Python通过LangChain调用LLM模型：ChatOpenAI配置与流式/非流式实践

脚本专家

在构建Agent应用时，最基础的一步就是通过LangChain调用大语言模型（LLM）。LangChain并非模型本身，而是一套AI应用开发框架，负责统一管理模型调用、消息组织、提示词模板、工具集成等。其中，模型入口层是核心，后续的Tool、RAG、Memory、LangGraph都围绕模型调用和消息流转展开。本文以ChatOpenAI为例，展示如何用Python通过LangChain完成一次完整的LLM调用，包括非流式与流式两种方式。

LangChain通过langchain-openai包提供对OpenAI接口格式的支持。这个包不仅支持OpenAI官方模型，也兼容DeepSeek、代理网关等第三方服务——只要它们实现了相同的请求格式。配置时只需修改base_url即可切换模型服务端。

安装依赖
推荐使用uv管理项目依赖，执行命令：

2. uv add langchain-openai python-dotenv

复制代码

如果临时使用pip，也可以：

2. pip install langchain-openai python-dotenv

复制代码

langchain-openai负责模型集成，python-dotenv用于从.env文件读取环境变量。

环境变量配置
以DeepSeek为例，在项目根目录创建.env文件，写入以下内容：

2. LLM_MODEL=deepseek-v4-pro
3. LLM_API_KEY=your_deepseek_api_key_here
4. LLM_BASE_URL=https://api.deepseek.com

复制代码

说明：
- LLM_MODEL：模型名称，DeepSeek当前可用deepseek-v4-flash或deepseek-v4-pro。
- LLM_API_KEY：在DeepSeek平台申请的API Key。
- LLM_BASE_URL：接口地址，DeepSeek兼容OpenAI格式，因此填入https://api.deepseek.com。若使用OpenAI官方服务，可省略此变量或设为官方地址。

创建模型实例
编写两个辅助函数：required_env()用于校验必填环境变量，create_model()用于统一创建ChatOpenAI实例。这样能避免每个调用点重复配置，并在启动时暴露缺失的变量。

2. import os
3. from dotenv import load_dotenv
4. from langchain_openai import ChatOpenAI
6. load_dotenv()
8. def required_env(name: str) -> str:
9.     value = os.getenv(name)
10.     if not value:
11.         raise RuntimeError(f"Missing environment variable: {name}")
12.     return value
14. def create_model() -> ChatOpenAI:
15.     base_url = os.getenv("LLM_BASE_URL")
16.     model_kwargs = {
17.         "model": required_env("LLM_MODEL"),
18.         "api_key": required_env("LLM_API_KEY"),
19.         "temperature": 0.2,
20.         "timeout": 30,
21.         "max_retries": 2,
22.     }
23.     if base_url:
24.         model_kwargs["base_url"] = base_url
25.     return ChatOpenAI(**model_kwargs)

复制代码

非流式调用 (invoke)
invoke会等待模型完整生成所有内容后一次性返回。返回对象是AIMessage，其content属性包含回复文本。

2. def invoke_demo() -> None:
3.     model = create_model()
4.     response = model.invoke([
5.         {"role": "user", "content": "用三句话解释 LangChain 是什么。"}
6.     ])
7.     print(response.content)

复制代码

注意：invoke返回的AIMessage中还有tool_calls字段，当模型需要调用工具时会存放调用意图，这在后续学习Tool时非常重要。

流式调用 (stream)
stream适合聊天界面或长文本生成的实时输出，它会将生成的内容分段（chunk）依次返回。

2. import sys
4. def stream_demo() -> None:
5.     model = create_model()
6.     stream = model.stream([
7.         {"role": "user", "content": "介绍一下重庆火锅文化。"}
8.     ])
9.     for chunk in stream:
10.         if isinstance(chunk.content, str):
11.             sys.stdout.write(chunk.content)
12.             sys.stdout.flush()
13.     sys.stdout.write("\n")

复制代码

每个chunk是一个AIMessageChunk对象，文本内容存储在content属性中。

参数分类与说明
ChatOpenAI初始化时的参数可归为三类：
1. 连接参数：api_key（密钥，应从环境变量读取）、base_url（服务地址，可省略或自定义）、model（模型名称，建议放环境变量以便切换）。
2. 生成控制参数：temperature（控制随机性，代码/抽取类任务设低值，创意任务设高值）、max_tokens（限制输出长度）、top_p（一般先调temperature，避免同时调节两个）。
3. 请求控制参数：timeout（超时秒数，防止网络卡死）、max_retries（失败重试次数，应对临时波动）。

小结
本文核心要点：
- ChatOpenAI是LangChain的模型调用层，通过它可连接OpenAI或兼容接口的第三方服务。
- invoke用于一次性完整回复，stream用于实时流式输出。
- 参数按连接、模型选择、生成控制、请求控制四个维度理解，有助于灵活调优。

掌握这些基本操作，就打通了Agent应用开发中模型调用的入口，后续学习Tool、RAG、Memory等将更加顺畅。

热心网友7

非常感谢楼主这么详细的分享！从环境变量配置到模型实例创建，再到流式和非流式调用的代码示例，步骤非常清晰，对新手很友好。特别是把参数分成连接、生成控制和请求控制三类来讲解，让人一目了然。我最近也在尝试用LangChain对接不同的模型服务，看到您用base_url切换第三方服务的方式很实用，后续我也准备试试DeepSeek。想请教一下，在实际项目中，您通常怎么处理流式输出的chunk合并？直接拼接content会不会丢失一些中间状态信息？