* LangChain 模型统一接入：ChatOpenAI 兼容用法与 init_chat_model 详解

本章对应的官网文档出处：

英文文档：https://docs.langchain.com/oss/python/langchain/models

中文文档：https://docs.langchain.org.cn/oss/python/langchain/models

一、ChatOpenAI 兼容用法

1.1 兼容接口的使用背景

一方面，LangChain没有为所有大模型厂商提供专用接口，见Langchain大模型集成列表。如果选用的 平台没有专用接口，可以通过兼容接口调用。

另一方面，专用接口的对接方式五花八门，如腾讯混元的ChatHunyuan需要单独的APP_ID + SecretId

• SecretKey ，配置繁琐，用户不友好。

结论：大多数API平台都支持OpenAI API接口规范，所以基本都可以通过 ChatOpenAI 集成。

1.2 通过 ChatOpenAI 调用 DeepSeek

1 from langchain_openai import ChatOpenAI
2
3 load_dotenv(override=True)
4
5 # 通过ChatOpenAI 连接deepseek模型
6 DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
7 DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")
8
9 deepseek_llm2 = ChatOpenAI(
10 api_key=DEEPSEEK_API_KEY,
11 base_url=DEEPSEEK_BASE_URL,
12 model="deepseek-v4-flash",
13 )
14
15 response = deepseek_llm2.invoke("1 + 1 = ？")
16 print(response)

1.3 通过 ChatOpenAI 调用智谱与通义千问

1 load_dotenv(override=True)
2
3
4 #通过ChatOpenAI 连接智谱AI模型
5 ZHIPUAI_API_KEY = os.getenv("ZHIPUAI_API_KEY")
6 ZHIPUAI_BASE_URL = os.getenv("ZHIPUAI_BASE_URL")
7
8 zhipu_llm2 = ChatOpenAI(
9 api_key=ZHIPUAI_API_KEY,
10 base_url=ZHIPUAI_BASE_URL,
11 model="glm-5.1",
12 )
13
14 #通过ChatOpenAI 连接通义千问模型
15 DASHSCOPE_API_KEY = os.getenv("DASHSCOPE_API_KEY")
16 DASHSCOPE_BASE_URL = os.getenv("DASHSCOPE_BASE_URL")
17
18 tongyi_llm2 = ChatOpenAI(
19 api_key=DASHSCOPE_API_KEY,
20 base_url=DASHSCOPE_BASE_URL,
21 model="qwen-plus",
22 )

二、init_chat_model 统一初始化接口

init_chat_model 是 LangChain 1.x 中推出的用于初始化聊天模型的统一接口。只要是LangChain支持的模型都可以处理，它会根据模型名称自动选择对应的模型类初始化实例。

2.1 基本语法

1 from langchain.chat_models import init_chat_model
2
3 model = init_chat_model(
4 "provider:model_name", # 提供商:模型名称
5 api_key="your-api-key", # API 密钥（可选，可从环境变量读取）
6 temperature=0.7, # 温度参数（可选）
7 max_tokens=1000, # 最大 token 数（可选）
8 **kwargs # 其他模型特定参数
9 )

2.2 与直接使用模型类的区别

回答： init_chat_model 是 LangChain 1.0 的统一接口，优势包括：

• 统一接口：无需记住每个提供商的不同初始化方式（以一致的方式初始化）

• 易于切换：简化了智能体系统中模型切换策略（只需修改模型字符串）

• 简洁明了：更简洁的语法，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(ChatOpenAI、ChatDeepSeek)

图示：

三、init_chat_model 使用示例

3.1 调用 DeepSeek 官网的大模型

1 import os
2 from langchain.chat_models import init_chat_model
3 from dotenv import load_dotenv
4
5 # 从.env文件中加载环境变量
6 load_dotenv(override=True)
7
8 # 从环境变量读取配置
9 DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
10 DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")
11
12
13 model = init_chat_model(model="deepseek:deepseek-v4-flash",
14 #model_provider="deepseek",
15 api_key=DEEPSEEK_API_KEY,
16 base_url=DEEPSEEK_BASE_URL)
17 # 向模型发送单条数据
18 response = model.invoke("你好，用一句话回答")
19 # 打印响应
20 print(response)

当我们传递的模型名称为deepseek-v4-flash 时，init_chat_model会自动调用ChatDeepSeek初始化模型实例，和直接通过ChatDeepSeek初始化的效果完全一致。

