LangChain 模型调用 -- init_chat_model() 函数

LangChain init_chat_model() 是 LangChain 中最常用的函数之一，它让你用统一的方式连接 20 多种模型提供商，不需要记忆每个提供商的类名和参数差异。

语法

init_chat_model() 函数语法如下：

from langchain.chat_models import init_chat_model

# 完整语法
model = init_chat_model(
    model,                    # str | None：模型名称（provider:model 格式）
    *,
    model_provider=None,      # str | None：单独的模型提供商
    configurable_fields=None, # None | "any" | list[str]：可运行时修改的字段
    config_prefix=None,       # str | None：配置键前缀
    **kwargs,                 # 模型特定参数（temperature、max_tokens 等）
)

参数说明：

model 参数详解

provider:model 格式（推荐）

格式为 提供商:模型名，用冒号分隔：

自动推断模型提供商

如果不指定提供商前缀，LangChain 会尝试从模型名推断：

自动推断虽然方便，但不保证 100% 正确。例如 gemini 前缀可能指向 google_vertexai 或 google_genai，未来版本可能改变默认推断结果。生产环境建议始终使用 provider:model 格式。

model_provider 参数

当 model_provider 单独指定时，效果等价于 provider:model 格式：

使用 model_provider 的场景：

• 从配置文件动态读取提供商名称时
• 提供商名称和模型名需要独立配置时（运行时分别切换）
• 模型名无法被自动推断且不方便拼接字符串时

固定模型 vs 可配置模型

init_chat_model() 有两种使用模式：

模式 1：固定模型

指定具体的 model 字符串，返回可直接使用的 BaseChatModel 实例：

如果 .env 是在当前目录下，使用以下代码，载入当前路径的配置：

import os

from dotenv import load_dotenv

# 加载当前目录 .env 文件
load_dotenv()
from langchain.chat_models import init_chat_model

# 指定了 model，返回固定模型
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("介绍菜鸟教程 RUNOOB")
print(response.content)

模式 2：可配置模型

不指定 model（或设为 None），创建可在运行时动态切换的模型：

可配置模型在 A/B 测试和成本优化中非常有用。你可以在不重启服务的情况下，通过修改配置来切换模型或调整参数。

所有支持的模型提供商

以下是 init_chat_model() 内置支持的提供商及其安装包：

常用 kwargs 参数

kwargs 参数会直接传递给底层模型类，常用的包括：

temperature 和 top_p 通常不同时设置。temperature 控制的是"分布的形状"，top_p 控制的是"候选范围"。对于大多数场景，只调整 temperature 就足够了。

ConfigurableModel——运行时切换模型

ConfigurableModel 是 init_chat_model() 的高级用法，允许在运行时动态指定模型和参数：

configurable_fields 的取值：

使用 configurable_fields="any" 时要注意安全：如果信任了不安全的配置来源，api_key 和 base_url 等敏感字段可能被篡改。生产环境建议显式列出可配置的字段。