LangChain定义聊天模型 基础问答

作者:bit::Shadow(⊙o⊙)日期:2026/10/17

@bit::Shadow
✧(≖ ◡ ≖✿

目录

定义聊天模型

Page2

Page3

本地部署 LLM 演示(32)


本文介绍LangChain中聊天模型的定义与使用,通过ChatOpenAI和ChatOllama实现本地及云端大模型调用。利用LCEL(LangChain Expression Language)的管道符|组合模型与解析器,实现消息流式处理与结果解析。支持配置化参数(如model、max_tokens),并通过configurable灵活切换模型与参数。结合Pydantic定义工具输入输出,提升可读性与安全性。最后演示本地部署LLM(如Ollama)的调用方式,适用于私有化场景。

Runnable 接口: 提供一套统一、可组合、支持同步/异步/流式/批量的标准接口,让不同组件能像「乐高积木」一样用管道符 | 拼装成链。

LCEL:编排解决方案

.py

1model = ChatOpenAI(model="gpt-4o-mini")
2#1.定义openai模型  默认从环境变量中获取key
3
4messages = [
5    SystemMessage(content="你帮我翻译为英文"),
6    HumanMessage(content="具体内容")
7]
8#注意:context本是上下文“角色content译”内容
9#2.定义消息
10#系统提示消息 SystemMessage “通常作为第一条消息传入”
11#用户消息 HumanMessage
12
13tempresult = model.invoke(messages)
14print(tempresult) # ①
15#3.调用大模型
16# 输入的是LangChain消息列表
17# 输出的是 LangChain 消息(AIMessage)
18
19parser = StrOutputParser()
20#4.定义"解析器"
21
22chain = model | parser
23print(chain.invoke(messages)) # ②
24#model.invoke后将result交给parser
25#的输出差异看出解析器的…作用
26

红笔批注:| 管道符,LangChain 消息到文本,输出的是 LangChain 消息 (AIMessage)

上述其实就是 LCEL(LangChain Expression Language):采用声明性方法从现有的 Runnable对象构建新的 Runnable对象。

定义聊天模型

1model = ChatOpenAI(
2    model="gpt-4o-mini",
3    temperature = 0, #温度,越大,内容越发散,常 [0,2]或[0,1]
4    max_tokens = None, #输出最大token
5    timeout = None,
6    max_retries =2,
7    api_key="...",
8    base_url="...", #指定前置请求路径,理解:我们直接访问
9    organization="...", #openai组织ID
10    # other prag…
11)
12

base_url:

deepseek:api.deepseek.com 出于兼容 openai,也可写为 https://api.deepseek.com/v1

2.init_chat_model

2.1 基础使用

1gpt_model = init_chat_model(
2    model="gpt-4o-mini",
3    model_provider="openai",
4    temperature=0.3,
5    # 其他常用可选参数:
6    # max_tokens=1024,
7    # timeout=30,
8    # max_retries=2,
9    # api_key="sk-...",        # 或从环境变量 OPENAI_API_KEY 读取
10    # base_url="https://...",  # 自定义代理/网关时使用
11)

2.2 invoke() 的config参数才真正意义上定义了模型

1print(
2    f"config-model: {
3        config_model.invoke(
4            input=messages,
5            config={"configurable": {"model": "deepseek-chat"}}
6        ).content
7    }"
8)

2.3 # 可配置 (configurable) 模型

1config_model = init_chat_model(
2    model = "gpt-4o-mini",
3    model_provider="openai",
4    temperature=0.3,
5)
6

Page2

第二种定义 docxstring 的方式:pydantic 方法

1class AddInput(BaseModel):
2    """两数相加"""
3    a:int = Field(..., description="第一个整数") #…表示该字段必填,无默认值
4    b:int = Field(..., description="第二个整数")
5
6@tool(args_schema = AddInput)
7def add(a:int,b:int)->int:
8    return a+b
9

