Models（模型）的连接
目前LangChain有两种与大语言模型连接的核心方法，对应两种抽象的接口：LLM 和 ChatModel ，分别对接“文本补全型”和“对话聊天型”大语言模型。
- 基础文本生成接口（LLM），这种接口连接方式官方已经不再推荐使用，下面我来简单说明：
在LangChain中，LLM接口的用途为纯文本补全（text completion）模型。输入输出都是字符串，典型的就是用于旧版 GPT-3（如 text-davinci-003）、某些本地模型（如通过 Hugging Face pipeline 加载的非聊天模型）。
为什么说是非聊天模型？在 LangChain（以及现代 LLM API）中，“聊天格式”（chat format）特指 以“消息列表（list of messages）”作为输入，每条消息带有角色（role） ，例如：
[
SystemMessage(content="你是一个数学老师。"),
HumanMessage(content="2+2等于多少？"),
AIMessage(content="2+2等于4。"),
HumanMessage(content="那 3+3 呢？")
]
这种格式源于 OpenAI 的 Chat Completions API，其底层请求结构是：
{
"model": "gpt-4o",
"messages": [
{"role": "system", "content": "你是一个数学老师。"},
{"role": "user", "content": "2+2等于多少？"},
{"role": "assistant", "content": "2+2等于4。"}
]
}
这就是支持聊天格式的模型：能理解 system/user/assistant 等角色，并据此生成上下文连贯的回复。
而不支持聊天格式的模型：只接受一个纯字符串作为输入，比如 "2+2等于多少？"，没有角色、没有对话历史的概念。比如：
输入："法国的首都是"
输出："巴黎。"
这种模式，它可能能勉强续写，但这不是“原生支持聊天格式”，而是靠你手动构造 prompt 模拟对话。
- LangChain的第二种模型连接方式，通过ChatModel（聊天对话接口），也是官方主推的一种，通过ChatOpenAI和init_chat_model两种方法来连接模型，下面通过代码来展示使用方法：
from langchain_openai import ChatOpenAI # 模型交互工具
from langchain_core.messages import HumanMessage # 用户消息载体
import os # 系统环境工具
from dotenv import load_dotenv # 环境变量加载工具
# 加载环境变量
load_dotenv()
# 初始化模型，设置参数
chat = ChatOpenAI(
model="deepseek-chat",
streaming=True, # 流式响应
temperature=0.7, # 模型温度（0-1之间，越高越随机，越低越严谨）
max_tokens=1000, # 模型生成的最大token数
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL")
)
# 发送消息与打印内容
response = chat.invoke([HumanMessage(content="你好，介绍一下你自己")])
print(response.content)
这是一个使用ChatOpenAI的简单示例，该类适用于API接口兼容 OpenAI 规范的模型（如 DeepSeek），因为这些模型遵循了 OpenAI 的请求/响应格式，通过ChatOpenAI和自定义base_url/api_key 适配。但是，不是所有的模型接口都兼容OpenAI，所以，LangChain开发了一个统一的方法：init_chat_model，该方法适用于官方适配的绝大多数主流模型提供商（如 OpenAI、DeepSeek、Anthropic 等），示例如下：
from langchain_core.output_parsers import StrOutputParser
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
# 加载项目根目录的 .env，确保可读取 DEEPSEEK_API_KEY
load_dotenv()
# 自动适配底层 API，无需手动配置 base_url
model = init_chat_model(model="deepseek-chat", model_provider="deepseek")
# 直接使用模型 + 输出解析器搭建一个链
basic_qa_chain = model | StrOutputParser()
# 测试链
response = basic_qa_chain.invoke("你好，介绍一下你自己")
print(response)
以上两种都是 ChatModel 接口的具体实现方式，核心差异集中在兼容性和配置复杂度上，具体对比如下：
| 对比维度 | ChatOpenAI 类 | init_chat_model 方法 |
|---|---|---|
| 核心定位 | 适配 OpenAI 规范的专属工具 | 兼容多厂商的通用工具 |
| 适用场景 | 连接 API 兼容 OpenAI 规范的模型（如 DeepSeek、GPT 系列） | 连接 LangChain 官方适配的主流模型（OpenAI、DeepSeek、Anthropic 等） |
| 兼容性 | 仅支持 OpenAI 规范兼容模型，小众模型可能失效 | 覆盖绝大多数主流厂商，兼容性更广 |
| 配置复杂度 | 需手动指定 base_url 和对应厂商 API 密钥 | 仅需指定 model 和 model_provider，自动适配底层配置 |
| 参数控制粒度 | 可精细控制 OpenAI 规范相关参数（如 streaming、frequency_penalty） | 以通用参数为主，厂商特有参数需通过 **kwargs 传递 |
| 切换模型成本 | 切换非 OpenAI 规范模型时，需重新适配配置 | 切换模型仅需修改 model 和 model_provider 参数 |
| 上手难度 | 需了解目标模型的 OpenAI 兼容情况，略高 | 无需关注底层 API 差异，上手更简易 |
通过以上的对比结果，我们得出两点建议
- 若你使用的模型明确兼容 OpenAI 规范（如 DeepSeek、GPT-3.5/4 系列），且需要精细控制模型参数，优先选 ChatOpenAI 类；
- 若你需要频繁切换不同厂商的模型（如今天用 DeepSeek、明天用 Anthropic Claude），或不确定模型是否兼容 OpenAI 规范，优先选 init_chat_model 方法，效率更高、兼容性更有保障。
