LangChain 基础模型
init_chat_model · create_agent · 流式输出

1 什么是 LangChain 基础模型层？核心概念总览

LangChain 的 Module 1 从最基础的能力入手：如何调用大语言模型（LLM）？如何构建一个能记住对话、会调用工具的 Agent？

这一节（1.1_foundational_models）关注的是最基础的三件事：

• 初始化模型：用 init_chat_model 统一不同厂商的模型接口
• 构建 Agent：用 create_agent 把模型包装成一个能持续对话的智能体
• 流式输出：用 agent.stream() 让 LLM 的响应像打字机一样逐字显示，而不是等全部生成完再显示

2 init_chat_model：统一的模型初始化接口

LangChain 提供 init_chat_model 函数，统一了不同 LLM 提供商的初始化方式。你只需要传入模型名称、提供商标识符和 API 密钥，就能得到一个标准的聊天模型对象。

基础用法：直接初始化 Google Gemini

最简单的用法是直接用 LangChain 官方集成的模型类：

from langchain_google_genai import ChatGoogleGenerativeAI

# 直接初始化 Gemini 模型
model = ChatGoogleGenerativeAI(model="gemini-2.5-flash-lite")

# 直接调用：注意这是 model.invoke，不是 agent.invoke
response = model.invoke("What's the capital of the Moon?")
print(response.content)

封装 DeepSeek 的工厂函数

notebook 里定义了一个 deepseek_model() 工厂函数，封装了所有 DeepSeek 相关的初始化细节：

from dotenv import load_dotenv
load_dotenv()  # 从 .env 文件加载 DEEPSEEK_API_KEY 等环境变量

import os
from langchain.chat_models import init_chat_model

DEEPSEEK_MODEL = "deepseek-v4-flash"
DEEPSEEK_BASE_URL = "https://api.deepseek.com"

def deepseek_model(model: str = DEEPSEEK_MODEL, max_tokens=200, **kwargs):
    return init_chat_model(
        model=model,
        model_provider="deepseek",   # 或 "openai"（DeepSeek 兼容 OpenAI 格式）
        max_tokens=max_tokens,
        base_url=DEEPSEEK_BASE_URL,
        api_key=os.environ["DEEPSEEK_API_KEY"],
        **kwargs
    )

使用工厂函数初始化模型：

model = deepseek_model(temperature=1)
print(model)  # 打印模型对象，确认配置

# 直接调用模型（不经过 Agent）
response = model.invoke("what is 1+1?")
print(response.content)  # → "The answer is 2."

init_chat_model 的关键参数

3 create_agent：用模型构建 Agent

create_agent 是 LangChain 提供的高层 API，它把一个聊天模型包装成一个完整的 LangGraph Agent（底层是一个带 checkpointer 的 StateGraph）。

Agent 相比原始模型多了什么？

• 消息历史管理：维护 messages 列表，支持多轮对话
• 工具调用：可以绑定工具，模型决定何时调用
• 检查点（checkpointer）：持久化对话状态，支持跨调用记忆
• System Prompt：注入系统提示，定义 Agent 的角色和行为

from langchain.agents import create_agent

# 最基础的用法：只传入模型
agent = create_agent(model=deepseek_model())

4 Agent 的 invoke：同步调用与响应结构

调用 Agent 用 agent.invoke({"messages": [...]})，输入是一个包含 messages 键的字典，消息可以用 HumanMessage 对象或字典格式传入。

使用 HumanMessage 对象

from langchain.messages import HumanMessage

agent = create_agent(deepseek_model())

messages = [
    {"role": "user",      "content": "what is 1+1?"},
    {"role": "assistant", "content": "2"},
    {"role": "user",      "content": "how about times 5?"}
]

response = agent.invoke({"messages": messages})
print(response['messages'][-1].content)

response 的结构解析

Agent 的响应是一个字典，核心键是 messages，它是一个消息列表，包含完整的对话历史：

print(len(response['messages']))  # → 4（3 条输入 + 1 条 AI 响应）

for msg in response['messages']:
    print(msg.content)

5 流式输出（stream_mode="messages"）：逐 Token 实时打印

用 agent.invoke() 需要等模型全部生成完才能看到结果。agent.stream() 则让模型每生成一个 token 就立即推送，实现"打字机效果"——这在 UI 交互和长响应场景下体验要好得多。

基础流式用法

messages = [{"role": "user", "content": "Tell me all about Luna City, the capital of the Moon"}]

for token, metadata in agent.stream(
    {"messages": messages},
    stream_mode="messages"   # 关键：按消息/token 流式推送
):
    if token.content:          # 过滤空 token（工具调用消息没有 content）
        print(token.content, end="", flush=True)  # 不换行，实时打印

stream_mode 参数说明

6 metadata 元数据：了解 Agent 内部执行信息

在流式循环里，agent.stream() 同时返回 token（消息内容）和 metadata（执行元数据）。metadata 包含 LangGraph 内部运行时信息，对调试和追踪非常有用。

for token, metadata in agent.stream(
    {"messages": messages},
    stream_mode="messages"
):
    # 第一个 token 时打印 metadata
    print(metadata)
    break

metadata 关键字段解读

7 完整代码与关键概念速查

从零开始的完整示例

from dotenv import load_dotenv
load_dotenv()

import os
from langchain.chat_models import init_chat_model
from langchain.agents import create_agent
from langchain.messages import HumanMessage

# 1. 初始化模型
def deepseek_model(**kwargs):
    return init_chat_model(
        model="deepseek-v4-flash",
        model_provider="deepseek",
        api_key=os.environ["DEEPSEEK_API_KEY"],
        base_url="https://api.deepseek.com",
        max_tokens=500,
        **kwargs
    )

# 2. 构建 Agent
agent = create_agent(deepseek_model())

# 3. 同步调用
response = agent.invoke({"messages": [HumanMessage(content="Hello!")]})
print(response['messages'][-1].content)

# 4. 流式调用
for token, _ in agent.stream(
    {"messages": [{"role": "user", "content": "Tell me a joke"}]},
    stream_mode="messages"
):
    if token.content:
        print(token.content, end="", flush=True)

本节知识全景总结