LangChain模型调用

weixin_61074074

491人浏览 · 2026-07-09 12:20:31

weixin_61074074 · 2026-07-09 12:20:31 发布

LangChain 基础介绍 #Term

LangChain：连接 Python 与各大大模型厂商的胶水框架，统一封装模型调用、智能体、RAG 等能力，兼容阿里云百炼、DeepSeek、OpenAI 等所有兼容 OpenAI 接口的模型。

官网地址：https://docs.langchain.com/ 中文文档：docs.langchain.org.cn/oss/

一、环境安装配置

1. 配置国内清华 pip 源（加速下载）

shell

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

2. 必备依赖包

shell

pip install langchain langchain-openai openai python-dotenv langchain-core

二、大模型调用三件套

1. 阿里云百炼平台接入

平台地址：https://bailian.console.aliyun.com/cn-beijing#/home

前置准备

获取 API Key（平台密钥管理页面生成）
获取业务空间 WorkspaceId（控制台业务空间域名内标识）
选择平台内置模型：qwen-plus、qwen3.7-max 等（不支持 DeepSeek 系列）

写法 1：LangChain 0.3 旧版 ChatOpenAI

python

运行

#1.导入依赖
from langchain_openai import ChatOpenAI
from openai import OpenAI
import os
from dotenv import load_dotenv

# 加载.env环境变量，解决中文乱码
load_dotenv(encoding='utf-8')

# 读取配置
workspace_id = os.getenv("ALI_WORKSPACE_ID")
llm = ChatOpenAI(
    model='qwen-plus',
    api_key=os.getenv('QWEN_API_KEY'),
    # 拼接完整合法接口地址
    base_url=f'https://{workspace_id}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1'
)

# 调用模型
response = llm.invoke("你是谁")
print(response) # 完整元数据对象
print(response.content) # 仅打印模型回答文本

写法 2：LangChain 1.0 新版 init_chat_model（推荐）

python

运行

#1导入依赖
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

# 加载环境变量
load_dotenv(encoding="utf-8")

#2.实例化模型
model = init_chat_model(
    model='qwen-plus',
    model_provider='openai',
    api_key=os.getenv('aliQwen-api'),
    base_url='https://{你的WorkspaceId}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1'
)

#3.调用模型
print(model.invoke('你是谁').content)
print("*" * 50)

[!tip] 多模型共存思路：同一项目可同时初始化多个厂商模型，业务层统一封装调度，按需切换调用。

2. DeepSeek 模型接入

官方平台：https://platform.deepseek.com/usage 核心要点：独立接口地址，密钥与阿里云不通用，阿里云百炼无法调用 DeepSeek 模型。

python

运行

#1导入依赖
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv(encoding="utf-8")

#2.实例化模型
model = init_chat_model(
    model='deepseek-v4-flash',
    model_provider='openai',
    api_key=os.getenv('DEEPSEEK_API_KEY'),
    base_url='https://api.deepseek.com/v1'
)

#3.调用模型
print(model.invoke('你是谁').content)
print("*" * 50)

三、通用 .env 配置文件（统一管理密钥，禁止硬编码）

env

# 阿里云百炼配置
QWEN_API_KEY=sk-xxx
ALI_WORKSPACE_ID=ws-xxx
aliQwen-api=sk-xxx

# DeepSeek配置
DEEPSEEK_API_KEY=sk-xxx
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DEEPSEEK_MODEL=deepseek-v4-flash

# LLM全局推理参数
LLM_TIMEOUT=60
LLM_TEMPERATURE=0.7

四、两种模型调用方式 #Term

同步调用 invoke () 一次性请求，等待模型生成完整文本后统一返回；适合短问答，长文本会阻塞等待，无实时打字效果。
流式调用 stream ()【重点】 模型分段输出文本分片 chunk，循环实时读取；前端交互体验更好，避免长时间空白卡顿。使用模板：

python

运行

for chunk in model.stream("提问内容"):
    print(chunk.content, end="")

五、企业级强制编码规范 #Rule

日志规范 禁止使用 print 输出业务日志，统一使用logging模块；分级打印 INFO/DEBUG/ERROR，携带时间戳方便线上排错。
环境变量管理 密钥、接口地址全部存入.env，禁止硬编码；代码启动时必须做非空校验，密钥缺失直接抛出清晰异常；.env 加入.gitignore 不提交代码仓库。
模型初始化封装 统一封装init_llm_client()函数，集中管理模型名称、超时、温度等参数，全局复用。
分层精细化异常捕获 区分配置异常、网络异常、接口业务错误；识别常见错误码：401 密钥失效、402 账户余额不足、404 模型不存在。
程序入口保护 使用if __name__ == "__main__":包裹主逻辑，避免文件被导入时自动执行；顶层全局 try-except 兜底，防止程序崩溃。

六、LangChain 架构版本对比 #Compare

表格

版本时代	架构模式	执行特点	扩展机制
v0.x 旧版	Chain 链式	线性串联流程，不支持分支、循环	Hooks 钩子
v1.0 新版	LangGraph 图状	支持分支、循环、任务回溯	Middleware 中间件

七、企业级标准完整代码 #Code

python

运行

import os
import logging
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langchain_core.language_models import BaseChatModel
from openai import APIStatusError, APIConnectionError

# 1. 全局日志标准化配置
logging.basicConfig(
    level=logging.INFO,
    format="%(asctime)s - %(levelname)s - %(message)s",
    datefmt="%Y-%m-%d %H:%M:%S"
)
logger = logging.getLogger("LLM-Service")

