LangChain 初探：模型调用、链式编排与运行机制

繁星星繁2026-06-04 8:41

一：Langchain快速上手

首先我们需要理解链式结构：

bash 复制代码 
输入 → 组件1 → 组件2 → 组件3 → 输出

并且我们还需要明白一个前提：

LangChain 不是单纯帮你调接口，而是把 AI 开发流程拆成一个个"组件"，
再把组件串起来。

1.正常调用大模型

bash 复制代码 
1. 接入并定义大模型
2. 定义消息
3. 调用大模型
4. 输出结果

首先我们需要的就是配置环境，具体的配置环境我就不多bb了~

然后就是写代码调用模型~ 作参考~~

python 复制代码 
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage

# 1. 定义模型
model = ChatDeepSeek(model="deepseek-chat")
#这里其实可以天很多其他参数的
比如 temperature
max_tokens
Token

# 2. 定义消息列表
messages = [
    SystemMessage(content="你是一个C++学习助手，请用简洁中文回答。"),
    HumanMessage(content="一加一等于几")
]

# 3. 调用模型
result = model.invoke(messages)

# 4. 输出结果
print(result)#测试用
print("--------------")
print(result.content)

这个apikey是配置到了win的环境变量里面了

返回结果（整理过后）

bash 复制代码 
//真正的大模型回答内容。
content='根据数学定义，1 + 1 = 2。'
//额外参数,表示模型可以回答。如果你问一些违规的内容，可能会拒绝-》"refusal":"我无法帮助完成该请求"
additional_kwargs={
    'refusal': None
}
//模型返回的元数据
// 1.token使用量
// 2.提供商
// 3.模型

response_metadata={
    'token_usage': {
        'completion_tokens': 12,
        'prompt_tokens': 23,
        'total_tokens': 35,
        ...
    },
    'model_provider': 'deepseek',
    'model_name': 'deepseek-v4-flash',
    'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402',
    'id': 'e0388115-b15d-4f1e-b073-28762491cd9f',
    'finish_reason': 'stop',
    'logprobs': None
}


//LangChain本次运行ID
id='lc_run--019e8d0a-c9ea-73a2-b4e7-221959f108b5-0'
//本次没有调用工具所以就是空
tool_calls=[]
//没有错误的工具调用
invalid_tool_calls=[]

//统计费用
usage_metadata={
    'input_tokens': 23,
    'output_tokens': 12,
    'total_tokens': 35,
    ...
}

这个返回结果是：AIMessage

result 返回的是一个对象

2.esponse_metadata 和 usage_metadata 区别

  1. response_metadata

它更关注这次响应本身的信息，比如：

bash 复制代码 
请求 ID
模型版本
服务商返回的原始信息
结束原因
调试信息

它常用于：

bash 复制代码 
调试
日志记录
问题排查
  1. usage_metadata

它更关注资源消耗，比如：

输入用了多少 token
输出用了多少 token
总共用了多少 token

它常用于：

成本统计
预算控制
接口调用监控

你可以理解为：

response_metadata：这次请求的身份证
usage_metadata：这次请求的消费账单

3.输出解释器

把模型返回的复杂对象，解析成我们想要的格式。 ~

使用方法：

python 复制代码 
from langchain_core.output_parsers import StrOutputParser
。
。
。
。
parser = StrOutputParser()
final_result = parser.invoke(result)
print(final_result)

exmaple：

python 复制代码 
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
model = ChatDeepSeek(model="deepseek-chat")

# 2. 定义消息 列表
messages = [
    SystemMessage(content="你是一个C++学习助手，请用简洁中文回答。"),
    HumanMessage(content="一加一等于几？")
]

# 3. 调用模型
result = model.invoke(messages)
parser = StrOutputParser()

fina_result = parser.invoke(result)
# 4. 输出结果
print(fina_result)
print("--------------")
print(result.content)

二：链式结构

前面的都是手动执行

链式结构是把组件串起来：chain = model | parser

这个 | 很关键。它是管道符。

可以理解成：前一个组件的输出，自动作为后一个组件的输入。

1.链式调用大模型

python 复制代码 
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
model = ChatDeepSeek(model="deepseek-chat")

# 2. 定义消息 列表
messages = [
    SystemMessage(content="你是一个C++学习助手，请用简洁中文回答。"),
    HumanMessage(content="一加一等于几？")
]

parser = StrOutputParser()

chain = model | parser

result = chain.invoke(messages)

print(result)

