系列文章

LangChain 1.0 入门（一）：Runnable 统一接口全解析（含完整代码+逐行输出解读）
LangChain 1.0 入门（二）：LangChain 全模型标准化接入最佳实践（小白参数详解版）
LangChain 1.0 入门（三）：稳定性双核心——重试机制+速率限速器参数详解与实战

前言

很多新手在用 LangChain 调用大模型时，最大的困惑不是不会写代码，而是参数不知道怎么填、BASE_URL 乱填、API_KEY 不知道去哪拿、模型名字写错一直报错。

本文严格遵循「先学各厂商原生写法 → 理解痛点 → 再学通用统一方案」的逻辑，所有参数逐行小白级讲解，不跳过、不省略，零基础也能直接复制跑通。

一、前置必懂：LLM 与 ChatModel（90%新手报错源头）

LangChain 所有模型只分两类，决定你最后要不要写 .content：

  • LLM 文本模型：老式文本补全模型，返回结果是「纯字符串」，直接 print，不用 .content。
    常见：原生 OpenAI、OllamaLLM。

  • ChatModel 对话模型：新式对话模型，返回结果是「对象」，必须 .content 才能拿到文字，否则打印的是内存地址。
    常见：ChatOpenAI、ChatDeepSeek、ChatTongyi、ChatOllama（本文绝大多数都是这类）。

二、各模型「原生专属调用」代码 + 逐行参数详解

这一章是最基础、最正统的官方写法，每个模型单独导入、单独配置，我会把每一个参数是干嘛的、怎么填、填错会怎样全部讲清楚。

1. DeepSeek 原生调用（两种写法详解）

写法一：专属模型 ChatDeepSeek
from langchain_deepseek import ChatDeepSeek

# 模型初始化：所有参数小白级解释
model = ChatDeepSeek(
    model="deepseek-chat",   # 必填：模型名，固定填 deepseek-chat
    temperature=0.0,        # 创造性：0=最严谨、不瞎编；1=最放飞，写代码建议0
    max_tokens=512,         # 最大输出字数：限制单次回答最长长度
    timeout=30,             # 超时时间：30秒没返回直接报错断开
)

result = model.invoke("你好，请你介绍一下你自己。")
print(result.content) # ChatModel 必须加 .content

参数小白答疑

  • model：DeepSeek 通用对话模型固定名称，不要乱改

  • temperature：做题、写代码、问答 一律 0；写文案、脑洞创作 0.7~1.0

  • max_tokens：数值越大回答越长，耗钱越多

  • timeout：网络差可以改 60，防止超时失败

写法二：官方通用工厂 init_chat_model
from langchain.chat_models import init_chat_model

# 只需要填模型名+厂商，其他默认最优配置
model = init_chat_model(
    "deepseek-chat",
    model_provider="deepseek",
)

result = model.invoke("你好，请你介绍一下你自己。")
print(result.content)

适用场景：只是简单调用、不需要精细调参，快速上线用这个。

2. 通义千问（阿里）原生调用

from langchain_community.chat_models.tongyi import ChatTongyi

# 无参默认：自动调用 qwen-turbo 极速对话模型
model = ChatTongyi()

result = model.invoke("你好，请你介绍一下你自己。")
print(result.content)

小白说明：通义千问原生封装最简单，无需手动填密钥和地址，会自动读取本地环境变量。

3. OpenAI 原生调用（LLM / ChatModel 对比精讲）

① 老式 LLM（文本补全）
from langchain_openai import OpenAI

llm = OpenAI(model="gpt-4o-mini")
result = llm.invoke("你好，请你介绍一下你自己。")
print(result) # LLM 直接打印，不用 .content
② 新式 ChatOpenAI（对话，主流）
from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o-mini")
result = model.invoke("你好，请你介绍一下你自己。")
print(result.content) # ChatModel 必须加

小白区分口诀：带 Chat 的要 .content，不带 Chat 的直接打印。

4. Ollama 本地模型原生调用（本地离线）

① OllamaLLM（文本）
from langchain_ollama import OllamaLLM

llm = OllamaLLM(model="deepseek-r1:8b")
result = llm.invoke("你好，请你介绍一下你自己。")
print(result)
② ChatOllama（对话，推荐）
from langchain_ollama import ChatOllama