3.2 调用阿里百炼大模型

环境变量

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

代码：

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4
5 load_dotenv(override=True)
6
7 DASHSCOPE_API_KEY=os.getenv("DASHSCOPE_API_KEY")
8 DASHSCOPE_BASE_URL=os.getenv("DASHSCOPE_BASE_URL")
9
10 model = init_chat_model(model="qwen-plus",
11 model_provider="openai",
12 api_key=DASHSCOPE_API_KEY,
13 base_url=DASHSCOPE_BASE_URL)
14
15 print(model.invoke("你好，用一句话回答"))

3.3 调用 CloseAI 中转平台大模型

环境变量

1 CLOSEAI_API_KEY=<YOUR_API_KEY>
2 CLOSEAI_BASE_URL=https://api.openai-proxy.org/v1

代码：

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4
5 load_dotenv(override=True)
6
7 CLOSEAI_API_KEY=os.getenv("CLOSEAI_API_KEY")
8 CLOSEAI_BASE_URL=os.getenv("CLOSEAI_BASE_URL")
9
10 model = init_chat_model(model="deepseek-v4-flash",
11 model_provider="openai",
12 api_key=CLOSEAI_API_KEY,
13 base_url=CLOSEAI_BASE_URL)
14
15 print(model.invoke("你好，用一句话回答"))

3.4 model_provider 与模型提供商

3.4.1 model_provider 支持哪些 provider？

model_provider 表示模型的提供者，支持的providers有：anthropic , anthropic_bedrock,

azure_ai, azure_openai, bedrockbedrock_converse, cohere, deepseek , fireworks, google_anthropic_vertex, google_genai, google_vertexaigrog, huggingface, ibm, mistralai, nvidia,

ollama , openai , openrouter , perplexity, together, upstage, xai。

• 如果 model_provider=“openai” ，会自动加载langchain-openai 的依赖包，底层调用的是

ChatOpenAI 类。

• 如果 model_provider=“deepseek” ，会自动加载langchain-deepseek 的依赖包，底层调用的 是ChatDeepSeek 类。

• 像阿里的dashscope 尚未被LangChain官方纳入模型的统一注册体系，暂时不知 道"dashscope"的提供者是谁。此时可以将model_provider设置为openai，底层将会用openai的 规范处理请求，这就要求我们调用的模型服务是OpenAI Compatible的。

3.4.2 模型提供商的指定与自动推断

可以在model参数中通过前缀指定模型供应商，和模型名称之间用冒号分割，等价于通过 model_provider参数指定供应商。如果两个位置都没有指明供应商，LangChain底层会按照内置规则自动推断。

但是，并非所有的模型都支持自动推断，如model名称qwen-plus 不支持自动推断，没有指明供应商会报错。

四、模型创建方式小结

1 DeepSeek官网的DeepSeek模型：可以调用ChatDeepSeek()、ChatOpenAI()、
init_chat_model()三种方式
2
3 阿里云百炼平台的DeepSeek模型：可以调用ChatTongyi()、ChatOpenAI()、init_chat_model()
三种方式
4
5 OpenRouter平台的DeepSeek模型：可以调用ChatOpenRouter()、ChatOpenAI()、
init_chat_model()三种方式
6
7 CloseAPI平台的DeepSeek模型：可以调用ChatOpenAI()、init_chat_model() 两种方式

五、常用模型初始化参数

在LangChain中，Model Class 和init_chat_model初始化模型共同的参数及解释。

API文档：https://docs.langchain.org.cn/oss/python/langchain/models#parameters

说明：

六、temperature 与 Token 实例

6.1 temperature 参数与使用场景

• 0.0-0.3：需要一致性、准确性的任务（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（聊天、问答）

• 0.8-1.5：创造性任务（写作、头脑风暴）

• 1.5-2.0：高度创造性（诗歌、故事创作）

6.1.1 低温度生成结果示例

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4 # 从.env文件中加载环境变量
5 load_dotenv(override=True)
6

7 model = init_chat_model(
8 # model="gpt-5.4-mini",
9 model="deepseek-v3.2",
10 model_provider="openai",
11 temperature=0,
12 api_key=os.getenv("CLOSEAI_API_KEY"),
13 base_url=os.getenv("CLOSEAI_BASE_URL"),
14 )
15 # 向模型发送单条数据
16 for i in range(3):
17 response = model.invoke("帮我写一首描述春天的七言绝句诗")
18 # 打印响应
19 print(response.content)

