目录前言一、Model I/O 整体架构三段式流水线二、LangChain 三类模型别再混淆 ChatModel / LLM / Embeddings三、Models 层核心价值统一接口告别多 SDK 重复开发1.原生 SDK 的致命痛点2.LangChain 统一接口优势四、在线模型基础实战ChatOpenAI 标准用法1.环境准备2.最简调用示例3.核心可调参数详解4.Token 基础认知五、动态多模型切换init_chat_model 通用初始化六、四种标准调用方式覆盖全部业务场景1.同步调用 invoke ()日常开发首选2.异步调用 ainvoke ()高并发 Web 服务3.流式调用 stream ()聊天打字机效果4.批量调用 batch ()离线批量处理七、标准化消息体系区分系统 / 用户 / AI / 工具消息八、多平台在线模型接入实战速查表1.OpenAI 兼容接口DeepSeek、硅基流动、CloseAI 代理2.非 OpenAI 原生格式Claude、Gemini3.各平台接入速览九、全文总结前言做大模型应用开发最头疼的莫过于多厂商 API 不统一OpenAI、DeepSeek、Claude、本地 Ollama 各一套调用逻辑切换模型就要重写大量代码流式、批量、异步逻辑全部要适配维护成本指数级上涨。LangChain 给出了标准化解决方案 ——Model I/O作为框架与大模型交互的核心底座统一封装「提示词格式化、模型调用、输出结构化解析」全流程实现一次编码全平台通用。本文结合实战代码完整拆解 Model I/O 架构、模型分类、多厂商接入、各类调用方式与生产级高级特性。一、Model I/O 整体架构三段式流水线Model I/O 定义了从用户提问到结构化结果输出的完整链路分为三大核心环节Prompts 提示词模板怎么问将用户原始输入、系统角色指令、历史对话统一封装为模型可识别的标准化消息支持动态变量填充、多轮对话拼接。Models 模型调用问谁框架最核心抽象层屏蔽 OpenAI、Claude、Gemini、本地 Ollama 等所有厂商接口差异提供完全一致的调用方法。Output Parsers 输出解析怎么用答案将模型自由文本输出自动转换为 JSON、Pydantic 对象等结构化数据方便下游程序读取、存储、计算。一句话流程用户问题 → Prompt 格式化 → 统一接口调用模型 → 结构化输出结果。二、LangChain 三类模型别再混淆 ChatModel / LLM / EmbeddingsLangChain 内置三种完全不同用途的模型类型绝大多数业务开发只需要Chat Models。模型类型输入输出格式代表类定位与使用场景Chat Models对话模型消息列表 → AI 消息对象ChatOpenAI、ChatAnthropic、ChatOllama主流首选现代大模型统一标准支持多轮对话、工具调用、多模态课程 / 项目全部使用该类型LLMs补全模型纯字符串 → 纯字符串OpenAI (旧版)已淘汰早期 GPT3 文本补全接口不支持角色消息格式仅兼容旧项目Embeddings向量模型文本 → 浮点数字向量OpenAIEmbeddings、HuggingFaceEmbeddings不生成文字用于 RAG 检索、语义相似度、文本聚类独立于对话流程重要结论文中所有「模型调用」若无特殊说明均指代 Chat Models。三、Models 层核心价值统一接口告别多 SDK 重复开发1.原生 SDK 的致命痛点直接使用各厂商原生 SDK 开发切换模型等于重构代码OpenAIclient.chat.completions.create()结果取 .choices[0].message.contentClaudeclient.messages.create()结果取 .content[0].text流式、批量、重试、异步逻辑每家写法完全不同对比场景同时测试 GPT-4o-mini、DeepSeek、Claude原生 SDK 需要三套 Client、三套取值逻辑、三套流式代码维护成本极高。2.LangChain 统一接口优势无论切换哪家模型仅修改一行初始化代码业务调用逻辑完全不变# 1. OpenAI llm ChatOpenAI(modelgpt-4o-mini) # 2. DeepSeek兼容OpenAI接口仅改配置 llm ChatOpenAI(modeldeepseek-chat, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com/v1) # 3. Claude专用类调用逻辑不变 llm ChatAnthropic(modelclaude-sonnet-4-20250514) # 统一调用方式全程无需改动 res llm.invoke(一句话解释量子计算) print(res.content) # 统一取值 .content全场景统一能力同步invoke()、异步ainvoke()、流式stream()、批量batch()方法通用结果统一AIMessage对象.content获取文本.response_metadata获取 Token 消耗内置重试、超时、回调监控、速率限制无需手动封装四、在线模型基础实战ChatOpenAI 标准用法1.