# model 填写你本地 ollama pull 下载的模型名
model = ChatOllama(model="deepseek-r1:8b")
result = model.invoke("你好，请你介绍一下你自己。")
print(result.content)

小白重点：model 名字必须和本地下载的一模一样，大小写、后缀 8b/7b 错一个都报错。

5. vLLM 本地推理服务原生调用（重点参数详解）

vLLM 没有专属 LangChain 类，本质就是伪装成 OpenAI 接口，所以用 ChatOpenAI 接入。

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="qwen-32b-chat",         # 你本地vLLM部署的模型名称
    base_url="http://localhost:8000/v1", # 本地服务地址
    api_key="EMPTY",               # vLLM不需要密钥，固定填EMPTY
    max_retries=5,                 # 失败重连5次
    timeout=120.0,                 # 本地大模型慢，超时设2分钟
)

result = model.invoke("你好，请你介绍一下你自己。")
print(result.content)

参数逐行解释

  • base_url：必须带 /v1，少后缀直接 404

  • api_key：固定 EMPTY，不用自己申请

  • timeout：本地 32B/70B 模型推理很慢，必须开大

6. embedding模型调用

# 1. 使用init_embeddings初始化嵌入模型
from langchain.embeddings import init_embeddings

# 2. 初始化OpenAI的text-embedding-3-small嵌入模型
embedding = init_embeddings(model="text-embedding-3-small",provider="openai")   

# 3. 将文本转换为向量表示
res = embedding.embed_query("Hello world")    

# 4. 打印向量的前10个元素
print(res[:10])

三、原生写法最大痛点（为什么一定要学统一方案）

  • 每个模型导入不同包，代码乱七八糟

  • 换一个模型就要改一遍初始化代码

  • 有的要 .content、有的不要，新手永远报错

  • 私有化、本地模型无法统一管理

四、全网通用统一方案（一套代码跑所有模型）超详细参数教学

核心真理：现在 99% 的大模型都兼容 OpenAI 接口格式。
所以我们只需要用ChatOpenAI 这一个类，通过修改 3 个核心参数，通吃：OpenAI、DeepSeek、通义千问、智谱、Ollama、vLLM。

1. 依赖安装（新手必看）

pip install python-dotenv langchain-openai

易错点：是 python-dotenv，不是 dotenv，装错直接报错。

2. 通用核心代码（所有参数逐行讲解）

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

# 读取项目里的 .env 配置文件，把参数加载到程序中
load_dotenv(".env")

# 通用模型初始化【最重要的四个参数】
model = ChatOpenAI(
    # 1. 接口地址：不同厂商唯一区别，必须带 /v1
    base_url=os.getenv("BASE_URL"),
    # 2. 密钥：云端模型填官网key，本地模型随便填
    api_key=os.getenv("API_KEY"),
    # 3. 模型名：对应厂商的模型名称
    model=os.getenv("MODEL_NAME"),
    # 4. 可选参数：创造性、最大长度、超时时间
    temperature=float(os.getenv("TEMPERATURE", 0.7)),
    max_tokens=int(os.getenv("MAX_TOKENS", 2048)),
    timeout=int(os.getenv("TIMEOUT", 120)),
)

if __name__ == "__main__":
    question = "你好，请你介绍一下你自己。"
    result = model.invoke(question)
    print(result.content)

embedding模型同样也支持兼容OpenAI接口的API接入

init_embeddings(
    model=model,    # 模型名称
    provider=provider,    # 模型提供商
    base_url=base_url    # 自定义API服务器地址
)

3. 四大核心参数【小白终极填表指南】

你只需要弄懂这 4 个参数，全网模型全会接：

  • BASE_URL：模型服务商的统一接口地址，必须以 /v1 结尾，错一个字符连不上

  • API_KEY：云端商用模型去官网个人中心复制；本地模型（Ollama/vLLM）随便填字符串

  • MODEL_NAME：厂商对应的真实模型名称，不能瞎写

  • TEMPERATURE：0=严谨不胡编，1=自由创作

4. .env 配置文件「全平台可直接复制模板」

放在项目根目录，想用哪个模型，就打开哪个注释，其余全部注释。

# 通用固定参数，全局生效
TEMPERATURE=0.7
MAX_TOKENS=2048
TIMEOUT=120

# ========== 1. OpenAI 官方 ==========
# BASE_URL=https://api.openai.com/v1
# API_KEY=sk-xxxxxxxxxxxxxxxx
# MODEL_NAME=gpt-4o-mini

