一个 AI 应用的核心就是它所依赖的大语言模型，LangChain 框架本身不内置任何大模型，但它通过定义统一的接口规范，可以将各种第三方大语言模型接入进来。本文将详细介绍如何在 LangChain 中接入大语言模型，以及如何使用不同的大语言模型。
一、Model的分类
LangChain中将大语言模型分为：文本生成模型（LLMs） 和支持多轮对话的聊天模型（Chat models） 。
聊天模型：接受消息输入，并且输出消息，返回的消息封装为不同类型的 BaseMessage 实例， LangChain 也允许聊天模型以字符串作为输入。这样做可以轻松地用聊天模型代替 LLMs，当以字符串作为输入时，该字符串会被转换为 HumanMessage ，然后传递给底层聊天模型。
文本生成模型：接受字符串输入，并且输出字符串，LangChain 也允许文本模型也以“消息”作为输入，从而与聊天模型的接口保持一致。当以消息作为输入时，这些消息会在传递给LLM之前被转换为字符串。
在 LangChain 的类结构中，顶层基类是 BaseLanguageModel，用于定义模型的通用接口。它分为两支：BaseChatModel 和 BaseLLM。接入聊天模型时需继承 BaseChatModel，如常用的 ChatOpenAI；而文本生成模型则继承 BaseLLM，如 OpenAI。
二、Chat Model聊天模型
在构建聊天模型时，有一些标准化参数：
| 参数名 | 参数含义 |
|---|---|
| model | 指定使用的大语言模型名称（如 "gpt-4"、"gpt-3.5-turbo" 等） |
| temperature | 温度，温度越高，输出内容越随机；温度越低，输出内容越确定 |
| timeout | 请求超时时间 |
| max_tokens | 生成内容的最大token数 |
| stop | 模型在生成时遇到这些“停止词”将立刻停止生成，常用于控制输出的边界。 |
| max_retries | 最大重试请求次数 |
| api_key | 大模型供应商提供的API秘钥 |
| base_url | 大模型供应商API 请求地址 |
以上的标准参数，也只是适用于部分的大语言模型，有些参数在特定模型中可能是无效的，这些标准化参数仅对 LangChain 官方提供集成包的模型（如 langchain-openai、langchain-anthropic）生效，在langchain-community包中的第三方模型，则不需要遵守这些标准化参数的规则。
ChatOpenAI完整示例：
import dotenvfrom langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAI# 读取env配置dotenv.load_dotenv()# 1.构建提示词prompt = ChatPromptTemplate.from_messages([ ("system", "你是一个资深的Python开发工程师"), ("human", "{question}")])# 2.创建模型llm = ChatOpenAI()# 3.生成提示词prompt_value = prompt.invoke({"question": "请你帮我写一个求最大公约数方法"})# 4.大模型接受promptValue，输出AI消息aiMessage = llm.invoke(prompt_value)# 5.打印AI消息和AI消息内容print(aiMessage.content)执行结果如下：
好的！求最大公约数（GCD）可以用欧几里得算法，这是一种高效的算法。下面是用 Python 实现的代码：```pythondef gcd(a, b): while b: a, b = b, a % b return a```### 解释：- 这个方法使用了 **欧几里得算法**，通过反复取模来缩小问题的规模，直到 `b` 为 0。- 当 `b` 为 0 时，`a` 就是两个数的最大公约数。你可以用这个函数来求两个数的最大公约数。例如：```pythonprint(gcd(56, 98)) # 输出：14```这种方法的时间复杂度是 (O(\log(\min(a, b))))，非常高效。三、LLM文本生成模型
LLM文本生成模型使用方式如下：
import dotenvfrom langchain_core.prompts import PromptTemplatefrom langchain_openai import OpenAI# 读取env配置dotenv.load_dotenv()# 1.构建提示词prompt = PromptTemplate.from_template("{question}")# 2.创建模型llm = OpenAI()prompt_value = prompt.invoke({"question": "请完整输出悯农这首诗"})# 3.文本生成模型接受promptValue，并输出结果print(llm.invoke(prompt_value))执行结果：
《悯农》是唐代诗人李绅创作的一首诗，原文如下：**悯农**锄禾日当午， 汗滴禾下土。 谁知盘中餐， 粒粒皆辛苦。这首诗通过描写农民在烈日下辛勤耕作的情景，表达了对农民劳动的同情与敬意。四、Message组件