注意:第二种定义方式较第一种add.args拥有描述字段

第三种(对第一种的修订)pydantic 方法

1@tool
2def Add(
3    a: Annotated[int, ...,"第一个整数"],
4    b: Annotated[int, ...,"第二个整数"],
5)->int:
6    """两数相加
7    Args:
8        a:第一个整数
9        b:第二个整数
10    """
11    return a+b
12

Page3

1max_tokens = 1024,
2configurable_fields = ("max_tokens", "model", "model_provider"),
3config_prefix="first", #配置前缀字段
4
5messages = [
6    SystemMessage(content="需求…"),
7    HumanMessage(content="具体需求…")
8]
9
10result = model.invoke(
11    input=messages,
12    config = { #二次配置
13        "configurable":{
14            "first_max-tokens": 10,
15            "first_model": "deepseek-chat",
16            "first_model_provider": "deepseek",
17        }
18    }
19)
20

本地部署 LLM 演示(32)

Ollama-model 与 openai-gpt 一致的方法,不过要使用 “本地”

1ollama_model = ChatOllama(
2    model="deepseek-r1:1.5b",
3    base_url="http://127.0.0.1:[端口号]",   # 换成 Ollama 实际端口,默认 11434
4)
5
6# 注:代理影响 —— 若系统设置了 HTTP_PROXY / HTTPS_PROXY,
7#     访问 127.0.0.1 的请求可能被代理拦截,建议临时绕过本地地址。
8print(ollama_model.invoke("需求…").content)



欢迎关注,长期连载
感谢支持


参考文档


《LangChain定义聊天模型 基础问答》 是转载文章,点击查看原文。


相关推荐


给 Django Admin 加审批流:一行前端代码没写,298 行接上工作流引擎
mldong2026/10/12

一、Django 自带的那套后台,本来就长得像审批页 一个后台系统里的审批界面,剥到底就是三样东西:一张待办列表、两个按钮(同意/驳回)、一个发起表单。 而 Django 的 admin 干的就是这件事——你给它一个 Model,它自动配好列表页、详情页、字段过滤、搜索框、分页、权限校验,还有一套"勾选若干行 → 执行一个动作"的批量操作机制。 于是有一个很自然的想法:如果审批流的状态本来就躺在数据库表里,那 admin 是不是直接就能批单子? 答案是可以。这次做的东西一共 298 行 Pyth


使用 SciPy 库进行时间序列分析
databook2026/10/3

时间序列分析听起来有点学术,但其实干起来挺直接的。 你有一串按时间排列的数据,想知道里面有没有趋势、有没有周期性、噪声有多大,或者两个序列之间有没有延迟关系。 SciPy 这个库在信号处理、统计检验方面提供了不少现成的工具,配合 Matplotlib 画图,基本能覆盖日常分析的大部分需求。 本文不是单纯的介绍知识点,而是直接造一组模拟的全年每日温度数据,然后一步步用它演示: 怎么平滑 怎么滤波 怎么去趋势 怎么找周期 怎么看自相关和互相关 每一步都配上代码和图表,你跟着跑一遍,自然就知道 S


一套“嵌入式硬件 + 物联网”可视化,如何计算Highcharts许可证数量?
Highcharts.js2026/9/27

企业软件采购与授权合规实务,如何计算 Highcharts 许可证? 在智能水表、智慧水务、物联网、能源管理等项目中,Highcharts 经常同时出现在两个不同层面: 嵌入式智能水表、网关或终端设备物联网运营中台、Web 管理平台或 SaaS 系统 这两个场景虽然都使用 Highcharts 进行数据可视化,但在商业交付模式上可能完全不同,因此不能简单按照“水表有多少块,就购买多少套 Highcharts”来计算许可证。 真正需要判断的是: Highcharts 最终在哪里运行?谁可以使用?


