首页

手游

资讯

专题

首页 > 教程攻略 > ai教程 >LangChain v1.3.4 笔记 - 01 模型的连接/输出、消息、提示词模板

LangChain v1.3.4 笔记 - 01 模型的连接/输出、消息、提示词模板

来源：互联网时间：2026-07-14 07:27:14

本文详细介绍了 LangChain 框架的核心模块、模型连接与调用方法、消息构建以及提示词模板的使用技巧，帮助你快速上手并构建强大的 AI 应用。

核心模块概览

LangChain 生态体系本身包含 4 个核心模块，LangChain | LangGraph | LangSmith | DeepAgents，它们共同构成了一个完整的 AI 应用开发栈：

LangChain
: 基础能力层，提供大模型链接、工具调用、数据加载等核心功能。
LangGraph
: 任务流程编排，管理状态，支持多智能体协作。
LangSmith
: 应用监控，性能评估，问题调试。
DeepAgents
: 自主决策，专门处理复杂任务拆解，基于 LangGraph 增加了规划功能、上下文管理的文件系统、子袋里等。

你可以按照前端渐进式框架的概念来理解 LangChain -> LangGraph -> DeepAgents 的关系。

一个典型的应用流程是：使用 LangChain 快速构建一个 Agent，通过 LangGraph 运行时编排增加决策、状态等能力，再通过 DeepAgents 处理复杂的任务，最后使用 LangSmith 调试和监控 Agent 的运行状况。

模型的连接

连接模型有两种主要方式：使用 init_chat_model 通用函数，或者直接使用特定模型的 SDK，例如 ChatOpenAI、ChatDeepSeek 等。

注意：通用函数 init_chat_model 的底层是基于特定模型 SDK 实现的，因此在使用时，必须确保对应的 SDK 库已经安装。

专有对话模型连接

首先，安装社区支持的模型库：

uv add langchain-community

安装后，可以导入并使用如 ChatZhipuAI 等专有模型，支持百炼、智谱等平台。如果不指定 API Key，它会自动从环境变量中读取。

from langchain_community.chat_models import ChatZhipuAI
# 如果不指定 env 就会自己从 env 环境中获取对应的 key 作为模型连接的 key 和 base_url
# ZHIPUAI_API_KEY
# ZHIPUAI_API_BASE
zhipuai_chat = ChatZhipuAI(model="glm-4",
    # api_key="your-api-key",
    # api_base="...",
    # other params...
)

对于主流模型，可以安装对应的 SDK：

uv add langchain-deepseek | langchain-openai

然后按如下方式导入和使用：

from langchain_openai import ChatOpenAI
from langchain_deepseek import ChatDeepSeek

# 和上面一样会找默认的 key 和 base_url
# DEEPSEEK_API_BASE
# DEEPSEEK_API_KEY
# OPENAI_API_BASE
# OPENAI_API_KEY

通用连接方案 init_chat_model

init_chat_model 是对对话连接的封装，它整合了多种模型，并根据模型内部自动选择对应的对话模型去完成连接。如果某些模型提供了 OpenAI 的适配版本，也可以使用 OpenAI 协议来驱动不同的模型。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()
API_KEY = os.environ.get("OPENAI_API_KEY") 
BASE_URL = os.environ.get("OPENAI_API_BASE")

# 通过 openai 协议调用 kimi 的模型
init_chat_model(model="kimi-k2.6",
    model_provider="openai", # 因为你使用了 openai 协议调用模型，所以要依赖 langchain-openai
    api_key=API_KEY, # 因为使用了标准的 OPENAI_API_KEY 实际上可以直接不传也可以，会自动读取
    base_url=BASE_URL # base_url 必须传，因为 kimi 提供的兼容方案 base_url 与 openai 并不相同
)
# https://api.moonshot.cn/v1 -> kimi
# https://api.openai.com/v1 -> openai

# 当不使用 model_provider 也想指定提供商的时候，可以直接通过 model 简写
init_chat_model(model="openai:kimi-k2.6", base_url=BASE_URL)

对于不需要转发即可直接使用的模型，可以通过设置专用的环境变量，达到和专用对话模型一样的效果。

from langchain.chat_models import init_chat_model

# 会直接从环境变量中查找 DEEPSEEK_API_KEY 和 DEEPSEEK_BASE_URL
# 依赖 langchain-deepseek 需要提前下载
# 内部会根据模型名称查找模型的归属然后进行分发，或者 init_chat_model("deepseek:deepseek-chat")
init_chat_model("deepseek-chat")

