大模型调用的演进与架构全景解析：从 cURL 原语、多维技术栈、API 规范到 LangChain 生产级实战

小鱼儿亮亮2026-10-18 11:18

在大语言模型（LLM）与智能体（Agent）开发生态中，开发者经常需要在不同的接口规范、底层 SDK、应用框架以及编程语言之间切换。要真正掌握大模型调用的精髓，不能只停留在"复制粘贴代码"的层面，而应建立一个从演进脉络 到多维度横向对比的清晰知识体系。

本文面向广大开发者，通过"演进脉络代码化 → API 规范对齐 → 语言生态对比 → 生产级实战代码（含单次、流式与 LangChain 完整实战）"的递进逻辑，带你彻底打通大模型调用的技术闭环。

第一部分：从 cURL 到 LangChain ------ 调用方式的代码演进脉络

大模型调用的发展，本质上是一个不断将网络协议、状态管理和业务逻辑进行抽象封装的过程。我们可以通过以下四个阶段的核心代码对比，看清其演变逻辑：

阶段一：cURL 命令行原语（底层网络调试）

  • 特点：无运行时依赖，直接发起底层 HTTP 请求。

  • 代码示例：

    Bash 复制代码 
    curl https://api.openai.com/v1/chat/completions \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer sk-your-api-key" \
  -d '{"model": "gpt-4o", "messages": [{"role": "user", "content": "你好"}]}'

阶段二：原始 HTTP 请求库（将网络能力植入程序）

  • 特点 ：引入语言自带或第三方网络库（如 Python 的 requests），将请求参数化。

  • 代码示例（Python） ：

    Python 复制代码 
    import requests

response = requests.post(
    "https://api.openai.com/v1/chat/completions",
    headers={"Authorization": "Bearer sk-your-api-key"},
    json={"model": "gpt-4o", "messages": [{"role": "user", "content": "你好"}]}
)
print(response.json()["choices"][0]["message"]["content"])

阶段三：厂商 SDK 封装（工业级客户端）

  • 特点：屏蔽底层 URL、Headers 和 SSE 流式解析细节，提供面向对象的强类型接口。

  • 代码示例（Python） ：

    Python 复制代码 
    from openai import OpenAI

client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api.openai.com/v1"
)
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)

阶段四：LangChain 应用框架（业务编排与组件化）

  • 特点：引入提示词模板（Prompt）、声明式管道（Pipe）与外部工具链，解决 RAG 和 Agent 编排问题。

  • 代码示例（Python） ：

    Python 复制代码 
    from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("讲个关于{topic}的笑话")
model = ChatOpenAI(
    model="gpt-4o",
    api_key="sk-your-api-key",
    base_url="https://api.openai.com/v1"
)
chain = prompt | model  # 声明式管道链式调用

result = chain.invoke({"topic": "开发者"})
print(result.content)

第二部分：API 规范的分化与兼容统一（OpenAI vs Anthropic）

虽然 SDK 简化了调用，但厂商之间的 API 格式分化 是开发者必须面对的痛点。目前主要存在两大规范：

对比维度 OpenAI 规范 (兼容 DeepSeek、GLM、vLLM 等) Anthropic 规范 (Claude)
请求路径 (URL) /v1/chat/completions /v1/messages
认证 Header Authorization: Bearer <Key> x-api-key: <Key>
版本控制 Header 无需显式指定 必须指定 anthropic-version: 2023-06-01
System Prompt 混在 messages 数组中（role: "system"） 独立为顶级参数（system: "..."）
Max Tokens 可选（默认为模型最大长度） 强制必填 (max_tokens: 1024)
返回值解析路径 response.choices[0].message.content response.content[0].text

注：在工程中，通常通过 LiteLLM 统一网关或 LangChain 抽象层，将 Anthropic 格式无缝转换为 OpenAI 风格进行统一处理。

第三部分：语言生态对决 ------ Python vs Node.js (TypeScript) 基础示例对比

对于开发者而言，Python 与 Node.js 是 AI 开发的两大主力。它们的 API 设计高度镜像，但在异步处理 和语法风格上有明显差异。

1. OpenAI SDK 基础调用对比

  • Python 版本（默认同步，需显式声明异步客户端） ：

    Python 复制代码 
    from openai import OpenAI

client = OpenAI(
    api_key="sk-your-api-key",
    base_url="https://api.openai.com/v1"
)
response = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "讲个笑话"}]
)
print(response.choices[0].message.content)

  • Node.js / TypeScript 版本（原生全异步，必须使用 await） ：

    TypeScript 复制代码 
    import OpenAI from "openai";

const client = new OpenAI({
    apiKey: "sk-your-api-key",
    baseURL: "https://api.openai.com/v1"
});
const response = await client.chat.completions.create({
    model: "gpt-4o",
    messages: [{ role: "user", content: "讲个笑话" }]
});
console.log(response.choices[0].message.content);

2. LangChain 基础调用对比

  • Python 版本（使用管道符 |） ：

    Python 复制代码 
    from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("讲个关于{topic}的笑话")
model = ChatOpenAI(
    model="gpt-4o",
    api_key="sk-your-api-key",
    base_url="https://api.openai.com/v1"
)
chain = prompt | model

result = chain.invoke({"topic": "开发者"})
print(result.content)

