AI实战之Langchain入门

说明文档

LangChain Python integrations - Docs by LangChain

第一步:初始化模型.

✅ DeepSeek:支持直接 init_chat_model

复制代码
model = init_chat_model(model="deepseek-chat")  # ✅ 能跑

因为 DeepSeek 在 LangChain 内置支持列表里,它认识!

通义千问(qwen3-max)不在内置支持列表,需要伪装成openai去自定义模型参数访问.

调整模型参数

除了修改模型提供者以外,init_chat_model函数允许我们调整模型参数,例如:

  • temperature: 控制生成文本的随机性,值越小越确定,值越大越随机

  • max_tokens: 控制生成文本的最大长度

  • top_p: 控制生成文本的多样性,值越小越多样,值越大越确定

  • timeout: 控制生成文本的超时时间

  • max_retries: 控制生成文本的最大重试次数

访问模型

方式一:invoke

复制代码
response = model.invoke("你是谁?")

方式二:stream

复制代码
# 通过.stream函数实现流式访问
stream = model.stream("你是谁?")

创建智能体

调用智能体

智能体调用与模型调用类似,也支持两种方式:

  • invoke:阻塞式调用

  • stream:流式访问

但需要注意的是,智能体调用时需要传入一个dict,其中必须包含一个messages字段,也就是消息的列表。

阻塞式调用

总结一下调用qwen大模型,因为不是LC内置的

复制代码
# 加载环境变量
from dotenv import load_dotenv
# 导入Langchain的初始化模型的函数
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent

load_dotenv()

# 👇 关键!全部用系统自动读取,不要手动传!
model = init_chat_model(
    model="qwen-max",
    model_provider="openai",  # 兼容模式
    temperature=0.7  # 别用1.5,会乱答
)

# 测试流式输出(现在绝对不报错)
for chunk in model.stream("你是谁?"):
    print(chunk.content, end="", flush=True)

# 创建Agent(绝对不报错)
agent = create_agent(model=model)
相关推荐
GISer_Jing9 小时前
GitHub热点I
后端·ai·langchain
M--Y11 小时前
LangGraph 架构基石:持久化与运行控制
python·langchain·大模型·llm·持久化·langgraph
xyphf_和派孔明12 小时前
第十章: LangGraph的人机交互Human-in-the-loop实践
langchain·llm
xyphf_和派孔明16 小时前
第六章: LangGraph的工具调用代理-Tool Calling Agent
langchain·llm
M--Y1 天前
LangGraph 工作流模式
开发语言·javascript·python·langchain·大模型·llm·langgraph
xyphf_和派孔明1 天前
第五章: LangGraph的路由代理-Router Agent介绍
langchain·llm
Flynn Liang2 天前
Agentic 工作流:子代理、Supervisor 与人工介入
java·langchain·多智能体·supervisor·agentic·langchain4j
GISer_Jing2 天前
Agent核心内容
后端·ai·langchain
Flynn Liang2 天前
可观测性与成本治理:一次对话的 17 个观测点
java·langchain·可观测性·micrometer·langchain4j·token 成本·llm 监控
郝学胜-神的一滴3 天前
LangChain Skill 实现(渐进披露 On-Demand Skill,LangChain 官方 Deep Agent Skill 模式)
开发语言·python·langchain·numpy