这里说的模型，完整叫法是大语言模型（LLM）。它能够理解人类语言，使用人类语言生成内容、翻译、提取摘要、回答问题等。
不仅如此，现在大多数的模型还有一些特别能力：
Tool calling - 调用外部工具（例如查询数据库或调用 API），并在其回复中使用这些工具返回的结果。
Structured output - 将模型的响应结果约束为遵循已定义的格式，例如：json
Multimodality - 可以处理和返回文本以外的数据，如图像、音频和视频。
Reasoning - 模型可以执行多步推理来得出结论。
可以说LLM就是Agent的大脑，是Agent的推理引擎。它驱动Agent做出每个决定：何时调用工具、调用哪个工具、如何解释结果，以及何时提供最终答案。
LangChain支持现在市面上大部分的大语言模型（LLM），并且提供了统一的模型调用接口。使您可以轻松访问许多不同的模型提供者，并且在模型之间进行试验和切换也变得很容易。
有关模型提供者（Model Providers）的信息和功能，请参阅langchain官网的 chat model page.
初始化模型
langchain提供了两种常见方法用来初始化模型：
使用
init_chat_model函数，由langchain自动创建模型对象使用不同模型对应的Model类，手动创建模型对象
init_chat_model
在LangChain中开始使用独立模型的最简单方法是使用init_chat_model函数。
调用init_chat_model函数时，你需要从langchain支持的模型提供者（Model Provider）中选择一个模型，而langchain会自动初始化这个模型，非常方便。
例如，我们要使用Deepseek这个模型。
首先，我们需要安装模型依赖：
uv add langchain-deepseek然后，我们要确保在项目的.env环境中配置好api_key:
最后，就可以直接使用init_chat_model初始化模型了：
# 导入Langchain的初始化模型的函数 from langchain.chat_models import init_chat_model # 加载环境变量 from dotenv import load_dotenv load_dotenv() # 调用init_chat_model函数初始化模型，参数model用来指定模型名称，Langchain会根据模型名字自动设定base_url，并从环境变量中获取api_key model = init_chat_model(model="deepseek-chat")测试，我们可以通过打印model的类型，查看生成的结果：
print(type(model)) # <class 'langchain_deepseek.chat_models.ChatDeepSeek'>可见，采用init_chat_model自动初始化模型时，模型的类型由LangChain通过模型名称自动推断。
如果要切换其它模型，我们只需要安装其它模型依赖，然后配置API_KEY，改变模型名称即可，其它代码不用动。
自定义模型及参数
init_chat_model默认会根据模型名称自动确定模型的提供者、其base_url，并从env读取api_key，但前提是必须是langchain支持的模型提供者(支持模型参考链接)，例如：
Openai
Deepseek
Google
Anthropic
...
对于其它不支持的模型，我们必须自定义模型参数来访问。
例如，我们要访问阿里云百炼的qwen-max，它就是不被langchain支持的模型，我们必须自定义模型参数来访问。
我们需要在环境变量中定义api_key和base_url
然后在
init_chat_model中指定model、model_provider、base_url和api_key
具体步骤如下：
首先，在.env中配置好api_key和base_url：
然后，手动读取环境变量中的api_key和base_url：
# 非支持模型无法自动加载环境遍历，我们需要自己加载环境变量中的base_url和api_key import os base_url = os.getenv("DASHSCOPE_BASE_URL") api_key = os.getenv("DASHSCOPE_API_KEY")最后，调用init_chat_model，初始化模型：
# 初始化模型 model = init_chat_model( model="qwen-max", # 模型名称，这里可以自定义，我们用的是阿里的qwen-max model_provider="openai", # 如果是Langchain不支持的模型，需要指定模型提供者（虽然我们用的是阿里，但是阿里兼容openai，所以这里用openai，就是默认采用openai的API规范） base_url=base_url, api_key=api_key )测试，查看生成的模型类型：
print(type(model)) # <class 'langchain_openai.chat_models.base.ChatOpenAI'>除了修改模型提供者以外，init_chat_model方法允许我们调整模型参数，例如：
temperature: 控制生成文本的随机性，值越小越确定，值越大越随机
max_tokens: 控制生成文本的最大长度
top_p: 控制生成文本的多样性，值越小越多样，值越大越确定
timeout: 控制生成文本的超时时间
max_retries: 控制生成文本的最大重试次数
...