# ========== 2. DeepSeek 深度求索 ==========
# BASE_URL=https://api.deepseek.com/v1
# API_KEY=sk-xxxxxxxxxxxxxxxx
# MODEL_NAME=deepseek-chat

# ========== 3. 阿里通义千问 ==========
# BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
# API_KEY=sk-xxxxxxxxxxxxxxxx
# MODEL_NAME=qwen-turbo

# ========== 4. 智谱AI GLM ==========
# BASE_URL=https://open.bigmodel.cn/api/paas/v4
# API_KEY=xxxxxxxxxxxxxxxx
# MODEL_NAME=glm-4

# ========== 5. 本地 Ollama（离线免费） ==========
BASE_URL=http://127.0.0.1:11434/v1
API_KEY=dummy
MODEL_NAME=qwen2.5:7b

# ========== 6. 本地 vLLM 推理服务 ==========
# BASE_URL=http://localhost:8000/v1
# API_KEY=EMPTY
# MODEL_NAME=你部署的模型名

五、各平台参数「一键照抄对照表」（小白专属）

模型平台 BASE_URL（直接复制） API_KEY 怎么填 MODEL_NAME 示例
OpenAI 官方 https://api.openai.com/v1 官网复制 sk 开头密钥 gpt-4o-mini、gpt-4o
DeepSeek https://api.deepseek.com/v1 官网个人密钥 deepseek-chat
通义千问 https://dashscope.aliyuncs.com/compatible-mode/v1 阿里云百炼密钥 qwen-turbo、qwen-plus
智谱AI https://open.bigmodel.cn/api/paas/v4 官网个人密钥 glm-4、glm-3-turbo
本地 Ollama http://127.0.0.1:11434/v1 任意字符：dummy / 123 本地下载的模型全名
本地 vLLM http://localhost:8000/v1 固定填：EMPTY 你部署的模型名称

六、进阶功能参数详解

1. 流式输出参数（逐字打字效果）

question = "你好，请你介绍一下你自己。"
# stream 流式参数，所有兼容模型通用
for chunk in model.stream(question):
    print(chunk.content, end="", flush=True)

小白解释：invoke 是一次性出结果，stream 是逐字返回，适合聊天界面。

2. 厂商独有扩展参数 extra_body

model = ChatOpenAI(
    base_url=os.getenv("BASE_URL"),
    api_key=os.getenv("API_KEY"),
    model=os.getenv("MODEL_NAME"),
    extra_body={"enable_search": True} 
)

小白解释：部分模型支持联网搜索、思维链、长文本优化，全部塞进 extra_body，不破坏通用代码。

七、新手 100% 踩坑点（全部对应参数问题）

  • 报错打印一堆对象：ChatModel 忘记写 .content

  • 接口 404：BASE_URL 少写 /v1、多空格、多换行

  • 鉴权失败：云端 KEY 填错、过期、余额不足

  • 本地 Ollama 连不上：模型名和本地不一致、Ollama 没启动

  • 本地模型超时：大模型推理慢，TIMEOUT 必须大于 120

  • 导入报错：装包用 python-dotenv，不要用 dotenv

# 前端 # javascript
Logo
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

初识智能体

在过去两年中，几乎所有人都体验过大语言模型（如 ChatGPT、Claude、DeepSeek）的强大能力：写周报、润色邮件、解答编程疑难。被动响应：你问一句，它答一句。如果你的 Prompt 没有写清楚约束条件，它无法主动追问或修正目标。知行脱节：大模型能用流畅的文字告诉你“如何部署一个高可用 K8s 集群”，但它无法替你登录服务器敲下命令、查看报错日志并自动回滚。信息孤岛：大模型的知识止步于预

avatar DeepSeek技术社区

DeepSeek总结的时间旅行者的主键

来源：https://www.pgedge.com/blog/the-time-traveler-s-primary-key。

avatar DeepSeek技术社区
cover

建站综合评估：几款主流产品表现分析

avatar DeepSeek技术社区