环境准备使用.env文件管理密钥禁止硬编码密钥# .env 文件 OPENAI_API_KEYsk-xxx OPENAI_BASE_URLhttps://api.openai.com/v1依赖安装uv add langchain-openai python-dotenv2.最简调用示例from langchain_openai import ChatOpenAI from dotenv import load_dotenv load_dotenv() # 自动读取.env环境变量 llm ChatOpenAI(modelgpt-4o-mini) response llm.invoke(介绍LangChain Model I/O) # 返回AIMessage对象不能直接打印 print(type(response)) print(回答文本, response.content) print(Token消耗元信息, response.response_metadata)3.核心可调参数详解llm ChatOpenAI( modelgpt-4o-mini, # 必填模型名称 temperature0.7, # 随机性 0~1 max_tokens1000, # 最大输出token timeout60, # 请求超时秒数 max_retries2 # 失败自动重试次数 )temperature 场景选择指南使用场景推荐温度原因代码生成、数据提取、翻译0 ~ 0.3输出稳定、无随机偏差通用问答、文本摘要、数据分析0.3 ~ 0.7平衡准确与流畅度创意写作、起名、头脑风暴0.7 ~ 1.0高多样性、发散创意4.Token 基础认知Token 是大模型最小处理单元不等于汉字 / 单词中文1 Token ≈ 1~1.8 个汉字英文1 Token ≈ 3~4 个字母 不同厂商分词器OpenAI cl100k_base / Claude 自研分词统计 Token 数量存在差异计费规则为总 Token 输入提示词 Token 输出回答 Token。五、动态多模型切换init_chat_model 通用初始化如果项目需要运行时动态切换 OpenAI / Claude / Geminiinit_chat_model无需导入多个厂商类一个函数统一管理from langchain.chat_models import init_chat_model import os from dotenv import load_dotenv load_dotenv() # 初始化三家不同厂商模型 llm_gpt init_chat_model(gpt-4o-mini, model_provideropenai) llm_claude init_chat_model(claude-sonnet-4-20250514, model_provideranthropic) llm_gemini init_chat_model(gemini-3.1-flash-lite, model_providergoogle_genai) # 统一调用逻辑批量对比输出 models [(GPT, llm_gpt), (Claude, llm_claude), (Gemini, llm_gemini)] for name, model in models: res model.invoke(一句话介绍自己) print(f{name}: {res.content})适用场景模型 A/B 测试、用户前端自选模型、多租户系统区分模型。六、四种标准调用方式覆盖全部业务场景1.同步调用 invoke ()日常开发首选串行阻塞调用适合简单问答、单次脚本任务llm ChatOpenAI(modelgpt-4o-mini) res llm.invoke(什么是RAG检索增强生成) print(res.content)2.异步调用 ainvoke ()高并发 Web 服务基于 Python async/await并行处理多请求大幅缩短总耗时import asyncio from langchain_openai import ChatOpenAI llm ChatOpenAI(modelgpt-4o-mini) prompts [介绍北京, 介绍上海, 介绍广州] async def batch_async(): # 批量并发派发请求 tasks [llm.ainvoke(p) for p in prompts] results await asyncio.gather(*tasks) for r in results: print(r.content[:30]) asyncio.run(batch_async())性能对比5 个请求串行耗时约 9s异步并行仅需 2s请求越多提升越明显。