同样的，如果想通过 OpenAI 协议转发，也需要提供对应的 api_key 和 base_url，除非变量名和值都符合 OpenAI 协议，但 base_url 通常不会满足。

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()
DEEPSEEK_API_KEY = os.environ.get("DEEPSEEK_API_KEY") 
DEEPSEEK_BASE_URL = os.environ.get("DEEPSEEK_BASE_URL") 

init_chat_model(model="openai:deepseek-chat",
    api_key=DEEPSEEK_API_KEY,
    base_url=DEEPSEEK_BASE_URL
)

常用参数如下：

model: str 模型名称，可以和 model_provider 合并使用。
model_provider: str 模型提供商。
api_key: str 模型秘钥。
base_url: str 模型地址。
max_tokens: int 模型输出的最大 token 数。
timeout: float 模型超时时间（秒）。
max_retries: int = 6 最大重试次数。
temperature: float = 0.7 温度，范围 0-2 之间的小数，用来控制模型输出的随机性。

temperature 参数详解：

0.0 ~ 0.3：需要一致性、准确性的任务（数学计算、数据提取、分类、代码生成）。
0.5 ~ 0.7：平衡创造性和一致性（聊天、问答）。
0.8 ~ 1.5：创造性任务（写作、头脑风暴）。
1.5 ~ 2.0：高度创造性（诗歌、故事创作）。

模型的调用

LangChain 提供了三种调用模型的方式：invoke | stream | batch，分别对应阻塞式、流式和批量处理。这些方法通过模型连接对象的返回值进行调用，如 init_chat_model 或 ChatOpenAI 的实例。

invoke 阻塞式

接收消息和一个配置对象，消息支持多种数据格式。

# config 默认就是 None
res = model.invoke("你好，海绵宝宝，我是派大星。", config=None)

也可以传递复杂的列表类型，将完整的对话记录传入，让模型拥有上下文记忆。

# 消息的种类分为四种
# system 系统消息 SystemMessage
# user 用户消息 HumanMessage
# assistant AI 消息 AIMessage
# tool 工具调用 （后续会碰到） ToolMessage
messages = [{
    "role": "system", "content": "现在是比奇堡角色扮演场景"
    }, {
    "role": "user", "content": "你好，海绵宝宝，我是派大星。"
    }, {
    "role": "assistant", "content": "早啊，派大星"
    }, {
    "role": "user", "content": "我们一起去抓水母吧"
}]
# 如果对象比较麻烦，同样提供了内置的构造类
from langchain.messages import HumanMessage, AIMessage, SystemMessage, ToolMessage
messages = [
    SystemMessage('现在是比奇堡角色扮演场景'),
    HumanMessage('你好，海绵宝宝，我是派大星。'),
    AIMessage('早啊，派大星'),
    HumanMessage('我们一起去抓水母吧')
]
res = model.invoke(messages)

小提示：使用内置的消息类（如 HumanMessage）可以让代码更清晰，并支持类型检查。

stream 流式

返回一个迭代器，可以通过循环进行输出，实时展示模型的推理过程。

res = model.stream(messages)
for chunk in res:
    # chunk.content 也可以
    print(chunk.text, end="", flush=True)

模型的输出

直接打印返回的 AIMessage 对象信息比较冗余，可以通过 content 属性获取模型的回复内容，或使用 pretty_print() 方法打印可视化的输出。

# 直接打印信息太过冗余，可以直接从 content 获取模型的回复内容
print(res.content)

# 使用 pretty_print() 打印可视化的输出
print(res.pretty_print())

通过 content_blocks 可以获取模型的推理信息，返回的是一个列表对象。这些方法同样适用于 stream 模式。

res = model.stream(messages)
for chunk in res:
    for message in chunk.content_blocks:
        if len(message):
            if message["type"] == "reasoning":
                print(f"{message["reasoning"]}", end="", flush=True)
            if message["type"] == "text":
                print(f"{message["text"]}", end="", flush=True)

# invoke 打印内容如下
# [
# {
# 'type': 'reasoning',
# 'reasoning': '（派大星说要去抓水母！这可是我们最喜欢的活动了。他说"我们一起去"，说明他想和我一起玩。.....'
# },
# {'type': 'text', 'text': '好啊好啊！我马上去拿我的捕水母网！（兴奋地蹦跳着）今天一定能抓到超级多的水母！'}
# ]

