LangChain-Modellaufruf -- init_chat_model() Funktion
LangChain init_chat_model() ist eine der am häufigsten verwendeten Funktionen in LangChain. Sie ermöglicht es dir, dich auf einheitliche Weise mit über 20 Modellanbietern zu verbinden, ohne dir die Klassennamen und Parameterunterschiede jedes Anbieters merken zu müssen.
Syntax
Die Syntax der init_chat_model()-Funktion lautet wie folgt:
from langchain.chat_models import init_chat_model
# 完整语法
model = init_chat_model(
model, # str | None:模型名称(provider:model 格式)
*,
model_provider=None, # str | None:单独的模型提供商
configurable_fields=None, # None | "any" | list[str]:可运行时修改的字段
config_prefix=None, # str | None:配置键前缀
**kwargs, # 模型特定参数(temperature、max_tokens 等)
)Parameterbeschreibung:
| Parameter | Type | Beschreibung | Standardwert |
|---|---|---|---|
| model | str or None | Modellname im Format provider:model. Die Übergabe von None kann verwendet werden, um ein konfigurierbares Modell zu erstellen. | Keine |
| model_provider | str or None | Provider separat angeben. Wird verwendet, wenn er dynamisch abgerufen wird oder wenn das Modell nicht abgeleitet werden kann. | Keine |
| configurable_fields | "any", list oder None | Liste der Felder, die zur Laufzeit geändert werden können. None bedeutet ein festes Modell. | Keine |
| config_prefix | str or None | Präfix für Konfigurationsschlüssel in Multi-Modell-Szenarien, um Konflikte zu vermeiden. | Keine |
| **kwargs | dict | Parameter, die an das zugrunde liegende Modell übergeben werden. | Keine |
Detaillierte Erklärung des Parameters model
provider:model-Format (empfohlen)
Das Format istprovider:model-Name, getrennt durch einen Doppelpunkt:
Beispiel
# provider:model-Format
model = init_chat_model("deepseek:deepseek-v4-flash")
model = init_chat_model("anthropic:claude-sonnet-4-5-20250929")
model = init_chat_model("deepseek:deepseek-chat")
model = init_chat_model("ollama:llama3.2")
model = init_chat_model("groq:llama-3.3-70b")
Automatisches Ableiten des Modellanbieters
Wenn Sie das Anbieterpräfix nicht angeben, versucht LangChain, es aus dem Modellnamen abzuleiten:
Beispiel
# Anbieter automatisch ableiten (basierend auf dem Modellnamenpräfix)
model = init_chat_model("deepseek-v4-flash") # → openai
model = init_chat_model("claude-sonnet-4-5") # → anthropic
model = init_chat_model("deepseek-chat") # → deepseek
model = init_chat_model("grok-3") # → xai
model = init_chat_model("mistral-large") # → mistralai
| Modellnamenpräfix | Abgeleiteter Anbieter |
|---|---|
| gpt-, o1, o3, chatgpt, text-davinci | openai |
| claude | anthropic |
| gemini | google_vertexai |
| command | cohere |
| deepseek | deepseek |
| mistral, mixtral | mistralai |
| grok | xai |
| sonar | perplexity |
| amazon., anthropic., meta. | bedrock |
Automatische Inferenz ist praktisch, aber nicht garantiert zu 100% korrekt. Zum Beispiel kann das Präfix gemini auf google_vertexai oder google_genai verweisen, und zukünftige Versionen können das Standard-Inferenzergebnis ändern. Es wird empfohlen, in Produktionsumgebungen immer das Format provider:model zu verwenden.
