LangChain 1.2 入门（八）：init_chat_model 统一初始化

上一篇是「一个厂商一个类」，模型一多就要记一堆参数名。LangChain 1.x 提供了统一入口 init_chat_model()：传模型名，它自动选择对应的模型类并初始化实例。

08.1 基本用法

from langchain.chat_models import init_chat_model

model = init_chat_model(
    "provider:model_name",   # 提供商:模型名称
    api_key="your-api-key",  # API 密钥（可选，可从环境变量读取）
    temperature=0.7,         # 温度参数（可选）
    max_tokens=1000,         # 最大 token 数（可选）
    **kwargs                 # 其他模型特定参数
)

和直接使用 ChatTongyi、ChatOpenAI、ChatDeepSeek 相比，init_chat_model 的优势是：

• 统一接口：不用记每个提供商不同的初始化方式；
• 易于切换：智能体系统里切换模型，只改一个模型字符串；
• 简洁明了：减少样板代码；
• 自动适配：内部根据模型标识自动选择对应的驱动类，例如 ChatOpenAI、ChatDeepSeek。

08.2 三个使用举例

举例 1：调用 DeepSeek 官网的大模型。传入 deepseek-v4-flash 时，init_chat_model 会自动用 ChatDeepSeek 初始化，效果与直接实例化 ChatDeepSeek 一致。

import os
from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

load_dotenv(override=True)

model = init_chat_model(
    model="deepseek:deepseek-v4-flash",
    # model_provider="deepseek",  # 与上面的前缀写法等价
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
print(model.invoke("你好，用一句话回答"))

举例 2：调用阿里百炼大模型。dashscope 还没有被纳入 LangChain 的统一注册体系，把 model_provider 设为 openai，走 OpenAI 兼容协议。

DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
DASHSCOPE_API_KEY=<YOUR_API_KEY>

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(
    model="qwen-plus",
    model_provider="openai",
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url=os.getenv("DASHSCOPE_BASE_URL"),
)
print(model.invoke("你好，用一句话回答"))

举例 3：调用 CloseAI 中转平台。

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)
print(model.invoke("你好，用一句话回答"))

08.3 model_provider 与模型前缀

model_provider 表示模型提供者。支持的 provider 包括：anthropic、anthropic_bedrock、azure_ai、azure_openai、bedrock、bedrock_converse、cohere、deepseek、fireworks、google_anthropic_vertex、google_genai、google_vertexai、groq、huggingface、ibm、mistralai、nvidia、ollama、openai、openrouter、perplexity、together、upstage、xai。

• model_provider="openai" 会自动加载 langchain-openai，底层调用 ChatOpenAI；
• model_provider="deepseek" 会自动加载 langchain-deepseek，底层调用 ChatDeepSeek；
• 像 dashscope 这类尚未纳入统一注册体系的提供商，可以设为 openai，前提是模型服务兼容 OpenAI 规范。

也可以在 model 参数里用冒号前缀指定供应商，例如 deepseek:deepseek-v4-flash，与单独写 model_provider 等价。如果两个位置都没有指明供应商，LangChain 会按内置规则自动推断；但并非所有模型都支持推断，例如 qwen-plus 不指定供应商会直接报错。

08.4 常用初始化参数

Model Class 和 init_chat_model 共用这批参数：

DeepSeek 模型可以通过 ChatDeepSeek、ChatOpenAI、init_chat_model 三种方式创建；百炼平台的 DeepSeek 可以用 ChatTongyi、ChatOpenAI、init_chat_model；OpenRouter 平台可以用 ChatOpenRouter、ChatOpenAI、init_chat_model；CloseAI 平台则只有 ChatOpenAI 和 init_chat_model 两种。

08.4.1 temperature 怎么选

temperature 控制输出的随机性：

• 0.0–0.3：需要一致性、准确性的任务，例如数学计算、数据提取、分类、代码生成；
• 0.5–0.7：平衡创造性和一致性，例如聊天、问答；
• 0.8–1.5：创造性任务，例如写作、头脑风暴；
• 1.5–2.0：高度创造性，例如诗歌、故事创作。

实测对比：把 temperature 设为 0，模型始终选择概率最高的 Token，连续三次「写一首描述春天的七言绝句」，输出几乎一致；改成 1.5 后，三次的意象和用词明显不同。结构化提取场景同理，temperature=0 时返回的 JSON 字段更稳定，不会随意发挥。

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv
import os

load_dotenv(override=True)

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=0,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke(
    "张三，男，30岁，拥有8年编程开发经验，目前在某互联网大厂担任技术专家。"
    "帮我从上文中提取数据，返回JSON格式"
)
print(response.content)

返回结果可以直接解析：

{
    "name": "张三",
    "gender": "男",
    "age": 30,
    "programming_experience_years": 8,
    "current_position": "技术专家",
    "current_company_type": "互联网大厂"
}

08.4.2 Token 是什么

大模型通过分词器（Tokenizer）把文本拆成最小语义单元 token，相当于自然语言中的词或字。不同模型采用不同的分词算法（如 BPE、WordPiece），同一段文本在不同模型中的 Token 数量可能不同。

大语言模型通常也以 token 数量作为计量或收费依据。换算经验：1 个中文 Token 约等于 1–1.8 个汉字，1 个英文 Token 约等于 3–4 个字符。可视化工具可以用 OpenAI Tokenizer（https://platform.openai.com/tokenizer）或百度智能云 Tokenizer（https://console.bce.baidu.com/support/#/tokenizer）。

把 max_tokens 设为 15，再问一个需要长回答的问题，可以直接看到截断：

model = init_chat_model(
    model="gpt-5.4-mini",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
    max_tokens=15,
)
response = model.invoke("请用中文详细介绍什么是AI")
print(response)
# content='当然可以。下面我用中文尽量系统、通'
# response_metadata={'finish_reason': 'length', ...}
# usage_metadata={'input_tokens': 14, 'output_tokens': 15, 'total_tokens': 29}

finish_reason 变成 length，说明不是模型不想说完，而是输出额度用完了。

08.5 小结

新项目统一用 init_chat_model：模型名加可选 provider，密钥走环境变量。常用参数记住 model、temperature、max_tokens、timeout、max_retries 五个就够，其余按需查文档。

下一篇：LangChain 1.2 入门（九）：Ollama 本地模型部署与调用；上一篇：模型初始化——专用模型库。

本文根据公开课程课件整理，并结合 LangChain 官方文档核对与补充。