运行结果

python 复制代码 
一加一等于二。

2.三种构建链的方式

第一种：管道符 |

这是最常用的写法。

python 复制代码 
chain = model | parser

第二种：RunnableSequence

手动创建：

python 复制代码 
from langchain_core.runnables import RunnableSequence

chain = RunnableSequence(first=model, last=parser)

第三种：pipe 方法

python 复制代码 
chain = model.pipe(parser)

三：LangChain 底层：Runnable 和 LCEL

1.Runnable

Runnable 可以理解成 LangChain 里面的一个 标准接口。

perl 复制代码 
ChatDeepSeek 继承 BaseChatDeepSeek
BaseChatDeepSeek 继承 Runnable 接口
powershell 复制代码 
model.invoke(...)
parser.invoke(...)
chain.invoke(...)

对象虽然功能不同，但它们都遵守同一套调用规范

不管你是模型、解析器、Prompt、还是链，只要你是 Runnable，就可以用统一方式运行

LangChain 解决了 原生大模型切换困难 的问题

Runnable 接口：

方法 作用
invoke() 单次调用，一个输入对应一个输出
batch() 批处理，多个输入一起处理
stream() 流式输出，一个字/词/token 慢慢返回
ainvoke() 异步调用
astream() 异步流式输出

2.LCEL -LangChain Expression Language

LangChain 表达式语言

LCEL让各个组件进行管道输出

python 复制代码 
chain = prompt | model | parser
result = chain.invoke({"topic": "C++ RAII"})

前一个组件的输出，自动作为后一个组件的输入

底层：

chain :

看起来好像只是把两个对象用 | 连起来，但底层其实生成了一个新的对象：

powershell 复制代码 
RunnableSequence 

可运行序列
chain = model | parser
理解成：
chain = RunnableSequence(first=model, last=parser)

林外：chain 自己也是一个 Runnable

四：进阶使用Langchain的接口

init_chat_model()

这个函数是 ChatDeepSeek（）的进阶替代。

代码：

python 复制代码 
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
deepseek_model  = init_chat_model(model="deepseek-chat",model_provider="deepseek")
#model = ChatDeepSeek(model="deepseek-chat")

messages = [
    SystemMessage(content = "你是一个数学老师"),
    HumanMessage(content="5的负数")
]

parser = StrOutputParser()

chain = deepseek_model|parser

result = chain.invoke(messages)

print(result)

它的目的就是：

用一套写法初始化不同厂商的聊天模型

参数：

参数 作用
temperature 控制回答随机性
max_tokens 控制最大输出长度
timeout 控制请求超时时间
max_retries 控制失败重试次数
api_key 指定 API Key
base_url 指定请求地址

五：可配置模型写法

意思就是在init_chat_model里面不要填模型名称，在下面代码进行配置

invoke() 两个重要参数

参数 作用
input 输入内容，比如字符串或消息列表
config 本次调用的配置信息

config 可以理解成：

对本次 Runnable 调用进行补充配置

所以：config 给可配置模型补上 model 和 provider

代码：

python 复制代码 
from langchain_deepseek import ChatDeepSeek
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
deepseek_model  = init_chat_model(temperature=0.3)
#model = ChatDeepSeek(model="deepseek-chat")

messages = [
    SystemMessage(content = "你是一个数学老师"),
    HumanMessage(content="5的负数")
]

parser = StrOutputParser()

chain = deepseek_model|parser

result = chain.invoke(  messages,
                        config={
                                "configurable": 
                                {
                                    "model": "deepseek-chat",
                                    "model_provider": "deepseek"
                                }
                                }
)

print(result)

config其他参数：

字段 作用
configurable 配置模型运行时可变参数
run_id 本次运行的唯一标识
run_name 本次运行的名称
metadata 附加元数据
un_id、run_name、metadata 更多用于：
powershell 复制代码 
日志追踪
链路观测
调试分析
LangSmith 追踪