model_provider-Parameter
Wenn model_provider separat angegeben wird, ist der Effekt äquivalent zum Format provider:model:
Beispiel
model = init_chat_model("claude-sonnet-4-5", model_provider="anthropic")
model = init_chat_model("anthropic:claude-sonnet-4-5")
Szenarien für die Verwendung von model_provider:
- Wenn der Provider-Name dynamisch aus einer Konfigurationsdatei gelesen wird
- Wenn der Provider-Name und der Modellname unabhängig voneinander konfiguriert werden müssen (zur Laufzeit separat umgeschaltet)
- Wenn der Modellname nicht automatisch abgeleitet werden kann und es unpraktisch ist, Zeichenketten zu verketten
Festes Modell vs. konfigurierbares Modell
init_chat_model() hat zwei Verwendungsmodi:
Modus 1: Festes Modell
Geben Sie eine bestimmte Modellzeichenfolge an; zurückgegeben wird eine BaseChatModel-Instanz, die direkt verwendet werden kann:
Beispiel
# Modell angegeben, gibt ein festes Modell zurück
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = .invoke("Stelle Python Python vor")
print(response.content)
Wenn .env im aktuellen Verzeichnis liegt, verwenden Sie den folgenden Code, um die Konfiguration aus dem aktuellen Pfad zu laden:
import os from dotenv import load_dotenv # 加载当前目录 .env 文件 load_dotenv() from langchain.chat_models import init_chat_model # 指定了 model,返回固定模型 model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7) response = model.invoke("介绍Example") print(response.content)
Modus 2: Konfigurierbares Modell
Geben Sie nichts an (oder setzen Sie es auf None), um ein Modell zu erstellen, das zur Laufzeit gewechselt werden kann:
Beispiel
# Modell nicht angeben, gibt ein konfigurierbares Modell zurück
# Sie können einige Parameter festlegen (z. B. temperature=0.7) und die übrigen zur Laufzeit
configurable_model = init_chat_model(temperature=0.7)
# Modell zur Laufzeit über config angeben
response = configurable_model.invoke(
"Stelle Python Python vor",
config={"configurable": {"model": "deepseek-v3-flash"}}
)
print(response.content)
# Dieselbe Modellinstanz kann mit unterschiedlichen Modellen ausgeführt werden
response = configurable_model.invoke(
"Stelle Python Python vor",
config={"configurable": {"model": "claude-sonnet-4-5"}}
)
print(response.content)
Konfigurierbare Modelle sind sehr nützlich für A/B-Tests und die Kostenoptimierung. Sie können Modelle wechseln oder Parameter anpassen, indem Sie die Konfiguration ändern, ohne den Dienst neu zu starten.
Alle unterstützten Modellanbieter
Im Folgenden sind die Anbieter aufgeführt, die von init_chat_model() nativ unterstützt werden, sowie ihre Installationspakete:
| Anbietername | Installationspaket | Repräsentatives Modell |
|---|---|---|
| openai | langchain-deepseek | gpt-4o、gpt-4o-mini |
| anthropic | langchain-anthropic | claude-sonnet-4-5、claude-opus-4-7 |
| google_genai | langchain-google-genai | gemini-2.5-flash、gemini-2.5-pro |
| google_vertexai | langchain-google-vertexai | gemini-2.5-flash、gemini-2.5-pro |
| deepseek | langchain-deepseek | deepseek-chat、deepseek-reasoner |
| mistralai | langchain-mistralai | mistral-large、mistral-small |
| groq | langchain-groq | llama-3.3-70b、mixtral-8x7b |
| ollama | langchain-ollama | llama3.2、qwen2.5 |
| fireworks | langchain-fireworks | accounts/fireworks/models/llama-v3p1-70b |
| zusammen | langchain-together | meta-llama/Llama-3.3-70B |
| xai | langchain-xai | grok-3 |
| openrouter | langchain-openrouter | openai/gpt-4o、anthropic/claude-sonnet |
| perplexity | langchain-perplexity | sonar、sonar-pro |
| huggingface | langchain-huggingface | Verschiedene HuggingFace-Modelle |
| cohere | langchain-cohere | command-r-plus |
Gängige kwargs-Parameter
kwargs-Parameter werden direkt an die zugrunde liegende Modellklasse übergeben. Häufig verwendete sind:
Beispiel
model = init_chat_model(
"deepseek:deepseek-v4-flash",
# Steuert die Zufälligkeit der Ausgabe (0~2), je kleiner der Wert, desto stabiler die Ausgabe
temperature=0.3,
# Begrenzt die maximale Anzahl der Ausgabe-Tokens (steuert die Kosten)
max_tokens=200,
# Anfrage-Timeout (Sekunden)
timeout=30,
# Anzahl der Wiederholungsversuche nach einem Fehler
max_retries=2,
# Benutzerdefinierte API-Adresse (Proxy-/Relay-Szenarien)
# base_url="https://your-proxy.com/v1",
# Rate Limiter (steuert die Anfragefrequenz)
# rate_limiter=MyRateLimiter(requests_per_second=5),
)
response = model.invoke("Was ist Python Python?")