在之前介绍聊天模型ChatOpenAI的案例中，调用模型后返回了一条AI消息，在LangChain中，消息有几种不同的类型。所有消息都有 type 、 content 、 response_metadata 等属性。
下面是这几个属性的作用：
| 属性名 | 属性作用 |
|---|---|
| type | type 描述了是哪个类型的消息，包含类型有"user"、"ai"、"system" 和 "tool" |
| content | 通常是字符串，有些情况下可能是字典列表，这个字典列表用于大模型的多模态输出。 |
| name | 用来区分当消息类型相同，对消息进行区分，但不是所有模型都支持这一功能。 |
| response_metadata | AI消息才会包含的属性，大语言模型的响应中附加元数据，根据不同模型会有不同，如可能会包含本次 token 使用量等信息。 |
| tool_calls | AI消息才会包含的属性，当大语言模型决定调用工具时，在 AIMessage 中就会包含这个属性，可以通过 .tool_calls 属性进行获取该属性返回一个 ToolCall 列表，每个 ToolCall 是一个字典，包含以下字段： name : 应调用的工具名称 args : 调用工具的参数 id : 工具调用的唯一标识 ID |
根据消息类型的不同， Message组件被分为：
HumanMessage：人类消息，type为"user"
AIMessage： AI 消息，type为"ai"
SystemMessage：系统消息，type为"system"，告诉大模型当前的背景是什么，应该如何做，并不是所有模型提供商都支持这个消息类型
ToolMessage：工具消息，type为"tool"
FunctionMessage：旧的函数调用消息类型，现已被 ToolMessage 取代。
五、使用其他大语言模型
除了使用OpenAI的大语言模型之外，LangChain还可以使用很多的大语言模型，下面我们以接入阿里巴巴的通义千问聊天模型为例。
首先，申请阿里云百炼平台API KEY：
在.env文件中，加入阿里云百炼平台的API Key
# 阿里云百炼平台API KEYDASHSCOPE_API_KEY=sk-***********************安装依赖包
pip install dashscope调用通义千问模型示例如下：
import dotenvfrom langchain_community.chat_models import ChatTongyifrom langchain_core.prompts import PromptTemplate# 读取env配置dotenv.load_dotenv()# 1.构建提示词prompt = PromptTemplate.from_template("{question}")# 2.构建通义模型tongyi_chat = ChatTongyi( model="qwen-turbo-2025-04-28")prompt_value = prompt.invoke({"question": "请完整输出短歌行"})# 3.文本生成模型接受promptValue，并输出结果print(tongyi_chat.invoke(prompt_value).content)执行结果：
《短歌行》是东汉末年曹操所作的一首乐府诗，全诗如下：---**短歌行** **曹操**对酒当歌，人生几何！ 譬如朝露，去日苦多。 慨当以慷，忧思难忘。 何以解忧？唯有杜康。 青青子衿，悠悠我心。 但为君故，沉吟至今。 呦呦鹿鸣，食野之苹。 我有嘉宾，鼓瑟吹笙。 明明如月，何时可掇？ 忧从中来，不可断绝。 越陌度阡，枉用相存。 契阔谈讌，心念旧恩。 月明星稀，乌鹊南飞。 绕树三匝，何枝可依？ 山不厌高，海不厌深。 周公吐哺，天下归心。---这首诗表达了诗人对人生短暂的感慨、对贤才的渴求以及统一天下的雄心壮志。接入更多模型的文档在LangChain官网的Integrations中
在 LangChain Integrations 页面点击“More”进行查找
找到阿里巴巴
在这里就可以看到接入ChatTongyi等模型的文档了，点击API Reference，查看具体文档。
开发者可以根据文档说明，快速集成各类主流和国产大语言模型。
六、总结
本文详细介绍了 LangChain 中模型组件（Model）的使用方法与设计思路，首先从模型的分类开始，分析了文本生成模型和聊天模型的区别，接下来通过具体的代码示例，来演示聊天模型ChatOpenAI和文本生成模型OpenAI的基本用法。
我们还学习了聊天模型输入输出都要用到的Message组件，了解了 Message 组件的几种类型（如 HumanMessage、AIMessage、SystemMessage、ToolMessage），最后，我们以接入阿里巴巴的通义千问的聊天模型为例，展示如何在LangChain中接入其他第三方模型。
总的来说，LangChain 在模型接入方面做了大量抽象，可以灵活支持 OpenAI、Anthropic、阿里通义千问、百度文心一言等主流模型。通过本文，相信你已经理解Model组件的设计思想和使用方法，后续将继续深入介绍LangChain的核心模块和高级用法，敬请期待。
