本文深入探讨了LangChain中两种核心模型——大语言模型（LLM）和聊天模型（Chat Model），并介绍了它们在实际应用中的区别。文章通过通义千问的接口演示，阐述了消息类型和模型参数调整对AI输出的影响，为读者提供了构建AI应用的基础知识。

🗣️ **LLM与Chat Model的区别**: LLM（大语言模型）更像“续写大师”，适合文本补全等简单任务，输入输出均为字符串。Chat Model（聊天模型）则更像“角色扮演对话家”，擅长对话式应用，输入为消息列表，输出为AI消息对象。

💬 **消息类型详解**: Chat Model使用SystemMessage设定AI角色，HumanMessage代表用户提问，AIMessage记录AI回复。这些消息类型构建了对话历史，使AI能够理解上下文。

⚙️ **模型参数的影响**: 通过调整如temperature等参数，可以控制AI输出的随机性和创造性。较低的temperature值使输出更稳定，而较高的值则增加多样性。

💡 **实战代码演示**: 通过使用通义千问的LLM和Chat Model接口，文章提供了具体的代码示例，展示了如何进行文本补全和构建对话式应用，帮助读者理解两种模型的使用方法。

🎯 **SystemMessage的威力**: 通过修改SystemMessage，可以赋予AI不同的身份，从而改变其回答风格。这展示了Chat Model在构建可定制化AI应用方面的潜力。

第二章：模型 (Models) —— AI应用的大脑

你好，我是阿扩。欢迎回到我们的LangChain探索之旅。

如果说AI应用是一辆智能汽车，那么模型（Model）就是它的引擎和驾驶员——它既是动力的来源，也是智能决策的核心。在LangChain中，对模型的抽象和封装是其设计的基石。今天，我们就来彻底搞懂它。

2.1 本节目标

理解LangChain中两种核心模型类型的区别：大语言模型（LLM） 和 聊天模型（Chat Model）。学会分别使用这两种模型接口与通义千问进行交互。掌握聊天模型中不同**消息类型（Message Types）**的用途。学习如何通过调整**模型参数（如 temperature）**来影响AI的输出。

2.2 核心概念速览

在LangChain的世界里，模型主要被分为两大类。让我们用一个生动的比喻来区分它们：

大语言模型 (LLM): 把它想象成一位**“续写大师”**。你给他一段文字的开头，他的唯一任务就是基于这段文字，进行最合理的续写。他非常擅长文本补全、摘要、翻译等“一块式”的任务。

输入：一个字符串（string）。输出：一个字符串（string）。

聊天模型 (Chat Model): 把它想象成一位**“角色扮演对话家”**。他能理解对话中的不同角色（比如系统、用户、AI助手），并根据上下文进行交流。他天生就为构建聊天机器人、多轮问答等对话式应用而生。

输入：一个由不同角色消息组成的列表（list of messages）。输出：一个AI消息对象（AI message object）。

简单来说，LLM接口更原始，适合简单的文本生成；而Chat Model接口更现代、更强大，也更结构化，是目前构建应用的主流选择。

2.3 LangChain组件解析

今天我们将接触到以下几个核心组件：

模型接口 (Model Interfaces)

langchain_community.llms.Tongyi: 这是通义千问的LLM接口。它遵循“字符串进，字符串出”的原则。langchain_community.chat_models.ChatTongyi: 这是通义千问的Chat Model接口，我们在第一章已经用过。它使用消息列表作为输入。

消息类型 (Message Types)在使用Chat Model时，我们会用到不同的消息类型来构建对话历史，它们都来自 langchain_core.messages：

SystemMessage: 系统消息。通常放在对话的最开始，用来给AI设定一个“人设”或“总指令”。例如：“你是一位专业的Python编程助手。” 它帮助AI更好地定位自己的角色。HumanMessage: 用户消息。代表了由真实用户提出的问题或指令。AIMessage: AI消息。代表了AI之前的回复。在多轮对话中，将AI的旧回复和用户的新问题一起发过去，AI就能“记住”上下文了。

2.4 实战代码演练

确保你的环境中已经安装了必要的库，并且DASHSCOPE_API_KEY环境变量已正确设置。

# 如果还没安装或需要更新pip install langchain langchain_community dashscope

现在，让我们通过两个独立的演练来感受LLM和Chat Model的差异。

演练一：使用LLM接口 (Tongyi)

这个例子展示了最直接的文本补全功能。

# model_llm_example.pyfrom langchain_community.llms import Tongyidef llm_interface_example():    """演示如何使用基础的LLM接口"""    print("--- LLM接口演示 ---")        # 1. 实例化LLM模型    llm = Tongyi()        # 2. 准备输入（一个简单的字符串）    prompt = "天空为什么是蓝色的？"    print(f"用户提问：{prompt}")        # 3. 调用模型并获取回答（invoke的输入和输出都是字符串）    response = llm.invoke(prompt)        # 4. 打印回答    print("\nAI的回答是：")    print(response)if __name__ == "__main__":    llm_interface_example()