print(response.content)
| Parameter | Type | Beschreibung | Geeignete Anbieter |
|---|---|---|---|
| temperature | float | Steuert die Zufälligkeit, 0~2, Standardwert variiert je nach Modell | Die meisten |
| max_tokens | int | Begrenzt die maximale Anzahl der Ausgabe-Tokens | Alle |
| timeout | int oder float | Anfrage-Timeout in Sekunden | Alle |
| max_retries | int | Anzahl der Wiederholungsversuche nach einer fehlgeschlagenen Anfrage | Die meisten |
| base_url | str | Benutzerdefinierter API-Endpunkt | Die meisten |
| rate_limiter | BaseRateLimiter | Rate-Limiter-Instanz | Die meisten |
| top_p | float | Nucleus-Sampling-Parameter, 0~1 | Die meisten |
| stop | list[str] | Stoppsequenzen; das Modell beendet die Generierung, wenn es auf diese Wörter trifft | Die meisten |
temperature und top_p werden normalerweise nicht gleichzeitig gesetzt. temperature steuert die "Form der Verteilung", während top_p den "Kandidatenbereich" steuert. In den meisten Szenarien reicht es aus, nur temperature anzupassen.
ConfigurableModel—Modellwechsel zur Laufzeit
ConfigurableModel ist eine fortgeschrittene Verwendung von init_chat_model(), mit der Sie Modelle und Parameter zur Laufzeit dynamisch angeben können:
Beispiel
# Erstelle ein konfigurierbares Modell und lege Standardwerte fest
model = init_chat_model(
"deepseek:deepseek-v4-flash", # Standardmodell
configurable_fields="any", # Alle Parameter können zur Laufzeit geändert werden
config_prefix="my", # Konfigurationsschlüssel-Präfix
temperature=0.3, # Standardtemperatur
)
# Mit Standardkonfiguration ausführen
response = model.invoke("Stelle Python vor")
print(f"Standardkonfiguration: {response.content[:50]}...")
# Modell und Parameter zur Laufzeit überschreiben (beachte das Präfix my_)
response = model.invoke(
"Stelle Python Python vor",
config={
"configurable": {
"my_model": "deepseek:deepseek-v4-pro", # Modell wechseln
"my_temperature": 0.9, # Temperatur anpassen
}
}
)
print(f"Konfiguration überschreiben: {response.content[:50]}...")
Mögliche Werte von configurable_fields:
| Wert | Bedeutung |
|---|---|
| Keine | Nicht konfigurierbar, gibt ein gewöhnliches BaseChatModel zurück (fester Modellmodus) |
| "any" | Alle Parameter sind konfigurierbar (beachten Sie das Sicherheitsrisiko: auch api_key usw. können geändert werden) |
| ["model", "temperature"] | Nur die in der Liste angegebenen Felder sind konfigurierbar |
Andere ErweiterungenBei Verwendung von configurable_fields="any" ist Vorsicht in Sicherheitsfragen geboten: Wenn Sie einer unsicheren Konfigurationsquelle vertrauen, können sensible Felder wie api_key und base_url manipuliert werden. In Produktionsumgebungen wird empfohlen, die konfigurierbaren Felder explizit aufzulisten.