一文读懂LangChain模型：AI应用的“大脑”是如何工作的

LangChain 模型（Models）技术知识点学习文档

1. 模型概述

在 LangChain 中，模型是整个框架的核心组件，堪称 Agent 的推理引擎。LangChain 通过统一的接口封装了不同提供商（OpenAI、Anthropic、Google Gemini 等）的模型，让开发者可以在不改变业务代码的情况下自由切换底层模型。

模型的能力范围

现代 LLM 不仅可以生成文本，还支持：

能力	说明
文本生成	理解和生成自然语言文本
工具调用（Tool Calling）	调用外部工具（数据库查询、API 等）并将结果用于响应
结构化输出（Structured Output）	按预定义格式（Pydantic、TypedDict、JSON Schema）输出内容
多模态（Multimodality）	处理和返回图像、音频、视频等非文本数据
推理（Reasoning）	模型执行多步推理，展示思考过程（如 OpenAI o1、DeepSeek-R1）

2. 环境准备与依赖安装

LangChain 采用模块化设计，核心包和各模型提供商是分开的，按需安装即可。

bash 复制代码

# 安装 LangChain 核心包
uv add langchain

# 安装 OpenAI 兼容的模型提供商包（最常用）
uv add langchain_openai

# 其他提供商示例
# uv add langchain_anthropic    # Anthropic Claude
# uv add langchain_google_genai # Google Gemini
# uv add langchain_community    # 社区集成

环境变量配置

使用 .env 文件管理 API 密钥等敏感配置：

python 复制代码

import load_dotenv
# 或 from dotenv import load_dotenv

load_dotenv.load_dotenv()  # 加载 .env 文件中的环境变量

关键环境变量：

OPENAI_API_KEY --- OpenAI 的 API 密钥
OPENAI_BASE_URL --- 自定义 API 端点地址（兼容 OpenAI 协议的服务）

💡 重要提示 ：当前市面上绝大多数模型 API 接口都兼容 OpenAI 的调用规则，所以无论你使用任何模型（本地部署的 Qwen、DeepSeek 等），只要配置正确的 OPENAI_BASE_URL，就可以直接使用 langchain_openai 来调用。这就是为什么 ChatOpenAI 不仅仅用于 OpenAI 自己的模型。

3. 模型初始化（两种方式）

方式一：`init_chat_model()` --- 通用初始化（推荐）

init_chat_model 是 LangChain 提供的通用模型初始化函数，可以用统一的方式初始化不同提供商的模型。

python 复制代码

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model="Qwen3-0.6B",            # 模型名称
    model_provider="openai",        # 提供商标识
    temperature=0.7,                # 温度参数
)

response = model.invoke("你好")
print(response.content)

支持的提供商一览：

提供商	示例模型名
`openai`	gpt-4o, gpt-4o-mini
`anthropic`	claude-sonnet-4-6
`azure_openai`	azure_openai:gpt-4o
`google_genai`	gemini-2.5-flash
`aws`	us.anthropic.claude-sonnet-4-6
`huggingface`	microsoft/Phi-3-mini-4k-instruct

方式二：`ChatOpenAI()` --- 直接使用提供商类

当模型兼容 OpenAI API 时，也可以直接使用 ChatOpenAI 类：

python 复制代码

from langchain_openai import ChatOpenAI

openai = ChatOpenAI(
    model="Qwen3-0.6B",
    temperature=0.7,
)

response = openai.invoke("你好")
print(response.content)

两种方式的对比

特性	`init_chat_model`	`ChatOpenAI`
通用性	高，支持多种提供商	仅限于 OpenAI 兼容的 API
切换提供商	改参数即可	需要换类
代码简洁度	统一接口，更简洁	与提供商强耦合
适用场景	多提供商切换 / 快速原型	固定使用 OpenAI 生态

4. 核心调用方法

LangChain 模型提供了四种核心调用方法：invoke、stream、batch、batch_as_completed。

4.1 invoke --- 直接调用

最基础的调用方式：传入输入，等待完整响应后一次性返回。

python 复制代码

from langchain_openai import ChatOpenAI

openai = ChatOpenAI(model="Qwen3-0.6B", temperature=0.7)