运行结果可能如下：

--- LLM接口演示 ---用户提问：天空为什么是蓝色的？AI的回答是：天空之所以呈现蓝色，主要是由于瑞利散射（Rayleigh scattering）现象。当太阳光穿过地球大气层时，会与大气中的微小分子（主要是氮气和氧气）发生碰撞。太阳光实际上是由不同颜色的光混合而成的，每种颜色的光都有不同的波长。蓝色和紫色的光波长较短，而红色和橙色的光波长较长。根据瑞利散射定律，光的散射强度与其波长的四次方成反比。这意味着波长越短的光，越容易被大气分子散射。因此，蓝色和紫色的光在大气中被散射的程度远大于其他颜色的光。这些被散射的蓝光和紫光会向四面八方传播，当我们仰望天空时，进入我们眼睛的就是这些被充分散射的光，所以我们看到的天空是蓝色的。

演练二：使用Chat Model接口 (ChatTongyi)

这个例子展示了如何通过消息列表，更结构化地与AI交互，并控制其输出风格。

# model_chat_example.pyfrom langchain_community.chat_models import ChatTongyifrom langchain_core.messages import HumanMessage, SystemMessagedef chat_model_interface_example():    """演示如何使用Chat Model接口，并设置AI角色"""    print("--- Chat Model接口演示 ---")        # 1. 实例化Chat Model    # 我们通过 temperature 参数控制输出的随机性。    # temperature=0.0 意味着输出会更确定、更保守。    # temperature=1.0 意味着输出会更具创造性、更多样。    chat = ChatTongyi(temperature=0.1)         # 2. 准备输入（一个消息列表）    messages = [        SystemMessage(content="你是一位古典诗人，你的回答必须用五言绝句的形式。"),        HumanMessage(content="请赞美一下程序员。")    ]        # 3. 调用模型并获取回答    response = chat.invoke(messages)        # 4. 打印回答    print("\nAI的回答是：")    print(response.content)if __name__ == "__main__":    chat_model_interface_example()

运行结果可能如下：

--- Chat Model接口演示 ---AI的回答是：黑屏映月华，指尖舞代码。万物皆可造，智慧传天下。

2.5 代码逻辑详解

演练一 (llm_interface_example)

llm = Tongyi(): 我们实例化的是Tongyi类，这是LLM接口。prompt = "...": 输入非常直接，就是一个普通的Python字符串。response = llm.invoke(prompt): invoke方法接收字符串，返回的response也是一个字符串。整个过程就像调用一个函数，简单明了。

演练二 (chat_model_interface_example)

chat = ChatTongyi(temperature=0.1): 我们实例化了ChatTongyi类。在实例化时，我们传入了一个重要参数temperature。它控制着模型回答的“创造性”。0.1是一个较低的值，意味着模型的回答会比较稳定和可预测。如果你想让它天马行空，可以试试0.9或1.0。messages = [...]: 这是与LLM接口最大的不同。我们的输入是一个列表，里面包含了不同类型的消息对象。SystemMessage(...): 我们用它来“导演”这场戏，给AI设定了一个“古典诗人”的角色。这个指令AI会一直记在心里。HumanMessage(...): 这是我们作为用户的实际提问。response = chat.invoke(messages): invoke方法接收的是消息列表。print(response.content): 返回的response是一个AIMessage对象，我们需要通过.content属性来获取其文本内容。

2.6 总结与思考

今天，我们深入了AI应用的大脑——模型。你现在应该清楚地理解了LangChain中两种模型接口的差异和各自的适用场景。

本章重点回顾：

LLM接口 (Tongyi)：简单直接，字符串输入，字符串输出。适合简单的文本生成任务。Chat Model接口 (ChatTongyi)：功能强大，结构清晰，消息列表输入，AI消息对象输出。是构建现代AI应用（尤其是对话式应用）的首选。消息类型：SystemMessage用于设定AI角色，HumanMessage用于用户提问，AIMessage用于记录AI回复。模型参数：我们可以通过temperature等参数，精细地控制模型的行为。

思考与练习：现在，轮到你来扮演“导演”了！请尝试修改演练二中的SystemMessage，赋予AI一个全新的、有趣的身份，然后向它提问，看看会发生什么奇妙的化学反应。

例如，试试下面这些“人设”：

SystemMessage(content="你是一个非常谨慎的安全专家，回答任何问题前都要先强调潜在的风险。")SystemMessage(content="你是一只来自喵星的猫，说话时总会加上‘喵~’。")

这个小练习将让你深刻体会到SystemMessage的威力，以及Chat Model在构建可定制化AI应用时的巨大潜力。

在下一章，我们将学习如何让提问变得更加灵活和动态——欢迎来到**提示模板（Prompt Templates）**的世界！