from langchain_community.llms.tongyi import Tongyi
# 实例化模型
model = Tongyi(model_name="qwen3.5-plus")
# 模型推理
response = model.invoke("帮我讲个笑话吧")
print(response)流式输出
python
from langchain_community.llms.tongyi import Tongyi
# 实例化模型
model = Tongyi(model_name="qwen3.5-plus")
# 模型推理
response = model.stream("给我讲个笑话吧")
for chunk in response:
print(chunk, end="", flush=True)三、LangChain调用本地Ollama大语言模型
python
from langchain_ollama import OllamaLLM
model = OllamaLLM(model="qwen3:4b")
response = model.invoke("给我讲个笑话吧")
print(response)流式输出
python
from langchain_ollama import OllamaLLM
model = OllamaLLM(model="qwen3:4b")
response = model.stream("给我讲个笑话吧")
for chunk in response:
print(chunk, end="", flush=True)