# 调用init_chat_model函数初始化模型，并设定模型参数 model = init_chat_model( model="qwen-max", model_provider="openai", base_url=base_url, api_key=api_key, temperature=1.5, )使用Model类
其实init_chat_model方法底层就是帮我们利用Model类创建对象。但只支持有限的模型。而在langchain的社区，除了langchain官方提供的Model，还有些类是社区提供，更丰富多样。
具体支持的模型，可以查看官网地址：https://docs.langchain.com/oss/python/integrations/chat
例如，我们使用社区版本的Model类来访问阿里云百炼的通义千问模型：
首先，我们需要安装依赖
LangChain社区依赖：
uv add langchain-community阿里云百炼依赖：
uv add dashscope然后，我们就可以使用Model类初始化模型了
from langchain_community.chat_models.tongyi import ChatTongyi # 使用Model类初始化模型 model = ChatTongyi( model="qwen-plus" # 其它模型参数... )测试，查看生成的模型类型：
print(type(model)) # <class 'langchain_community.chat_models.tongyi.ChatTongyi'>访问模型
LangChain提供了两个不同的方法来访问模型：
invoke：阻塞式访问
stream：流式访问
invoke
invoke方法是阻塞式调用，需要等待模型生成全部结果才会返回，等待时间较长。
# 调用invoke方法 response = model.invoke("月亮的首都是哪里？") # 查看响应结果 print(response)stream
阻塞式调用需要等待较长时间才能看到AI返回的结果，而流式调用则可以实时看到AI返回的一个个词。
# 通过.stream方法实现流式访问 stream = model.stream("月亮的首都是哪里？") # stream调用返回的结果是一个generator，方便我们循环获取结果 print(type(stream)) # 遍历stream结果，实时打印AI的回复 for chunk in stream: print(chunk.content, end="", flush=True)在Agent中使用模型
Langchain提供了一个create_agent方法用来快速创建智能体。当我们创建Agent的时候，可以直接使用创建好的Model，也可以指定模型名，让Langchain自动初始化模型。
创建智能体
创建智能体，指定模型名，由Langchain初始化模型
from langchain.agents import create_agent # 1.指定Model名称，由LangChain自动初始化模型 agent = create_agent(model="deepseek-chat")创建智能体，并使用创建好的model
import os from dotenv import load_dotenv from langchain.agents import create_agent from langchain_openai import ChatOpenAI # 1. 加载环境变量 load_dotenv() # 2. 使用 Model 类初始化 DeepSeek 模型 model = ChatOpenAI( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com", ) # 3. 使用初始化好的 model 创建智能体 agent = create_agent(model=model)调用智能体
智能体也分为阻塞调用和流式调用两种。
阻塞式调用，使用invoke方法：
# 2.调用模型，需要传入一个消息列表 response = agent.invoke({ "messages": [{"role": "user", "content": "月亮的首都是哪里？"}] }) print(response)流式调用，只需要把调用方式改为stream：
for token, metadata in agent.stream( {"messages": [{"role": "user", "content": "月亮的首都是哪里？"}]}, stream_mode="messages" ): if token.content: # Check if there's actual content print(token.content, end="", flush=True) # Print token要注意，Agent的stream模式同样返回一个generator，但是其结构由stream_mode参数决定：
messages: 返回LLM生成的每一个片段，是一个包含token和metadata的元组（Tuple）
updates: 返回Agent运行过程中的每一次事件，例如与LLM的对话、工具的调用等
custom: 返回通过stream writer记录的每一次自定义的输出
如果是为了流式输出AI返回的结果，使用messages模式即可。
总结
目前为止，我们学习了：
如何使用init_chat_model初始化模型
如何使用Model类初始化模型
如何调用模型
如何创建Agent，并在Agent中使用模型
如何调用Agent
