跟我学LangChain：模型包装器，一站式解锁多平台AI能力
随着 AI 技术的飞速发展，各大科技公司都推出了自己的大语言模型，从 OpenAI 的 GPT 系列到 Google 的 Gemini ，从国内的智谱 GLM 到阿里的通义千问，模型生态百花齐放。然而，对于开发者而言，如何在这些各异的模型平台之间灵活切换和统一管理，却成了一个需要解决的难题。【AI大模型教程】
LangChain 通过精心设计的模型封装机制，为开发者提供了统一的编程接口。无论是调用 OpenAI 的 GPT-4 还是本地的 Ollama 模型，无论是使用智谱 AI 还是百度文心一言，开发者都可以通过几乎相同的代码格式进行调用。
01
—
模型包装器的分类
LangChain 是通过“模型包装器”，并基于各个模型平台的 API 协议，进行统一封装的。主要提供两种类型的包装器：一种是通用的 LLM 模型包装器；一种是专门针对 Chat 类型的 Chat Model（聊天模型包装器）。
1、LLM 模型包装器
该包装器位于 langchain.llms（或 langchain_community.llms） 模块下，用于封装以文本字符串作为输入并返回文本字符串的模型。
这些 LLM 模型包装器都继承自 BaseLLM 类，适用于文本生成、文本翻译等任务。
2、聊天模型包装器
该包装器位于 langchain.chat_models（或 langchain_community.chat_models） 模块下，专门为“聊天式” API 设计。
这些聊天模型包装器都继承自 BaseChatModel 类，并需要以消息列表（如 SystemMessage, HumanMessage）作为输入，返回 AIMessage。这更适用于多轮对话场景，当然也是目前更主流的用法。
3、两类包装器的比较
1、输入的区别
LLM 模型包装器，输入是单一的字符串提示词（prompt）；
聊天模型包装器，输入是一系列的消息列表，通常带有 role（角色）和 content（内容）。
2、输出的区别
LLM 模型包装器，输出是一个字符串；
聊天模型包装器，输出是一个消息。
虽然，这两类包装器有所不同，但为了使它们能混合使用，它们都实现了基础模型接口，这个接口公开了两个常用方法：
（1）predict：接收一个字符串并返回一个字符串。
（2）predict_messages:接收一则消息并返回一则消息。
诀窍：两类包装器有个很好的理解方式，就是根据命名理解和调用。聊天包装器都含有 Chat（不过根据字母的排序，可能在前，可能在后，也可能在中间）。
02
—
模型生态
目前，LangChain 已经建立了极其丰富的模型生态系统：
- 国际主流平台：OpenAI、Anthropic Claude、Google Gemini、Microsoft Azure OpenAI 等。
- 云服务商解决方案：AWS Bedrock、Google Vertex AI 等。
- 开源模型生态：通过 Hugging Face Hub 和 Ollama支持数千种开源模型。
- 国内优秀模型：智谱 AI、百度文心一言、阿里通义千问、腾讯混元等。
从langchain.llms源码可以看到：
从langchain.chat_models源码可以看到：
以上截图不是全部，大家可以自行查看。
03
—
模型包装器开发示例
1、安装 Python 包
pip install openai langchain
2、LLM 模型包装器
（1）调用的本地 Ollama 服务的 Deepseek 模型
from langchain.llms import Ollama
或者
from langchain_community.llms.ollama import Ollama
llm = Ollama(model='deepseek-r1:7b')
（2）调用的 OpenAI
from langchain.llms import OpenAI
OpenAI.openai_api_key="xxx"
llm = OpenAI()
密钥管理可以参考：跟我学LangChain：入门指南，基于LLM构建强大AI应用的“魔法框架”
3、聊天模型包装器
其核心是要理解输入消息和输出消息。
from langchain_community.chat_models.ollama import ChatOllama
from langchain.schema import (
AIMessage,
HumanMessage,
SystemMessage
)
chat = ChatOllama(model="deepseek-r1:7b")
messages = [
SystemMessage(content="你是个旅游博主，了解全国的旅游景点"),
HumanMessage(content="帮我推荐一下上海有哪些两日游的景点")
]
resp = chat(messages)
print(resp.content, end='\n')
解析：
（1）相比 LLM 模型包装器，聊天包装器要更复杂一些。需要符合 AIMessage、HumanMessage、SystemMessage 这 3 种数据格式。这样设计的目的是提供一种标准，通过一致的标准可以便于数据的存储以及传输。
（2）在每个消息对象，都有一个 content 属性，用于存储实际的消息内容。
（3）调用 chat(messages) 后，Chat 模型包装器会接受消息列表，按照数据格式序列化后发送到服务器，服务器处理这些消息后，会生成 AI 回应，将这个回应发送回 Chat 模型包装器，Chat 模型包装器接受回应，回应组装为一个 AIMessage 对象，可以通过 resp.content 获取内容。
LLM 模型包装器的使用相对简单些，主要处理那些单一输入就可以完成的任务，比如文本翻译等。
聊天模型包装器使用起来相对复杂些，但它更有规范性，有标准的数据格式，同时，这样设计能处理复杂的对话场景，可以支持多轮对话，后续也能更好的引入历史对话等，让对话带有上下文，生成更好的响应。
