一文读懂 LangChain 模型：AI 应用的“大脑”是如何工作的

LangChain 把多厂商 LLM 收成统一 Models 接口；本文系统讲初始化、invoke/stream/batch、Messages、@tool 绑定与参数弹性，是从“会调 API”走到“会搭 Agent 大脑”的基础课。

基本信息

来源类型：文章（掘金）
原文位置：raw/articles/2026-07-19-juejin-langchain-models-guide.md（Telegram 桩 raw/articles/2026-07-19-190026-tg-d41522.md；baoyu extract：raw/extracts/20260719-200754/juejin.cn/langchainai.md）
原文 URL：https://juejin.cn/post/7662632306676367394
作者：门主 / 空门技术栈
发表：2026-07-16
消化日期：2026-07-19

核心观点

Models 是 Agent 的推理引擎，不是“又一个 SDK 封装”：LangChain 用统一接口封装 OpenAI / Anthropic / Google Gemini 等提供商，业务代码尽量不随底层模型切换而改写。现代模型能力表同时覆盖文本生成、工具调用、结构化输出、多模态与推理（如 o1、DeepSeek-R1）。
模块化安装 + OpenAI 兼容是默认落地路径：核心 langchain 与提供商包（如 langchain_openai）按需安装；绝大多数第三方/本地模型只要配好 OPENAI_API_KEY + OPENAI_BASE_URL，就可以继续用 ChatOpenAI / langchain_openai，不必为每个厂商重写调用层。
初始化优先 init_chat_model，固定 OpenAI 生态可直接 ChatOpenAI：init_chat_model(model=..., model_provider=...) 适合多提供商切换与快速原型；ChatOpenAI 与 OpenAI 兼容 API 强耦合但写法直接。对比维度：通用性、切换成本、代码耦合度、适用场景。
四种调用语义要按场景选型，而不是只会 invoke：
- invoke：等完整 AIMessage（含 content / response_metadata / tool_calls / id）
- stream：逐步 AIMessageChunk，content_blocks 可区分 reasoning / text / tool_call_chunk；chunk 可用 + 累加
- batch：并行处理多输入，全部完成后按输入顺序返回
- batch_as_completed：谁先完成谁返回 (index, AIMessage)，可用 max_concurrency 控并发
Messages + Tools 是“大脑”与外部世界的契约：SystemMessage / HumanMessage / AIMessage / ToolMessage 构成角色-内容-元数据三件套；也可用 OpenAI 风格字典。工具侧用 @tool 从函数 docstring 生成描述，bind_tools 后模型产出 tool_calls；tool_choice 支持 auto / required / none / 指定工具名，并可控制并行工具调用。
参数层要会调温度与弹性：temperature 0→确定、0.7→平衡、1.0+→创意；max_retries 默认 6，对网络错误/429/5xx 指数退避+抖动重试，401/404 不重试；不稳定网络可提到 10–15。另有 timeout、max_tokens、api_key。

实操内容保留

代码/配置

依赖安装（uv）：

uv add langchain
uv add langchain_openai
# uv add langchain_anthropic
# uv add langchain_google_genai
# uv add langchain_community

环境变量：

OPENAI_API_KEY
OPENAI_BASE_URL（兼容 OpenAI 协议的自定义/本地端点）

通用初始化 init_chat_model：

from langchain.chat_models import init_chat_model
 
model = init_chat_model(
    model="Qwen3-0.6B",
    model_provider="openai",
    temperature=0.7,
)
response = model.invoke("你好")
print(response.content)

直接 ChatOpenAI：

from langchain_openai import ChatOpenAI
 
openai = ChatOpenAI(model="Qwen3-0.6B", temperature=0.7)
response = openai.invoke("你好")
print(response.content)

流式输出（含 reasoning 块）：

for chunk in openai.stream("你好"):
    for block in chunk.content_blocks:
        if block["type"] == "reasoning" and (reasoning := block.get("reasoning")):
            print(f"推理：{reasoning}")
        elif block["type"] == "text":
            print(block["text"], end="", flush=True)

批量 / 按完成顺序：

responses = openai.batch([
    "为什么鹦鹉有五颜六色的羽毛？",
    "飞机是如何飞行的？",
    "什么是量子计算？",
])
 
for idx, response in openai.batch_as_completed(
    list_of_inputs,
    config={"max_concurrency": 3},
):
    print(f"输入 {idx} 完成：{response.content[:50]}...")