# 2. 加载并校验环境变量
def load_env_config() -> dict:
    load_dotenv(encoding="utf-8")
    config = {
        "api_key": os.getenv("DEEPSEEK_API_KEY"),
        "base_url": os.getenv("DEEPSEEK_BASE_URL", "https://api.deepseek.com/v1"),
        "model_name": os.getenv("DEEPSEEK_MODEL", "deepseek-v4-flash"),
        "timeout": int(os.getenv("LLM_TIMEOUT", 60)),
        "temperature": float(os.getenv("LLM_TEMPERATURE", 0.7))
    }
    if not config["api_key"]:
        raise ValueError("DEEPSEEK_API_KEY 未配置，请检查项目.env文件")
    logger.info("环境变量加载校验完成")
    return config

# 3. 统一封装模型初始化函数
def init_llm_client(config: dict) -> BaseChatModel:
    logger.info(f"初始化模型：{config['model_name']}")
    llm = init_chat_model(
        model=config["model_name"],
        model_provider="openai",
        api_key=config["api_key"],
        base_url=config["base_url"],
        timeout=config["timeout"],
        temperature=config["temperature"]
    )
    logger.info("模型客户端初始化成功")
    return llm

# 4. 同步调用业务方法
def sync_chat(llm: BaseChatModel, query: str) -> str:
    logger.info(f"同步调用，提问：{query}")
    resp = llm.invoke(query)
    logger.info("同步调用完成")
    return resp.content

# 5. 流式输出业务方法
def stream_chat(llm: BaseChatModel, query: str):
    logger.info(f"流式调用，提问：{query}")
    full_text = ""
    for chunk in llm.stream(query):
        chunk_txt = chunk.content
        full_text += chunk_txt
        logger.debug(f"流式分片：{chunk_txt}")
        yield chunk_txt
    logger.info(f"流式输出结束，总文本长度：{len(full_text)}")

# 6. 程序入口 + 全局异常捕获
if __name__ == "__main__":
    user_question = "请介绍一下LangGraph"
    try:
        env_cfg = load_env_config()
        llm_client = init_llm_client(env_cfg)

        # 同步调用演示
        logger.info("========== 同步 invoke 调用 ==========")
        sync_result = sync_chat(llm_client, user_question)
        logger.info(f"同步返回结果：\n{sync_result}")

        # 流式调用演示
        logger.info("========== 流式 stream 调用 ==========")
        stream_total = ""
        for piece in stream_chat(llm_client, user_question):
            stream_total += piece
        logger.info(f"流式完整内容：\n{stream_total}")

    except ValueError as ve:
        logger.error(f"配置参数异常：{str(ve)}")
    except APIStatusError as se:
        if se.status_code == 402:
            logger.error("调用失败：账户余额不足，请充值后重试")
        elif se.status_code == 401:
            logger.error("调用失败：API密钥无效或已过期")
        elif se.status_code == 404:
            logger.error("调用失败：模型名称不存在，请核对参数")
        else:
            logger.error(f"接口异常，状态码：{se.status_code}")
    except APIConnectionError:
        logger.error("网络异常，无法连接模型服务商接口")
    except Exception as e:
        logger.error(f"程序未知异常：{str(e)}", exc_info=True)

八、高频报错汇总 #Error

ValueError: DEEPSEEK_API_KEY 未配置 原因：.env 文件缺失、变量名写错、未执行load_dotenv()加载配置
402 Insufficient Balance DeepSeek 账户余额不足；可切换阿里云百炼使用免费额度测试
401 鉴权失败 API 密钥复制错误、密钥过期、密钥权限不足
404 模型不存在 模型名称拼写错误；阿里云接口地址不可调用 DeepSeek 模型

九、配套 .gitignore 企业规范

plaintext

# 敏感环境配置
.env
.env.*
# 虚拟环境目录
.venv/
venv/
# Python缓存文件
__pycache__/
*.pyc
# 日志文件
*.log
logs/

DeepSeek技术社区

欢迎加入DeepSeek 技术社区。在这里，你可以找到志同道合的朋友，共同探索AI技术的奥秘。

更多推荐

EdgeOne Makers Agents 实战指南：分钟级上线你的第一个智能 Agent

DeepSeek技术社区

推荐一款开源项目｜Claude Code工程最佳实践，专注单点登录、开放平台、后台管理解决方案

DeepSeek技术社区

Claude Code Skills 怎么写：5 种工作流模式与 MCP 分工

从 Prompt、Agent Skills 与 MCP 的分工出发，给出 Claude Code 可复用工作流的 5 种设计模式、最小 SKILL.md 示例、退出条件和常见反模式，适合需要把 AI 编程流程工程化的开发者。

DeepSeek技术社区

所有评论(0)

查看更多评论

weixin_61074074

@weixin_61074074

已为社区贡献2条内容

LangChain模型调用

weixin_61074074

LangChain 基础介绍 #Term

一、环境安装配置

1. 配置国内清华 pip 源（加速下载）

2. 必备依赖包

二、大模型调用三件套

1. 阿里云百炼平台接入

前置准备

写法 1：LangChain 0.3 旧版 ChatOpenAI

写法 2：LangChain 1.0 新版 init_chat_model（推荐）

2. DeepSeek 模型接入

三、通用 .env 配置文件（统一管理密钥，禁止硬编码）

四、两种模型调用方式 #Term

五、企业级强制编码规范 #Rule

六、LangChain 架构版本对比 #Compare

七、企业级标准完整代码 #Code

八、高频报错汇总 #Error

九、配套 .gitignore 企业规范

所有评论(0)

温馨提示：您尚未绑定手机号

weixin_61074074