LangChain 聊天模型初始化：3 种常见方式

开发 AI 应用时，大语言模型通常承担核心的推理与生成工作。在 LangChain 中，初始化聊天模型主要有两种方式：

使用供应商专属的集成类。LangChain 为部分模型供应商提供了专门的聊天模型类；例如 ChatOpenAI、ChatAnthropic 和 ChatDeepSeek。导入相应类后即可实例化。
使用统一的 init_chat_model 函数。该函数提供较一致的初始化入口，并根据指定的模型或供应商加载相应的集成；不同供应商支持的参数和能力仍应以各自文档为准。

使用供应商专属集成类

LangChain 为许多模型供应商提供了独立的集成包和聊天模型类。下面以 DeepSeek 的 ChatDeepSeek 为例说明初始化方式。

先安装依赖；这里使用 uv：

uv add langchain langchain-deepseek python-dotenv

各依赖的作用如下：

langchain：LangChain 的核心包。
langchain-deepseek：DeepSeek 的 LangChain 集成包，提供 ChatDeepSeek。
python-dotenv：从 .env 文件加载环境变量。

调用在线模型通常需要 API 密钥。建议将密钥放在项目的 .env 文件中，并将该文件加入 .gitignore，避免误提交到版本控制系统。例如：

DEEPSEEK_API_KEY=填写你的_API_Key

# 使用 ChatOpenAI 对接时必须配置；使用 ChatDeepSeek 官方接口时可省略
DEEPSEEK_BASE_URL=https://api.deepseek.com

随后调用 python-dotenv 提供的 load_dotenv()，将这些配置加载到环境变量中。

下面是一个包含自定义服务地址的完整示例：

import os

from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

# 自动查找并加载 .env 文件
load_dotenv()

api_key = os.getenv("DEEPSEEK_API_KEY")
api_base = os.getenv("DEEPSEEK_BASE_URL")

model = ChatDeepSeek(
    model="deepseek-v4-flash",
    api_key=api_key,
    api_base=api_base,
    # temperature=0,
    # max_tokens=None,
    # timeout=None,
    # max_retries=2,
)

# invoke 是同步（阻塞）调用，返回 AIMessage 对象
response = model.invoke("你好")

print(response.content)

以上示例中的 deepseek-v4-flash 是 DeepSeek 当前提供的模型名之一。模型名称、可用能力和服务地址可能会变化，应以 DeepSeek API 文档为准。

如果使用 DeepSeek 官方 API，通常不需要显式传入 api_key 和 api_base：

from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

load_dotenv()

model = ChatDeepSeek(model="deepseek-v4-flash")

response = model.invoke("你好")

print(response.content)

这是因为 ChatDeepSeek 会从环境变量 DEEPSEEK_API_KEY 读取 API 密钥，并默认使用 DeepSeek 官方服务地址 https://api.deepseek.com。

其他供应商的集成流程也大致相同：安装对应的 LangChain 集成包、配置凭证、实例化聊天模型，然后根据该供应商的文档调整模型名称和参数。不同集成的构造函数、环境变量名称及能力并不完全一致，不能直接照搬 ChatDeepSeek 的参数。

使用 `init_chat_model`

init_chat_model 是聊天模型的统一初始化入口。安装相应供应商的集成包后，可用同一套调用方式创建并调用模型；通用参数（如 temperature、max_tokens）可直接传入。供应商专有参数和能力仍需查阅对应集成文档。

仍以 DeepSeek 为例（需已安装 langchain-deepseek 并配置 DEEPSEEK_API_KEY）：

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

model = init_chat_model("deepseek:deepseek-v4-flash")

response = model.invoke("你好")
print(response.content)

模型可用 provider:model 格式指定；推荐显式写出供应商，便于阅读，也避免模型名解析产生歧义。等价的写法是：

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="deepseek",
)

适用场景：希望以统一接口切换或比较不同供应商的模型。若需要供应商专有的配置或能力，直接使用 ChatDeepSeek、ChatOpenAI 等集成类通常更清晰。

参考：Providers and models、Models。

使用 OpenAI 兼容写法

对于提供 OpenAI Chat Completions 兼容接口的服务，可以使用 ChatOpenAI，并通过 base_url 指向该服务的地址。这种方式依赖 langchain-openai，与供应商专属集成包无关：

uv add langchain-openai

以 DeepSeek 为例：

import os

from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

model = ChatOpenAI(
    model="deepseek-v4-flash",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)

response = model.invoke("你是什么模型？")
print(response.content)

使用 init_chat_model 时，指定 model_provider="openai" 也会创建 ChatOpenAI：

import os

from langchain.chat_models import init_chat_model

model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="openai",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)

适用场景：服务没有专属 LangChain 集成包，或需要接入代理、聚合平台和自建兼容网关。

注意：OpenAI 兼容仅表示接口格式兼容，并不保证完整支持供应商专有功能。第三方服务的非标准参数、响应字段或能力可能无法被 ChatOpenAI 识别或保留；有专属集成包时，优先使用专属类。

使用供应商专属集成类

使用 init_chat_model

使用 OpenAI 兼容写法

评论

使用 `init_chat_model`