1 《春晓》
2 东君巡野过青岑，一岭云霞一岭金。
3 最是多情溪畔柳，偷藏莺语送行人。
4
5 注：我的创作思路是通过“东君巡野”、“云霞鎏金”等意象展现春日山川的瑰丽，以拟人手法赋予
自然灵性。后两句聚焦溪柳藏莺的细节，以“偷”字点破春的俏皮，结句“送行人”将画面延伸至画
外，留有余韵。全诗色彩明丽，动静相生，试图在传统春景题材中注入轻盈的巧思。
6 《春晓》
7 东君巡野过青岑，一岭云霞一岭金。
8 最是多情溪畔柳，偷藏莺语送行人。
9
10 注：我的创作思路是通过“东君巡野”、“云霞鎏金”等意象展现春日山川的瑰丽，以拟人手法赋予
溪柳灵性，借“偷藏莺语”传递春日的生机与含蓄情韵。诗中“巡”、“藏”、“送”等动词的运用，使
静态春景流动起来，末句以行人视角收束，留有余味。
11 《七绝·春晓》
12 一夜东风万树花，清溪破冻响琵琶。
13 莺啼柳浪云烟湿，人在春山第几家。
14
15 注：诗中“东风”、“万树花”展现春的蓬勃，“清溪破冻”以动衬静，暗喻生机复苏。后两句以莺啼
柳浪、云烟湿翠勾勒朦胧春色，尾句以问作结，平添寻春之趣与悠然余韵，全篇动静相宜，远近交
叠，尽显春之生意。

此时，设置为 后，模型会始终选择概率最高的 Token，确保字段准确、不胡乱发挥。

6.1.2 高温度生成结果对比

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4 # 从.env文件中加载环境变量
5 load_dotenv(override=True)
6
7 model = init_chat_model(
8 # model="gpt-5.4-mini",
9 model="deepseek-v3.2",
10 model_provider="openai",
11 temperature=1.5,
12 api_key=os.getenv("CLOSEAI_API_KEY"),
13 base_url=os.getenv("CLOSEAI_BASE_URL"),
14 )
15 # 向模型发送单条数据
16 for i in range(3):
17 response = model.invoke("帮我写一首描述春天的七言绝句诗")

18 # 打印响应
19 print(response.content)

1 《壬寅仲春即事》
2 东君醉酒泼彤云，一岭胭脂一岭曛。
3 怪道莺声啼不彻，枝头烧作石榴裙。
4
5 注：诗中“东君”代指春神，以其醉意泼洒彩霞为喻，形象展现春色之浓郁灵动。后两句通过莺啼
不绝与石榴裙的巧妙联想，以火焰比喻花海翻腾之势，全诗在传统春景描绘中融入奇幻色彩，浪漫
笔法间尽显春之热烈与生机盎然。
6 《春溪行》
7 东君遣暖润青苔，波光潋滟载云回。
8 莫道残寒犹料峭，一枝红蕊过溪来。
9
10 注：全诗以碧溪破冰、波光载云的视觉变化，展现初春的流动生机。后两句用“残寒料峭”与“红蕊
过溪”形成冷峻与热烈的鲜明对比，通过拟人化技法使春色具有冲破束缚的动势，暗合人生际遇中
希望常在的哲思。
11 《仲春野行》
12 东君遣煦渥郊乡，粉李绯桃竞试妆。
13 最赏青畴酥雨足，一犁烟水伴牛驮。
14
15 注：本诗以传统笔法勾勒春景，通过“东君遣煦”、“桃李试妆”展现春神的雍容与百花的娇媚。后
两句转写田园，以“酥雨”、“犁烟”意象突出春耕时节泥土的润泽与生机，牛驮微雨中缓行的画
面，传递出深邃而醇厚的自然生趣。

6.1.3 严格的结构化数据提取

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4 # 从.env文件中加载环境变量
5 load_dotenv(override=True)
6
7 model = init_chat_model(
8 model="deepseek-v3.2",
9 model_provider="openai",
10 temperature=0,
11 api_key=os.getenv("CLOSEAI_API_KEY"),
12 base_url=os.getenv("CLOSEAI_BASE_URL"),
13 )
14 # 向模型发送单条数据
15 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")
16 print(response.content)

