1. 引出LangChain相关概念

1.1. Runnable接口

Runnable接口时使用LangChain Components（组件）的基础。

概念说明：

Components（组件）：用来帮助当我们在构建应用程序时，提供了一系列的核心构建块，

例如语⾔模型、输出解析器、检索器、编译的 LangGraph 图等。

Runnable定义了一个标准接口，允许Runnable的相关组件：

• Invoked（调用）：当个输入转化为输出
• Batched（批处理）：多个输入转化为输出
• Streamed（流式处理）：多个输入被有效的转化为输出
• Inspected（检查）：可以访问有关的Runnable的输入和输出
• Composed（组合）：可以醋和多个Runnable，以使用LCEL协同工作以创建复杂的管道

因此，我们定义的聊天模型，输出解析器都是Runnable接口的实例，他们都使用了Invoked（调用）的能力

1.2. LangChain Expression Language

LangChain Expression Language（LCEL）：采用声明性方法，从现有Runnable 对象构建新的 Runnable 对象。通过LCEL 构建出的新的Runnable 对象，被称为，表示可运行序列。RunnableSequence 就是一种链，chain 的类型就是RunnableSequence。如下所示：

重要的是，RunnableSequence也是Runnable 接口的实例，它实现了完整的Runnable 接口，因此它可以用与任何其他Runnable 相同的姿势使用。

2. 定义聊天模型

2.1. 通过API定义聊天模型

2.1.1. 方式1：ChatOpenAI

class langchain_openai.chat_models.base.ChatOpenAI 是 LangChain为OpenAI 旗下的聊天模型提供的具体实现类，其继承了 class langchain_openai.chat_models.base.BaseChatOpenAI,并且BaseChatOpenAI实现了标准的Runnable接口。

ChatOpenAI 常用初始化参数说明

参数名	参数描述
model	使用的模型名称
temperature	采样温度，温度值越⾼，AI 回答越天⻢⾏空；温度越低，回答越保守靠谱
max_tokens	要生成的最大令牌数
timeout	请求超时时间
max_retries	最大重试次数
openai_api_key / api_key	OpenAI API密钥。如果未传入，将从环境变量中读取 OPENAI_API_KEY 。
base_url	API 请求的基本URL。
organization	OpenAI组织，如果不传入，将从env var OPENAI_ORG_ID中去读

代码实例：

from langchain_openai import ChatOpenAI
model = ChatOpenAI(
    model="gpt-5-mini",
    temperature=0 ,
    max_tokens=None ,
    timeout=None ,
    max_retries=2 ,
    # api_key ="...",
    #base_url="...",
    #organization ="...",
    #other params ..
)

若使用其它与OpenAI兼容的大模型，例如DeepSeek，则可以使用以下定义方式：

from langchain_openai import ChatOpenAI
model = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    openai_api_key=OPENAI_API_KEY
}

参数说明：

• base_url：出于与OpenAI 兼容考虑，要将base_url 设置为

  https://api.deepseek.com/v1 来使用，但注意，此处v1 与模型版本无关。

• openai_api_key：需要单独申请DeepSeek 的API Key，然后重新进行环境变量配置。

  ◦DeepSeek API Key 申请地址：https://platform.deepseek.com/api_keys。

2.1.2. invoke()调用

在介绍方式2之前，需要先了解一下关于Runnable 接口中的invoke()调用。该方法是将单个的输入转化为对应的输出。例如对于聊天模型，就是根据用户的输入进行回答。

invoke()方法的定义：

abstractmethod invoke(
      input : Input ,
      config : RunnableConfig | None = None ,
      **kwargs :Any ,
  ) → Output

参数说明：

• input：输入一个Runnable实例
• config：出入的Runnable实例的配置参数，默认为空

返回值：

• 返回一个Runnable实例

class langchain_core.runnables.config.RunnableConfig常用的参数说明：

参数名	参数描述
configurable	通过.configurable_fields（）在此Runnable 或子Runnable 上配置的属性的运行时值。
run_id	针对次调用与运行的跟踪器的唯一标识符。如果未提供，将生成新的UUID。
run_name	此调用的跟踪器运行的名称。默认为类的名称。
metadat	此次调用和任何子调用的元数据。键是字符串，值是JSON。 类型：dict [str，Any]
......

