LangChain 是一个强大的开源框架，专为构建与大语言模型（LLMs）相关的应用而设计。通过将多个 API、数据源和外部工具无缝集成，LangChain 能帮助开发者更高效地构建智能应用。
一、环境准备
安装LangChain，langChain-core等库，我安装时LangChain版本是：0.3.21，langChain-core版本是当时最新版本：0.3.48。因为一些常用的大模型都遵循 OpenAI API 规范，还需要安装OPENAI相关库。如果使用国内的大模型也要安装相应的库如：DeepSeek库。如以下相关截图：
二、编写代码接入开源大模型并输出结果
因相关原因，访问国外开源大模型有限制。我通过对比和实践，选择了国内的开源大模型Qwen并使用国内的一个平台API来实现接入大模型并输出结果。
1.导入必要的库和类
from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage, SystemMessage
2.配置ChatOpenAI实例
chat_model = ChatOpenAI(
model = "Qwen/Qwen2.5-7B-Instruct",
openai_api_key=DEEPSEEK_API_KEY,
openai_api_base=DEEPSEEK_API_BASE,
temperature=0.7,
max_tokens=500,
stream=False
)
3.构建消息列表
messages = [
SystemMessage(content="你是一个知识渊博的助手，能回答各种问题。"),
HumanMessage(content="介绍一下长城")
]
4.调用大模型并获取返回结果
# 调用大模型
response = chat_model.invoke(messages)
# 输出模型的响应结果
print(response.content)
5.ChatOpenAI类的自定义配置参数说明
model_name：指定要使用的具体模型名称，例如ChatOpenAI中可以指定model_name="gpt - 3.5 - turbo"
temperature：控制生成文本的随机性，取值范围在 0 到 1 之间，值越大生成的文本越随机
max_tokens：限制生成文本的最大 token 数量
stream：如果设置为True(默认值是False)，模型将以流式输出的方式返回结果，即边生成边返回，而不是等整个生成过程结束后再返回，适用于需要实时获取生成结果的场景。
6.运行代码输出结果
三、总结
LangChain 提供了丰富的接口用于和不同的大模型集成和交互，可帮助开发者轻松地构建出功能强大的对话式智能应用。
