LangChain Chat Model API
Este documento enumera la referencia completa de la API de init_chat_model() y BaseChatModel.
Parámetros completos de init_chat_model()
| Parámetro | Tipo | Valor predeterminado | Descripción |
|---|---|---|---|
| model | str o None | Ninguno | Nombre del modelo, con formato provider:model_name. Pase None para crear un modelo configurable. |
| model_provider | str o None | None | Especifica el proveedor por separado. Se usa cuando model no puede inferirse automáticamente. |
| configurable_fields | "any", list o None | None | Campos modificables en tiempo de ejecución. None=modelo fijo, "any"=todo configurable. |
| config_prefix | str o None | None | Prefijo de clave de configuración en escenarios de múltiples modelos. |
| temperature | float | Depende del modelo | Controla la aleatoriedad, 0~2. 0=determinista, 2=máxima creatividad. |
| max_tokens | int | Límite del modelo | Número máximo de tokens de salida |
| timeout | int/float o None | None | Segundos de tiempo de espera de la solicitud |
| max_retries | int | Depende del modelo | Número de reintentos en caso de fallo |
| base_url | str o None | Dirección oficial | Punto de conexión (endpoint) de API personalizado |
| rate_limiter | BaseRateLimiter | Ninguno | Limitador de velocidad |
| top_p | float o None | Depende del modelo | Parámetro de muestreo nuclear, 0~1 |
| stop | list[str] | Ninguno | Secuencia de parada |
Métodos de BaseChatModel
| Método | Descripción | Valor de retorno |
|---|---|---|
| invoke(input, config=None, **kwargs) | Llamada síncrona al modelo | AIMessage |
| ainvoke(input, config=None, **kwargs) | Llamada asíncrona al modelo | AIMessage |
| stream(input, config=None, **kwargs) | Llamada de streaming síncrona | Iterator[AIMessageChunk] |
| astream(input, config=None, **kwargs) | Llamada de streaming asíncrona | AsyncIterator[AIMessageChunk] |
| batch(inputs, config=None, **kwargs) | Llamada por lotes | list[AIMessage] |
| bind_tools(tools, **kwargs) | Vincular lista de herramientas | Runnable[input, AIMessage] |
| with_structured_output(schema, **kwargs) | Vincular esquema de salida estructurada | Runnable[input, BaseModel/dict] |
| bind(**kwargs) | Vincular parámetros de tiempo de ejecución | Runnable |
Referencia rápida de proveedores de modelos compatibles
| Nombre del proveedor | Paquete de instalación | Valor de modelo de ejemplo |
|---|---|---|
| openai | langchain-deepseek | deepseek:deepseek-v4-flash |
| anthropic | langchain-anthropic | anthropic:claude-sonnet-4-5-20250929 |
| deepseek | langchain-deepseek | deepseek:deepseek-chat |
| google_genai | langchain-google-genai | google_genai:gemini-2.5-flash |
| ollama | langchain-ollama | ollama:llama3.2 |
| groq | langchain-groq | groq:llama-3.3-70b |
| xai | langchain-xai | xai:grok-3 |
| mistralai | langchain-mistralai | mistralai:mistral-large |
| openrouter | langchain-openrouter | openrouter:openai/gpt-4o |
| perplexity | langchain-perplexity | perplexity:sonar-pro |
Ejemplos de uso comunes
Ejemplo
from langchain.chat_models import init_chat_model
# Modelo fijo
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
response = model.invoke("Hola")
# Modelo configurable
model = init_chat_model(configurable_fields=("model", "temperature"))
response = model.invoke("Hola", config={
"configurable": {"model": "deepseek:deepseek-v4-flash", "temperature": 0.3}
})
# Vincular herramienta
model_with_tools = model.bind_tools([my_tool])
response = model_with_tools.invoke("Consultar el clima")
# Salida estructurada
model_structured = model.with_structured_output(MySchema)
result = model_structured.invoke("Extraer información")
# Modelo fijo
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0)
response = model.invoke("Hola")
# Modelo configurable
model = init_chat_model(configurable_fields=("model", "temperature"))
response = model.invoke("Hola", config={
"configurable": {"model": "deepseek:deepseek-v4-flash", "temperature": 0.3}
})
# Vincular herramienta
model_with_tools = model.bind_tools([my_tool])
response = model_with_tools.invoke("Consultar el clima")
# Salida estructurada
model_structured = model.with_structured_output(MySchema)
result = model_structured.invoke("Extraer información")