  • Node.js / TypeScript 版本（使用 .pipe() 方法） ：

    TypeScript 复制代码 
    import { ChatPromptTemplate } from "@langchain/core/prompts";
import { ChatOpenAI } from "@langchain/openai";

const prompt = ChatPromptTemplate.from_template("讲个关于{topic}的笑话");
const model = new ChatOpenAI({
    model: "gpt-4o",
    apiKey: "sk-your-api-key",
    configuration: { baseURL: "https://api.openai.com/v1" }
});
const chain = prompt.pipe(model);

const result = await chain.invoke({ topic: "开发者" });
console.log(result.content);

第四部分：生产级核心实战代码（OpenAI SDK 与 LangChain 演练）

在日常业务开发中，掌握 OpenAI SDK 的单次与流式调用 以及 LangChain 的单次与流式调用 是核心基本功（所有示例均完整配置了 base_url，方便无缝对接 DeepSeek 等兼容网关）。

场景一：OpenAI SDK 实战

1. 单次同步调用（Standard Completion）

Python 复制代码 
from openai import OpenAI

# 完整传入 api_key 与 base_url（可替换为 DeepSeek 等兼容网关地址）
client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.openai.com/v1" 
)

response = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "你是一个严谨的代码审查助手。"},
        {"role": "user", "content": "请用一句话解释什么是大模型 SDK。"}
    ],
    temperature=0.2,
    max_tokens=150
)

print("OpenAI SDK 单次调用回复：", response.choices[0].message.content)

2. 流式调用（Streaming ------ 打字机效果）

Python 复制代码 
from openai import OpenAI

client = OpenAI(
    api_key="YOUR_API_KEY",
    base_url="https://api.openai.com/v1"
)

stream = client.chat.completions.create(
    model="gpt-4o",
    messages=[{"role": "user", "content": "写一篇 300 字的微型科幻小说。"}],
    stream=True
)

print("OpenAI SDK 流式输出中：", end="", flush=True)
for chunk in stream:
    if chunk.choices and chunk.choices[0].delta.content:
        print(chunk.choices[0].delta.content, end="", flush=True)
print()

场景二：LangChain 框架实战

1. 单次调用（Invoke 模式）

利用 LangChain 的 ChatPromptTemplate 和管道符，轻松实现结构化的提示词封装与模型调用。

Python 复制代码 
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

# 1. 定义带有变量的提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个资深的{role}。"),
    ("user", "请针对以下需求给出设计方案：{requirement}")
])

# 2. 初始化模型（显式指定 base_url）
model = ChatOpenAI(
    model="gpt-4o",
    api_key="YOUR_API_KEY",
    base_url="https://api.openai.com/v1",
    temperature=0.3
)

# 3. 使用管道符组合成链
chain = prompt | model

# 4. 执行调用并传入变量
result = chain.invoke({
    "role": "前端架构师",
    "requirement": "设计一个高性能的微前端主应用加载方案"
})

print("LangChain 单次调用结果：\n", result.content)

2. 流式调用（Stream 模式）

LangChain 同样原生支持流式输出，配合 .stream() 方法可以无缝对接前端的实时打字机渲染。

Python 复制代码 
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI

prompt = ChatPromptTemplate.from_template("讲个关于{topic}的幽默故事，字数在 200 字以内。")

model = ChatOpenAI(
    model="gpt-4o",
    api_key="YOUR_API_KEY",
    base_url="https://api.openai.com/v1"
)

chain = prompt | model

print("LangChain 流式输出中：", end="", flush=True)

# 使用链的 stream 方法实时接收数据块
for chunk in chain.stream({"topic": "开发者加班"}):
    if chunk.content:
        print(chunk.content, end="", flush=True)
print()

结语

从底层的 cURL 到工业级底座 SDK ，再到上层的 LangChain 编排框架，大模型调用的工具链越来越厚。但对于开发者而言，核心关注点已经从早期的"网络协议解析、长连接 SSE 处理"解放到了"提示词工程、业务模板封装与智能体架构"上。掌握不同语言（Python / Node.js）的映射关系、标准 API 范式以及 LangChain 的链式操作，能让你在多变的技术栈选型中游刃有余。

相关推荐
tz_zs2 小时前
【AI编程】使用笔记：Rule/Skill/Prompt
笔记·prompt·ai编程
tz_zs3 小时前
【AI编程】使用笔记：AI编程项目文档体系与框架
笔记·ai编程
Shockang12 小时前
OpenCode 版 OmO：职责分工、编辑校验与技能边界
ai编程
小虎AI生活13 小时前
ChatGPT for Chrome 扩展升级解读：从「你复制给它」到「替你操作浏览器」（附三步上手流程）
aigc·ai编程
金銀銅鐵13 小时前
[Java] 借助GUI展示class文件的内容（v1.0版本）
jvm·后端·ai编程
wangruofeng13 小时前
GPT-6.1 辅助我半天完成架构升级：GPT Image 提示词网站 9K+ 图片迁入 Cloudflare R2
aigc·ai编程
邵奈一14 小时前
2.5倍速不降智：Opus 5.5极速版开闸
大模型·ai编程·claude·opus5.5·极速模式
我命由我1234515 小时前
智能助手通用问答边界
人工智能·python·学习·ai·学习方法·ai编程·智能体
桃西西呀16 小时前
搜「怎么做接口限流」，向量库却把「怎么做缓存」的段落递了上来
人工智能·llm·ai编程
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「全语录+省流版」邵艾伦 × 孙宇晨：聊风口、聊个人IP、聊年轻人如何抓住 AI 时代的机会03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05几个好用的ip纯净度检测网站06如何新建文件夹？ 电脑新建文件夹的4种方法07蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接08Telegram APK 下载安装完整指南 — 2026年最新09Windows 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）10苹果iPA游戏软件资源下载网站