3.流式调用 stream ()聊天打字机效果逐 Token 返回内容提升前端交互体验llm ChatOpenAI(modelgpt-4o-mini) print(AI输出) full_msg None for chunk in llm.stream(写一首春日短诗): full_msg chunk if full_msg is None else full_msg chunk print(chunk.content, end, flushTrue)4.批量调用 batch ()离线批量处理批量处理独立文本自动调度并发questions [Python是什么, JavaScript是什么, Go语言是什么] responses llm.batch(questions) for q, a in zip(questions, responses): print(fQ:{q}\nA:{a.content}\n)七、标准化消息体系区分系统 / 用户 / AI / 工具消息LangChain 使用四类消息对象规范对话上下文支撑多轮对话、Agent 工具调用消息类型类名作用SystemMessage系统消息设定 AI 角色、规则、输出约束HumanMessage用户消息用户提问、输入内容AIMessageAI 消息历史 AI 回复构建对话上下文ToolMessage工具消息外部工具执行返回结果多轮对话完整示例from langchain_core.messages import SystemMessage, HumanMessage, AIMessage from langchain_openai import ChatOpenAI llm ChatOpenAI(modelgpt-4o-mini) # 完整对话上下文 dialog [ SystemMessage(content你是专业Python编程助手回答简洁), HumanMessage(content你好我叫小明), AIMessage(content你好小明有什么编程问题), HumanMessage(content什么是Python装饰器) ] res llm.invoke(dialog) print(res.content)三种消息传入方式直接传字符串单轮简单问答消息列表最常用多轮对话、系统角色设定元组 / 字典动态从数据库、配置加载对话模板八、多平台在线模型接入实战速查表1.OpenAI 兼容接口DeepSeek、硅基流动、CloseAI 代理这类平台完全遵循 OpenAI Chat Completions API直接使用ChatOpenAI仅修改base_url与密钥# DeepSeek示例 llm ChatOpenAI( modeldeepseek-chat, api_keyos.getenv(DEEPSEEK_API_KEY), base_urlhttps://api.deepseek.com/v1 )2.非 OpenAI 原生格式Claude、Gemini使用厂商专用类或init_chat_model统一封装调用逻辑不变。3.各平台接入速览平台使用类模型示例环境变量OpenAI/CloseAI 代理ChatOpenAIgpt-4o-miniOPENAI_API_KEY、OPENAI_BASE_URLDeepSeekChatOpenAIdeepseek-chatDEEPSEEK_API_KEY、DEEPSEEK_BASE_URL硅基流动ChatOpenAIQwen/Qwen3-8BSILICONFLOW_API_KEY、SILICONFLOW_BASE_URLAnthropic ClaudeChatAnthropicclaude-sonnet-4ANTHROPIC_API_KEYGoogle GeminiChatGoogleGenerativeAIgemini-3.1-flashGOOGLE_API_KEY九、全文总结Model I/O 三层流水线Prompt 格式化 → Models 统一调用 → Output 结构化解析是 LangChain 与大模型交互的核心骨架。Chat Models 是主流摒弃过时 LLMsEmbeddings 仅用于 RAG 向量检索。统一接口是核心优势切换模型仅修改初始化代码invoke/stream/ainvoke/batch全平台通用大幅降低多模型项目维护成本。接入方案全覆盖兼容 OpenAI 接口厂商、Claude/Gemini 原生 API、本地 Ollama 开源模型。生产能力完备支持异步并发、流式交互、多模态、限流、Token 监控、提示词缓存可直接落地线上 AI 应用。Model I/O 是所有 LangChain 应用的基础掌握模型调用层后才能继续学习提示词工程、RAG 检索、Agent 智能体等进阶能力。