# 单条消息
response = openai.invoke("你好")
print(response.content)

invoke() 方法接受消息作为输入，在生成完整响应后输出一个 AIMessage 对象，包含：

属性	说明
`content`	文本响应内容
`response_metadata`	响应元数据（token 用量、模型名称、finish_reason 等）
`tool_calls`	工具调用列表（如有）
`id`	LangChain 运行 ID

完整响应对象示例：

python 复制代码

content='你好！有什么可以帮助你的吗？😊'
additional_kwargs={'refusal': None}
response_metadata={
    'token_usage': None,
    'model_provider': 'openai',
    'model_name': None,
    'id': 'qwen3',
    'finish_reason': None,
    'logprobs': None
}
id='lc_run--019f5fdc-f180-7e10-b387-6273e07f0533-0'
tool_calls=[]

4.2 stream --- 流式输出

大多数模型支持在生成过程中逐步输出内容，而非等全部生成完再返回。流式输出显著改善了用户体验，特别适合长响应场景。

python 复制代码

from langchain_openai import ChatOpenAI

openai = ChatOpenAI(model="Qwen3-0.6B", temperature=0.7)

# 基本流式输出
for chunk in openai.stream("你好"):
    for block in chunk.content_blocks:
        if block["type"] == "reasoning" and (reasoning := block.get("reasoning")):
            print(f"推理：{reasoning}")
        elif block["type"] == "text":
            print(block["text"], end="", flush=True)

content_blocks 类型说明：

类型	含义	何时出现
`"reasoning"`	推理/思考过程	推理模型（如 Qwen3 的 `<think>` 块）
`"text"`	普通文本输出	所有模型
`"tool_call_chunk"`	工具调用的分块	模型调用工具时

流式输出的关键特性：

stream() 返回 AIMessageChunk 对象，可以通过 + 累加为完整消息
支持 astream_events() 进行更精细的事件级流式处理
自动流式 ：在流式应用中，即使调用 invoke()，LangChain 也会自动切换到内部流式模式

4.3 batch --- 批量调用

将一组独立请求批量发送给模型，并行处理，可以显著提高性能并降低成本。

python 复制代码

from langchain_openai import ChatOpenAI

openai = ChatOpenAI(model="Qwen3-0.6B", temperature=0.7)

responses = openai.batch([
    "为什么鹦鹉有五颜六色的羽毛？",
    "飞机是如何飞行的？",
    "什么是量子计算？"
])

for response in responses:
    print(response.content)

行为特点：

batch() 会等待所有请求完成后，一次性按原始顺序返回所有结果
内部使用客户端并行化，不等同于推理提供商的批量 API

适用场景：

需要处理多个独立问题
批量翻译、分类、摘要等任务
提高吞吐量，减少总等待时间

4.4 batch_as_completed --- 按完成顺序返回

与 batch() 不同，batch_as_completed() 在每个输入完成生成时立即返回，不等其他请求。

python 复制代码

list_of_inputs = [
    "为什么鹦鹉有五颜六色的羽毛？",
    "飞机是如何飞行的？",
    "什么是量子计算？"
]

responses = openai.batch_as_completed(
    list_of_inputs,
    config={'max_concurrency': 3}  # 限制最大并行调用数
)

for idx, response in responses:
    print(f"输入 {idx} 完成：{response.content[:50]}...")

关键特性：

特性	说明
返回格式	每个结果为 `(输入索引, AIMessage)` 的元组
顺序	结果按完成顺序到达，非按输入顺序
并发控制	通过 `config={'max_concurrency': N}` 限制并行数

batch() vs batch_as_completed() 对比：

特性	`batch()`	`batch_as_completed()`
返回时机	全部完成后一起返回	每个完成立即返回
返回顺序	保持输入顺序	按完成顺序
包含索引	否	是 `(index, response)`
适用场景	需要保持顺序	需要快速响应 / 处理速度不一的请求

5. 模型常用参数

参数	类型	默认值	说明
`model`	`string`	必需	模型名称或标识符
`api_key`	`string`	从环境变量读取	API 认证密钥
`temperature`	`number`	---	控制输出随机性。值越高越有创意/随机，越低越确定
`timeout`	`number`	---	等待模型响应的最大时间（秒），超时取消请求
`max_tokens`	`number`	---	限制响应中输出的最大 token 数量（控制输出长度）
`max_retries`	`number`	`6`	请求失败时的最大重试次数

temperature 详解

ini 复制代码

temperature = 0.0  →  完全确定性，相同输入总是相同输出
temperature = 0.7  →  平衡的随机性
temperature = 1.0+ →  高度随机，适合创意写作

max_retries 机制

LangChain 具有内置的连接弹性：

自动重试失败的 API 请求（网络错误、429 限流、5xx 服务器错误）
使用指数退避 + 抖动策略，避免雪崩效应
客户端错误（401 认证失败、404 找不到）不会重试
对于不稳定的网络环境，建议将 max_retries 增加到 10-15