把 KES 集群交给 Kubernetes 的九十天:一个 DBA 的试用实录
我是杰尼2026/9/19

把 KES 集群交给 Kubernetes 的九十天:一个 DBA 的试用实录 第 0 天:一个押上睡眠质量的决定 先交代背景。我在团队里负责十多套金仓 KES(KingbaseES)数据库集群的运维,主备流复制架构,跑在虚拟机上。这套体系我们维持了几年,谈不上优雅,但胜在熟悉——每台机器的脾气、每个实例的参数、每份应急预案的位置,都在心里有一本账。 变化来自两个方向。一是公司基础架构全面转向 Kubernetes,业务应用一批批迁入,平台组开始追问"数据库什么时候跟上";二是我们自己的痛感在


推理链中的 Token 冗余与剪枝:消除无意义语气词对注意力权重的稀释
醍醐实验室2026/9/11

推理链中的 Token 冗余与剪枝:消除无意义语气词对注意力权重的稀释 随着大模型深度推理(Reasoning Models)能力的演进,生成超长思维链(Long-CoT)已经成为解决复杂数学、符号规划与长代码生成的标准范式。 然而,在审视模型输出的长达数千 Token 的推导轨迹时,我们经常会看到大量高度冗余的过渡性表达,例如:“Let me pause and think...”、“Wait, is this correct? Let's check again...”、“Hmm, let


react-bits:从 36K stars 的“酷炫组件”,看动效如何成为 React 的可复用能力
吴琼琼2026/9/3

react-bits:从 36K stars 的“酷炫组件”,看动效如何成为 React 的可复用能力 打开一个视觉表现力强的网页,人们最先注意到的往往不是组件边界、状态管理或样式组织,而是“这个效果很酷”。文字浮现、背景变化、鼠标交互、内容切换,这些细节能让同样的信息架构呈现出完全不同的气质。 但前端开发里,“很酷”从来不是终点。 一个效果如果只能存在于单个页面的临时代码里,它带来的价值通常很短;如果它能够被抽象为可理解、可选择、可组合的组件,才有机会从一次视觉尝试变成稳定的开发能力。 rea


一条命令,十分钟:jeeflow 工作流应用的六语言一键部署
mldong2026/8/26

系列定位:jeeflow 系列第 9 篇(第三季「多语言联邦」第 1 篇) 平台:公众号 / 掘金(实用向:一键部署 + 选型) 素材版本:引擎 Java 1.8.18 / Go·Python·Node 1.8.20 / PHP 1.3.5 / Rust 1.0.5;一键部署脚本取自 mldong-website 前置阅读:第 8 篇 · 会签三兄弟:并行/串行/按比例的实现与取舍 一、先上结果 在任意一台装了 Docker 的 Linux 服务器上,执行一条命令: curl -fsSL h


Fiber 与 PHP 8.6 Polling API 异步初探
BingoGo2026/8/13

Fiber 与 PHP 8.6 Polling API 异步初探 几周前的一篇文章曾介绍 Polling API RFC,并将其定位为被低估的提案,原因主要在于:报道往往漏掉了真正的动机——那是内部 php_poll.h API,而非用户态的 Io\Poll 类。这一判断至今仍然成立。不过随后收到了不少类似"好吧,可它到底能用来做什么?"的反馈。这是个合理的问题,也正是本文要回答的问题。 时机也恰到好处。该 RFC 以 33 票赞成、1 票反对、4 票弃权通过,并于 6 月 3 日投票截止,实


鸿蒙掌上驾考宝典应用开发15:答题交互组件——Exam 与 SelectComponent 全解析
麦田ya2026/8/3

第15篇:答题交互组件——Exam 与 SelectComponent 全解析 一、引言 答题交互是驾考应用最核心的用户交互场景。DriverLicenseExam 项目的 Exam 组件和 SelectComponent 组件共同实现了完整的答题交互体验,包括试题展示、选项选择、答案判断、答题卡、倒计时等。本文将深入解析这两个组件的实现。 二、Exam 组件架构 2.1 组件职责 Exam 组件是考试页面的核心容器,负责: 管理试题列表(Swiper 滑动切换)展示倒计时(模拟考试)管理答题


[V2X]音频数据流图
墨染天玑2026/7/26

Playback / Recording / Voice 三种场景的音频数据流框图: #mermaid-svg-nAP2CEPsCFL66meU{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}

首页编辑器站点地图

本站内容在 CC BY-SA 4.0 协议下发布

Copyright © 2026 聚合阅读