2.1.3. 方式2：init_chat_model

上面的ChatOpenAI 用于明确创建OpenAI 聊天模型的实例。而init_chat_model ()是一个工厂函数，它可以初始化多种支持的聊天模型（如OpenAI、Anthropic、FireworksAI 等），不仅仅是 OpenAI 的聊天模型。

init_chat_model()函数定义：

langchain.chat_models.base.init_chat_model(
     model : str ,
      *,
      model_provider : str | None = None ,
      configurable_fields : Literal[None] = None ,
      config_prefix : str | None = None ,
      **kwargs :Any ,
  ) → BaseChatModel

init_chat_model()常用的参数说明：

参数名	参数描述
model	要使用的模型名称
model_provider	模型提供方。如果没指定会从model推断
configurable_fields	设置那些模型参数是可以配置的。若该参数配置为： None：没有可以配置的字段 'any'：所有的自读那都是可以配置的，类似api_key，base_url等可以在运行时更改 Union[List[str], Tuple[str, ...]]：指定的字段是可以配置的
config_prefix	配置为非空字符串，则模型将在运行时通过查找 config["configurable"]["{config_prefix}_{param}"]字段设置配置项 配置为空字符串，那么模型将可以通过onfig["configurable"]["{param}"]字段设置配置项
temperature	采样温度，温度值越高，AI回答越天马行空；温度越低，回答越保守靠谱。
max_tokens	生成的最大令牌数
timeout	请求超时时间
max_retries	最大的重试次数
openai_api_key /api_key	OpenAI API密钥。如果未传入，将从环境变量中读取OPENAI_API_KEY 。
base_url	API 请求的基本URL。
...

init_chat_model()返回值说明

函数返回一个与指定的model_name和mode_provider相对应的BaseChatModel(如ChatOpenAI, ChatAnthropic)。注意要是模型可配置，则返回一个聊天模型模拟器，该模拟器在传入配置后，在运行的时候才会初始化底层模型。

示例1：基本用法

from langchain.chat_models import init_chat_model

deepseek_model = init_chat_model(model="deepseek-chat", temperature=0.1)
print(deepseek_model.invoke("你的名字是什么？").content)

运行结果：

示例2：创建可配置模型

from langchain.chat_models import init_chat_model

configurable_model_1 = init_chat_model(temperature=0.1)
configurable_result_1 = configurable_model_1.invoke("介绍一下你自己", config={"configurable":{"model" : "deepseek-chat"}})

print("configurable_model_1:", configurable_result_1.content)

运行结果：

示例3：具有默认值的可配置模型

# 可配置的模型选择器
configurable_model_2 = init_chat_model(
        model="deepseek-v4-pro",
        temperature=0.1,
        configurable_fields=("model", "model_provider", "max_tokens", "temperature"),
        config_prefix="first"
)

configurable_result_2 = configurable_model_2.invoke("写一篇的文章",
                                                    config={
                                                        "configurable":{
                                                            "first_temperature":1.0,
                                                            "first_max_tokens": 1024,
                                                        }
                                                    },
)

configurable_result_3 = configurable_model_2.invoke("写一篇的文章",
                                                    config={
                                                        "configurable":{
                                                            "first_temperature":0.3,
                                                            "first_max_tokens": 2048,
                                                        }
                                                    },
)

print(configurable_result_2.content)
print(configurable_result_3.content)

我们对于configurable_result_2 和 configurable_result_3 设置了不同的max_tokens和temperature,所以所打印的结果也不同

2.2 通过本地部署的LLM定义聊天模型

2.2.1. ChatOllama

若想使用ChatOllama，需要先安装Ollama 包：

pip install -U langchain_ollama

class langchain_ollama.chat_models.base.ChatOllama是LangChain 为通过Ollama 部署的聊天模型提供的具体实现类。ChatOllama 同样也实现了标准的Runnable 接口。

ChatOllama常用初始化参数说明:

参数名	参数描述
model	要使用的Ollama 模型的名称
temperature	采样温度，温度值越高，AI回答越天马行空；温度越低，回答越保守靠谱。
timeout	请求超时时间
base_url	API 请求的基本URL。
num_ctx	设置用于生成下一个令牌的上下文窗口的大小。（默认值：2048）
num_gpu	要使用的GPU 数量。在macOS 上，默认为1 表示启用金属支持，默认为0 表示禁用。
...

示例：

from langchain_ollama import ChatOllama
ollama_model = ChatOllama(model="deepseek-r1:70b", 
                          base_url='http://192.168.100.220:11434 ')
result = ollama_model .invoke("what 's your name?")
print(result)