6. 消息系统（Messages）

6.1 消息概述

消息是 LangChain 中模型上下文的基本单位，用于表示模型的输入和输出，承载内容和元数据。

一个消息对象包含三个核心部分：

部分	说明
角色（Role）	标识消息类型，如 `system`、`user`、`assistant`
内容（Content）	消息的实际内容，可以是文本、图像、音频、文档等
元数据（Metadata）	可选字段，如响应信息、消息 ID、token 使用情况

6.2 四种消息类型

LangChain 提供了四种消息对象，分别对应不同的对话角色：

① SystemMessage --- 系统消息

作用：设置模型行为准则，定义角色和响应指南。是对话的"开场白"和"行为约束"。

python 复制代码

from langchain_core.messages import SystemMessage

# 定义模型角色
system_message = SystemMessage(content="你是一个专业的翻译：翻译成英文")

# 更详细的角色定义
system_message = SystemMessage("你是一个天气预报助手，必须使用工具来回答天气问题。")

最佳实践 ：在消息列表的最前面放置系统消息，内容应明确、具体。

② HumanMessage --- 用户消息

作用：表示用户输入和与模型的交互。可以包含文本、图像、音频等。

python 复制代码

from langchain_core.messages import HumanMessage

human_message = HumanMessage(content="你好，世界！")
human_message = HumanMessage("查询北京的天气")

③ AIMessage --- AI 消息

作用：表示模型生成的响应，包含文本内容、工具调用和元数据。

python 复制代码

from langchain_core.messages import AIMessage

# 通常由模型响应自动生成，也可以手动构造
ai_message = AIMessage("J'adore la programmation.")

AIMessage 的特殊属性：

tool_calls：工具调用列表
response_metadata：token 用量、模型名称等
content_blocks：多模态内容块

④ ToolMessage --- 工具消息（概念）

表示工具调用的输出结果，在工具调用流程中使用。

四种消息汇总

消息类型	发送方	用途
`SystemMessage`	开发者	定义模型角色、行为准则、响应格式
`HumanMessage`	用户	用户输入、问题、指令
`AIMessage`	模型	模型生成的文本、工具调用请求
`ToolMessage`	工具	工具执行后的返回结果

6.3 消息对象 vs 字典格式

LangChain 支持两种方式传递消息：

方式一：消息对象

python 复制代码

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
    SystemMessage("你是一个将英语翻译成法语的有用助手。"),
    HumanMessage("翻译：我喜欢编程。"),
    AIMessage("J'adore la programmation."),
    HumanMessage("翻译：我喜欢构建应用程序。")
]

response = openai.invoke(messages)

方式二：字典格式（等同于 OpenAI Chat Completions 格式）

python 复制代码

messages = [
    {"role": "system", "content": "你是一位诗人"},
    {"role": "user", "content": "写一首关于春天的俳句"},
    {"role": "assistant", "content": "樱花开了....."}
]

for chunk in openai.stream(messages):
    print(chunk.text, end="", flush=True)

对比：

特性	消息对象	字典格式
可读性	类型明确，IDE 提示好	简洁直观
功能完整性	支持多模态、元数据	基本功能
兼容性	LangChain 生态	与 OpenAI API 格式完全一致
推荐度	复杂应用	快速原型、简单场景

6.4 使用场景

消息提示（Message Prompt）适用于以下场景：

✅ 管理多轮对话：通过消息列表维护完整的对话历史
✅ 处理多模态内容：图像、音频、文件等非文本数据
✅ 包含系统指令：通过 SystemMessage 控制模型行为
✅ 工具调用流程：模型请求→工具执行→结果返回的完整闭环