消息对象 vs 字典：

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage
 
messages = [
    SystemMessage("你是一个将英语翻译成法语的有用助手。"),
    HumanMessage("翻译：我喜欢编程。"),
    AIMessage("J'adore la programmation."),
    HumanMessage("翻译：我喜欢构建应用程序。"),
]
response = openai.invoke(messages)
 
# 等价字典格式（OpenAI Chat Completions 风格）
messages = [
    {"role": "system", "content": "你是一位诗人"},
    {"role": "user", "content": "写一首关于春天的俳句"},
    {"role": "assistant", "content": "樱花开了....."},
]

@tool + bind_tools + tool_choice：

from langchain.tools import tool
from langchain_openai import ChatOpenAI
 
@tool
def get_weather(location: str) -> str:
    """查询指定位置的天气"""
    return f"{location}的天气是晴朗的，温度是25摄氏度"
 
openai = ChatOpenAI(model="qwen-plus", temperature=0.7, max_tokens=300)
model_with_tools = openai.bind_tools([get_weather], tool_choice="required")
 
messages = [
    {"role": "system", "content": "你是一个天气预报助手，必须使用工具来回答天气问题。"},
    {"role": "user", "content": "查询北京的天气"},
]
response = model_with_tools.invoke(messages)
if response.tool_calls:
    for tool_call in response.tool_calls:
        print(tool_call["name"], tool_call["args"])

操作步骤（选型决策树）

只有 1 个问题：需要实时展示 → stream()；等全部结果 → invoke()
多个独立问题：要保持顺序 → batch()；谁先完成先用谁 → batch_as_completed()；要控并发 → batch_as_completed(config={'max_concurrency': N})
多提供商切换 → init_chat_model；固定 OpenAI 兼容栈 → ChatOpenAI + OPENAI_BASE_URL
工具场景：写清 docstring → @tool → bind_tools → 检查 tool_calls → 执行工具 → 结果回传模型

Prompt 模板

（本文无独立长 Prompt 模板；系统角色示例见 Messages / 天气助手片段。）

关键概念

LangChain — 统一 Models 接口与 Agent 组件生态
Function Calling — 工具调用协议层；本文用 @tool / bind_tools / tool_choice 落到 LangChain API
OpenAI — 兼容协议与 ChatOpenAI 默认提供商生态
AI Agent 智能体 — Models 被定位为 Agent 的“大脑/推理引擎”
LangGraph — 同生态上层图编排（本文未展开，相关对照）
init_chat_model — 多提供商通用初始化（纯文本标注，未单独建实体）
ChatOpenAI — OpenAI 兼容聊天模型类（纯文本标注）
Messages（System/Human/AI/Tool）— 对话上下文基本单位（纯文本标注）
batch_as_completed — 按完成顺序返回的批量语义（纯文本标注）

与其他素材的关联

与 2026-06-13-langchain-openai-agent-tutorial：互补上下层——旧文从 AgentExecutor / 邮件助手讲完整 Agent 闭环；本文下沉到 Models 层 API（初始化、四种调用、Messages、bind_tools），是“大脑”底座。
与 2026-06-13-deep-agents-framework-guide：Deep Agents 在 LangChain 之上做 harness；本文解释底层如何换模型、流式与工具绑定。
与 2026-07-05-juejin-claude-code-tool-calling：同是工具调用，不同运行时——Claude Code 侧重宿主 harness（权限/Hook/并发/取消）；本文侧重 LangChain 侧 schema 绑定与 tool_choice。
与 2026-07-05-juejin-context-engineering-harness：Models 参数（temperature、retries）与 harness 可靠性同属“生产可用”层，但本文更偏 SDK 教程。

原文精彩摘录

在 LangChain 中，模型是整个框架的核心组件，堪称 Agent 的推理引擎。LangChain 通过统一的接口封装了不同提供商（OpenAI、Anthropic、Google Gemini 等）的模型，让开发者可以在不改变业务代码的情况下自由切换底层模型。

重要提示：当前市面上绝大多数模型 API 接口都兼容 OpenAI 的调用规则，所以无论你使用任何模型（本地部署的 Qwen、DeepSeek 等），只要配置正确的 OPENAI_BASE_URL，就可以直接使用 langchain_openai 来调用。这就是为什么 ChatOpenAI 不仅仅用于 OpenAI 自己的模型。

函数的文档字符串 """查询指定位置的天气""" 就是工具的描述信息，模型会根据这个描述来判断何时调用该工具。描述越清晰，模型越容易做出正确的工具选择。

个人知识库

探索

2026-07-19-juejin-langchain-models-guide