1 {
2 "name": "张三",
3 "gender": "男",
4 "age": 30,
5 "programming_experience_years": 8,
6 "current_position": "技术专家",
7 "current_company_type": "互联网大厂"
8 }

6.1.4 创意文案与头脑风暴

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4 # 从.env文件中加载环境变量
5 load_dotenv(override=True)
6
7 model = init_chat_model(
8 model="deepseek-v3.2",
9 model_provider="openai",
10 temperature=1.5,
11 api_key=os.getenv("CLOSEAI_API_KEY"),
12 base_url=os.getenv("CLOSEAI_BASE_URL"),
13 )
14 # 向模型发送单条数据
15 response = model.invoke("请为一款极致静音的机械键盘写3个充满诗意且极具张力的广告语。")
16 print(response.content)

1 1. **「指尖落下无声诗，每个字都沉入深海」**
2 *奔赴思绪的静谧领域，让敲击成为心流的涟漪*
3
4 2. **「在银桦雪原上耕种文字，唯留耕者的呼吸」**
5 *以失声的机械之齿，驯服每一次破晓的灵感*
6
7 3. **「当键盘学会芭蕾，世界只剩文案绽放的轻重音」**
8 *精密弹力悬浮于声学悬空层，触感在寂静中震耳欲聋*
9
10 —
11
12 注：广告语核心将“静音”属性诗化为**创作禅境、自然隐喻与艺术比拟**，通过矛盾张力（如
“失声的机械”“寂静中震耳欲聋”）强化产品颠覆性，适用于高端文创/科技消费场景。

6.2 Token 是什么？

基本单位: 大模型通过分词器（Tokenizer）将文本拆分后的最小语义单元是token（相当于自然语言中

的词或字）。不同的模型采用不同的分词算法（如BPE、WordPiece），因此同一段文本在不同模型中 的Token数量可能不同。

收费依据：大语言模型通常也是以token的数量作为其计量（或收费）的依据。

• 1个中文Token≈1-1.8个汉字，1个英文Token≈3-4个字符

• Token与字符转化的可视化工具：

OpenAI提供：https://platform.openai.com/tokenizer 百度智能云提供：https://console.bce.baidu.com/support/#/tokenizer

6.2.1 限制输出 Token 的示例

1 from langchain.chat_models import init_chat_model
2 from dotenv import load_dotenv
3 import os
4 # 从.env文件中加载环境变量
5 load_dotenv(override=True)
6
7 model = init_chat_model(
8 # model="gpt-5.4-nano",
9 model="gpt-5.4-mini",
10 # temperature=0.7,

11 api_key=os.getenv("CLOSEAI_API_KEY"),
12 base_url=os.getenv("CLOSEAI_BASE_URL"),
13 max_tokens=15,
14 )
15 # 向模型发送单条数据
16 response = model.invoke("请用中文详细介绍什么是AI")
17 # 打印响应
18 print(response)
19
20 # print(response.content)
21 # print(response.response_metadata["finish_reason"])

1 content='当然可以。下面我用中文尽量系统、通' additional_kwargs={'refusal':
None} response_metadata={'token_usage': {'completion_tokens': 15,
'prompt_tokens': 14, 'total_tokens': 29, 'completion_tokens_details':
{'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens':
0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details':
{'audio_tokens': 0, 'cached_tokens': 0}, 'latency_checkpoint':
{'engine_tbt_ms': 5, 'engine_ttft_ms': 29, 'engine_ttlt_ms': 109,
'pre_inference_ms': 83, 'service_tbt_ms': 4, 'service_ttft_ms': 279,
'service_ttlt_ms': 336, 'total_duration_ms': 261,
'user_visible_ttft_ms': 196}}, 'model_provider': 'openai', 'model_name':
'gpt-5.4-mini-2026-03-17', 'system_fingerprint': None, 'id': 'chatcmpl-
Dg3tYDOZ1xWSR3EaTX8jlM58yUSq2', 'service_tier': 'default',
'finish_reason': 'length', 'logprobs': None} id='lc_run–019e2fb9-11b0-
7901-9076-a45fc0b41125-0' tool_calls=[] invalid_tool_calls=[]
usage_metadata={'input_tokens': 14, 'output_tokens': 15, 'total_tokens':
29, 'input_token_details': {'audio': 0, 'cache_read': 0},
'output_token_details': {'audio': 0, 'reasoning': 0}}