7. 工具调用（Tools）

7.1 工具概念

工具是 Agent 用来执行操作的组件。它们通过定义明确的输入和输出，让模型能够与外部世界交互。

工具的核心组成：

可调用函数：实际执行业务逻辑的函数
输入 Schema：定义函数参数的类型和结构
文档字符串：帮助模型理解何时及如何使用该工具

7.2 @tool 装饰器

使用 @tool 装饰器是定义工具最简单的方式：

python 复制代码

from langchain.tools import tool

@tool
def get_weather(location: str) -> str:
    """查询指定位置的天气"""
    return f"{location}的天气是晴朗的，温度是25摄氏度"

关键：函数的文档字符串 """查询指定位置的天气""" 就是工具的描述信息，模型会根据这个描述来判断何时调用该工具。描述越清晰，模型越容易做出正确的工具选择。

7.3 绑定工具到模型

通过 bind_tools() 将工具绑定到模型后，模型就可以在需要时自动请求调用工具：

python 复制代码

from langchain_openai import ChatOpenAI
from langchain.tools import tool

openai = ChatOpenAI(model="qwen-plus", temperature=0.7, max_tokens=300)

@tool
def get_weather(location: str) -> str:
    """查询指定位置的天气"""
    return f"{location}的天气是晴朗的，温度是25摄氏度"

# 绑定工具
model_with_tools = openai.bind_tools([get_weather])

# 发送消息
messages = [
    {"role": "system", "content": "你是一个天气预报助手，必须使用工具来回答天气问题。"},
    {"role": "user", "content": "查询北京的天气"}
]

response = model_with_tools.invoke(messages)

# 检查模型是否请求了工具调用
if response.tool_calls:
    for tool_call in response.tool_calls:
        print(f"✅ 工具：{tool_call['name']}")
        print(f"✅ 参数：{tool_call['args']}")
else:
    print(f"❌ 模型没有调用工具")
    print(f"回复：{response.content}")

工作流程：

复制代码

用户输入 → 模型分析 → 决定调用工具 → 返回 tool_calls
                                              ↓
                                         执行工具函数
                                              ↓
                              工具结果传回模型 → 生成最终回复

7.4 工具选择控制

tool_choice 参数控制模型的工具调用行为：

值	行为
`"auto"`（默认）	模型自主决定是否调用工具
`"any"` 或 `"required"`	强制模型必须调用至少一个工具
`"none"`	禁止模型调用任何工具
`"tool_name"`（指定名称）	强制调用特定工具

python 复制代码

# 强制必须使用工具
model_with_tools = openai.bind_tools([get_weather], tool_choice="required")

# 禁止使用工具
model_with_tools = openai.bind_tools([get_weather], tool_choice="none")

并行工具调用 ：模型可以同时调用多个工具，通过 parallel_tool_calls=False 可以禁用它。

8. 方法对比总结

方法	输入	输出时机	返回类型	适用场景
`invoke()`	单条消息 / 消息列表	等待完整响应	`AIMessage`	一般对话、简单问答
`stream()`	单条消息 / 消息列表	逐步输出	`AIMessageChunk` 迭代器	需要实时显示的长响应、聊天界面
`batch()`	多个独立输入	全部完成后一起返回	`list[AIMessage]`（保持输入顺序）	批量处理、提高吞吐量
`batch_as_completed()`	多个独立输入	每个完成立即返回	`(index, AIMessage)` 迭代器	需要快速获取首个结果、处理速度不一的请求

调用方法选择指南

scss 复制代码

你只有 1 个问题？
  ├─ 需要实时展示？ → stream()
  └─ 等全部结果再显示？ → invoke()

你有多个独立问题？
  ├─ 需要保持顺序？ → batch()
  ├─ 哪个先完成先用哪个？ → batch_as_completed()
  └─ 需要控制并发数？ → batch_as_completed(config={'max_concurrency': N})

附录：LangChain 模型生态系统一览

scss 复制代码

                    ┌──────────────────────────────┐
                    │     LangChain 统一接口        │
                    │  (invoke / stream / batch)   │
                    └─────────────┬────────────────┘
                                  │
          ┌───────────────────────┼───────────────────────┐
          │                       │                       │
   ┌──────▼──────┐        ┌──────▼──────┐        ┌──────▼──────┐
   │   OpenAI     │        │  Anthropic   │        │   Google     │
   │ (GPT-4o...)  │        │ (Claude...)  │        │ (Gemini...)  │
   └──────────────┘        └──────────────┘        └──────────────┘
          │                       │                       │
   ┌──────▼──────┐        ┌──────▼──────┐        ┌──────▼──────┐
   │   AWS        │        │  HuggingFace │        │   本地模型    │
   │ (Bedrock)    │        │  (开源模型)   │        │ (Ollama...)  │
   └──────────────┘        └──────────────┘        └──────────────┘

