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:

ParameterTypeBeschreibungStandardwert
modelstr or NoneModellname im Format provider:model. Die Übergabe von None kann verwendet werden, um ein konfigurierbares Modell zu erstellen.Keine
model_providerstr or NoneProvider separat angeben. Wird verwendet, wenn er dynamisch abgerufen wird oder wenn das Modell nicht abgeleitet werden kann.Keine
configurable_fields"any", list oder NoneListe der Felder, die zur Laufzeit geändert werden können. None bedeutet ein festes Modell.Keine
config_prefixstr or NonePräfix für Konfigurationsschlüssel in Multi-Modell-Szenarien, um Konflikte zu vermeiden.Keine
**kwargsdictParameter, 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

from langchain.chat_models import init_chat_model

# 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

from langchain.chat_models import init_chat_model

# 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
ModellnamenpräfixAbgeleiteter Anbieter
gpt-, o1, o3, chatgpt, text-davinciopenai
claudeanthropic
geminigoogle_vertexai
commandcohere
deepseekdeepseek
mistral, mixtralmistralai
grokxai
sonarperplexity
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

# Die folgenden beiden Schreibweisen sind vollständig äquivalent
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

from langchain.chat_models import init_chat_model

# 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

from langchain.chat_models import init_chat_model

# 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:

AnbieternameInstallationspaketRepräsentatives Modell
openailangchain-deepseekgpt-4o、gpt-4o-mini
anthropiclangchain-anthropicclaude-sonnet-4-5、claude-opus-4-7
google_genailangchain-google-genaigemini-2.5-flash、gemini-2.5-pro
google_vertexailangchain-google-vertexaigemini-2.5-flash、gemini-2.5-pro
deepseeklangchain-deepseekdeepseek-chat、deepseek-reasoner
mistralailangchain-mistralaimistral-large、mistral-small
groqlangchain-groqllama-3.3-70b、mixtral-8x7b
ollamalangchain-ollamallama3.2、qwen2.5
fireworkslangchain-fireworksaccounts/fireworks/models/llama-v3p1-70b
zusammenlangchain-togethermeta-llama/Llama-3.3-70B
xailangchain-xaigrok-3
openrouterlangchain-openrouteropenai/gpt-4o、anthropic/claude-sonnet
perplexitylangchain-perplexitysonar、sonar-pro
huggingfacelangchain-huggingfaceVerschiedene HuggingFace-Modelle
coherelangchain-coherecommand-r-plus

Gängige kwargs-Parameter

kwargs-Parameter werden direkt an die zugrunde liegende Modellklasse übergeben. Häufig verwendete sind:

Beispiel

from langchain.chat_models import init_chat_model

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)
ParameterTypeBeschreibungGeeignete Anbieter
temperaturefloatSteuert die Zufälligkeit, 0~2, Standardwert variiert je nach ModellDie meisten
max_tokensintBegrenzt die maximale Anzahl der Ausgabe-TokensAlle
timeoutint oder floatAnfrage-Timeout in SekundenAlle
max_retriesintAnzahl der Wiederholungsversuche nach einer fehlgeschlagenen AnfrageDie meisten
base_urlstrBenutzerdefinierter API-EndpunktDie meisten
rate_limiterBaseRateLimiterRate-Limiter-InstanzDie meisten
top_pfloatNucleus-Sampling-Parameter, 0~1Die meisten
stoplist[str]Stoppsequenzen; das Modell beendet die Generierung, wenn es auf diese Wörter trifftDie 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

from langchain.chat_models import init_chat_model

# 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:

WertBedeutung
KeineNicht 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

Bei 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.

Andere Erweiterungen