六：带默认参数的可配置模型

初始化时已经有默认模型，但调用时想临时改参数。

我们需要知道的一个前提就是：

LangChain 默认不会让你随便在运行时修改已有属性。

也就是你在init_chat_model定义的参数，在后面就绝对不能修改！！！

configurable_fields 和 config_prefix

这个其实就是让标记 init_chat_model 里面的参数，告诉我们哪些可以修改

字面意思就是给那些上锁的门解锁

configurable_fields：声明哪些字段允许运行时修改

config_prefix：给配置项加前缀

老师还加了一个参数：

上代码：

python 复制代码 
from langchain_deepseek import ChatDeepSeek
from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser

# 1. 定义模型
deepseek_model  = init_chat_model(model="deepseek-chat",
                                model_provider="deepseek",
                                temperature=0.3,
                                configurable_fields=("max_tokens",),
                           config_prefix="first"
##########################                                )
#多次调用
configurable_fields=("model", "model_provider", "max_tokens"),
config_prefix="first"
#########################                           
#model = ChatDeepSeek(model="deepseek-chat")

messages = [
    SystemMessage(content = "你是一个语文老师"),
    HumanMessage(content="小猫在晒太阳 扩写100字")
]

parser = StrOutputParser()

chain = deepseek_model|parser

result = chain.invoke(  messages,
                        config={
                                "configurable": 
                                {
                                    "first_max_tokens": 10
                                }
                                }
)

print(result)

注意：

("max_tokens",)，后面的逗号不能少。

如果你想让所有字段都能被运行时修改，可以设置成类似：

configurable_fields="any"

意思是：

所有可配置字段都允许运行时修改。

不过真实项目里我不建议一上来就这么干。

七：本地模型

前提是你的电脑下载了ollama

代码：

python 复制代码 
from langchain_ollama import ChatOllama

model = ChatOllama(
    model="deepseek-r1:1.5b",
    base_url="http://127.0.0.1:11434"
)

result = model.invoke("你是谁？")

print(result.content)

这里的：127.0.0.1

表示本机地址，也就是 localhost。

11434

是 Ollama 默认服务端口。

远程模型和本地模型的对比

对比项 远程模型 本地模型
例子 OpenAI、DeepSeek API Ollama + DeepSeek R1
是否需要 API Key 通常需要 通常不需要
是否依赖网络 需要 本地运行时不一定需要
模型能力 通常更强 取决于本地模型大小
隐私性 数据发到远程服务 数据留在本机
速度 受网络和服务影响 受本机配置影响
成本 可能按 token 计费 主要消耗本机算力
相关推荐
Eric.464 小时前
Wan‑Animate+MiniMax-H3 本地部署 AI 漫剧流水线：8G 显存动作迁移与动态分镜工程实战
前端·人工智能·comfyui·ai漫剧
小此方4 小时前
LangChain/LangGraph（二）大模型接入篇一：API接入，从API Key到API请求报文，使用Apifox完成大模型接口调用
ai·langchain
库拉镜像AI牛牛5 小时前
短剧内容自动化生产：知漫剧工作室落地教程
大数据·服务器·前端·人工智能·语音识别
律宏阔5 小时前
Flutter 列表图片内存优化：CachedNetworkImage 与 ClipRRect 的取舍
前端·flutter
行者全栈架构师5 小时前
【鸿蒙心迹】相册文搜图工程化落地：HarmonyOS 7.0 端侧 AI 检索全链路实战与 5 个踩坑解法
前端
律宏阔5 小时前
Dart 3 Record：解决 Future.wait 异构返回值的类型问题
前端·flutter
Seraphina365 小时前
DVWA(XSS Reflected/Stored High,CSRF Low)
前端·xss·csrf
默_笙6 小时前
🍔 中间件不只是打日志：四个钩子、一次短路，和自带的工具
前端·javascript
程序员老赵7 小时前
Docker 部署 Dolibarr：轻松搭建开源 ERP/CRM 平台
运维·前端·后端
星禾元亨7 小时前
同一件事有三份资料，AI 该信哪一份？冲突判定、优先级链与处置流程
前端·人工智能
热门推荐
01国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）02历年考研数学一、数学二、数学三真题试卷及答案PDF03Telegram APK 下载安装完整指南 — 2026年最新04如何新建文件夹？ 电脑新建文件夹的4种方法05GitHub 镜像站点06蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接07Windows 10/11 如何退出微软账户并改用本地账户登录（含找不到选项的解决方法）08微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新092026 爱知・名古屋亚运会怎么看？直播平台+赛程安排分享10给AI一张“业务概念地图“：本体如何从哲学走向企业智能