👇 三连支持，动力源泉

如果这篇文章帮你省下了踩坑的时间，欢迎：

🔹 点赞 ------ 让更多人看到这篇干货 🔹 在看 ------ 你的认可是我持续输出的动力 🔹 转发 ------ 分享给身边正在做AI Agent的朋友

你的每一个小动作，对我都很重要 ❤️

🙏 关于作者

你好，我是 空门技术栈，一个常年和Bug战斗、持续填坑的Java开发者。

专注分享：

✅ Java / Spring Boot / Spring AI Alibaba 企业级实战
✅ RAG知识库、AI Agent、多智能体协作落地经验
✅ Docker部署、微服务架构、线上问题排查
✅ 偶尔聊聊「如何保住头发」这类程序员终极话题 😂

不搞水文，不贩卖焦虑，只写能跑通、能落地、能帮你少加班的实战内容。

关注我，咱们一起少踩坑，多写优雅代码。

📖 更多干货推荐

🎁 粉丝福利

本文涉及的 完整源码 + 可运行Demo + 配置示例，已打包整理好。

免费获取方式：私信空门技术栈，领取源码包。

有任何问题，也欢迎后台私信，门主看到都会回复~

💬 对文章内容有疑问？想看下一篇写什么主题？

直接在评论区留言，你的每一条评论我都会看。说不定下一篇文章的主题，就来自你的问题！

🤝 项目合作 / 技术咨询

平时工作之余，也会接一些技术项目和咨询，主要方向：

⚔️ 企业级开发

Java / Spring Boot 项目开发与重构
微服务架构设计与落地
系统性能调优、线上问题排查

🤖 AI 应用落地（这是我最近的主力方向）

Spring AI Alibaba / RAG / Agent 应用开发
企业私有知识库搭建
AI能力接入现有业务系统
大模型本地化部署与调优

🛠️ 技术顾问 / 疑难Bug排查

项目架构评审与方案设计
线上疑难问题定位解决
技术选型与团队培训

如果你正遇到以下情况，欢迎找我聊聊：

✅ 想做AI项目，但技术方案拿不准
✅ 项目卡在某个Bug上很久，团队搞不定
✅ 想把AI接入现有业务，不知道从哪下手
✅ 需要靠谱的开发外包或长期技术顾问

📮 联系渠道（按回复速度排序）：

最快：私信V: 空门技术栈
邮件：2929119150@qq.com（请注明来意和具体需求）

一个人踩坑，是事故；一群人踩坑，就是《避坑宝典》。

------ IT 空门，与诸君共修技术大道 😎

一文读懂LangChain模型：AI应用的“大脑”是如何工作的

LangChain 模型（Models）技术知识点学习文档

1. 模型概述

模型的能力范围

2. 环境准备与依赖安装

环境变量配置

3. 模型初始化（两种方式）

方式一：init_chat_model() --- 通用初始化（推荐）

方式二：ChatOpenAI() --- 直接使用提供商类

两种方式的对比

4. 核心调用方法

4.1 invoke --- 直接调用

4.2 stream --- 流式输出

4.3 batch --- 批量调用

4.4 batch_as_completed --- 按完成顺序返回

5. 模型常用参数

temperature 详解

max_retries 机制

6. 消息系统（Messages）

6.1 消息概述

6.2 四种消息类型

① SystemMessage --- 系统消息

② HumanMessage --- 用户消息

③ AIMessage --- AI 消息

④ ToolMessage --- 工具消息（概念）

四种消息汇总

6.3 消息对象 vs 字典格式

6.4 使用场景

7. 工具调用（Tools）

7.1 工具概念

7.2 @tool 装饰器

7.3 绑定工具到模型

7.4 工具选择控制

8. 方法对比总结

调用方法选择指南

附录：LangChain 模型生态系统一览

👇 三连支持，动力源泉

🙏 关于作者

📖 更多干货推荐

🎁 粉丝福利

🤝 项目合作 / 技术咨询

方式一：`init_chat_model()` --- 通用初始化（推荐）

方式二：`ChatOpenAI()` --- 直接使用提供商类