阻塞式 invoke 的返回值是一个 AIMessage 对象，显示比较复杂。可以使用 uv add rich 进行格式化的输出，便于辨认。

AIMessage(
    # 返回的内容
    content='哇呜！太棒了！（兴奋地跳起来）我今天早上刚刚擦亮了我的捕虫网，就等你来叫我啦！',
    # 模型拒绝回答的情况 None 标识正常回答
    additional_kwargs={'refusal': None},
    response_metadata={
        # token 使用情况
        'token_usage': {
            'completion_tokens': 28, # 回答消耗的 token
            'prompt_tokens': 37, # 输入消耗的 token
            'total_tokens': 65, # 本次交互使用 token
            'completion_tokens_details': {
                'accepted_prediction_tokens': None, # 预测性生成 token
                'audio_tokens': None, # 音频消耗 token
                'reasoning_tokens': 123, # 推理消耗 token (深度思考)
                'rejected_prediction_tokens': None # 被拒绝预测 token
            },
            # 输入中的音频 token, 缓存命中的 token
            'prompt_tokens_details': {
                'audio_tokens': None, 'cache_write_tokens': None, 'cached_tokens': 0
            },
            'prompt_cache_hit_tokens': 0,
            'prompt_cache_miss_tokens': 37
        },
        # 模型提供商
        'model_provider': 'openai',
        # 模型名称
        'model_name': 'deepseek-v4-flash',
        # 系统指纹：追踪模型后端配置变更
        'system_fingerprint': 'fp_8b330d02d0_prod0820_fp8_kvcache_20260402',
        # api 响应 id
        'id': 'ca8e630d-822c-40de-b2d3-0e6a56b84b15',
        # 停止原因：stop（自然结束）、length（长度受限）
        'finish_reason': 'stop',
        # 对数概率（通常用于分析词汇选择的可能性）
        'logprobs': None
    },
    # LangChain 内部标识
    id='lc_run--019f4b2b-3c0d-7732-a2df-2710ccd08a29-0',
    # 工具调用信息
    tool_calls=[],
    # 工具调用失败的信息
    invalid_tool_calls=[],
    # langchain 标准化后的 token 用量
    usage_metadata={'input_tokens': 37, 'output_tokens': 28, 'total_tokens': 65, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}
)

batch

用于处理一组消息，会按照顺序返回数据。也可以通过 batch_as_completed 按照完成顺序返回。

适用场景：文档摘要、批量问答、数据预处理、多样本分类等。

messages = [
    "你好，你是谁？",
    "2 + 3 * 5 = ?",
    "中国首都在哪里？"
]
res = model.batch(messages)
res = model.batch_as_completed(messages)
for r in res:
    print(r)

消息

消息是与模型交互的基本单位，通过 role 来区分不同的角色。

{"role": "system", "content": "你是个精通编程的软件架构师"}
{"role": "user", "content": "你好啊~"}

// 模型消息有两种，带工具调用和不带
{"role": "assistant", "content": "我也很高兴认识你"}
{"role": "assistant",
 "content": "",
 "tool_calls": [{"name": "get_weather",
               "args": {"location": "北京"},
               "id": "call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"}]}

// 工具类型消息
{"role": "tool", "content": "今天天气很好", "tool_call_id":"call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s"}

或者通过消息对象来构造对应的消息，推荐使用这种方式，因为它更清晰且支持类型检查。

from langchain.messages import HumanMessage, AIMessage, SystemMessage, ToolMessage

# content 是第一个参数可以不传递
SystemMessage(content="你是个善解人意的助手")
HumanMessage(content="你好啊~")
AIMessage("我也很高兴认识你")
ToolMessage(content="<工具输出>", tool_call_id="call_00_nUD2NC9QRN5Cg1GaoIkBJQ4s" # 一定要和AI消息中的调用ID匹配)

AIMessage 特有属性

res = model.invoke(messages)
if isinstance(res, AIMessage):
    print(res.response_metadata) # 模型元数据
    print(res.usage_metadata) # 用量数据
    print(res.tool_calls) # 工具调用

HumanMessage 的多模态

多模态包括图片、文件、音视频的解析。以图片为例，支持两种场景：base64 编码和 URL 链接。

# base64
def encode_image():
    """纯粹返回 Base64 编码字符串，不带 Data URI 前缀"""
    with open(f"{os.getcwd()}/assets/01.png", "rb") as img_file:
        return base64.b64encode(img_file.read()).decode("utf-8")

res = model.invoke([
    HumanMessage([
        {"type": "text", "text": "描述一下图片的内容"},
        {"type": "image", "base64": encode_image(), "mime_type": "image/png"}
    ])
    # 二选一
    # {
    # "role": "user",
    # "content": [
    # {"type": "text", "text": "描述一下图片的内容"},
    # {"type": "image", "base64": encode_image(), "mime_type": "image/png"}
    # ]
    # }
])

# url
res = model.invoke([
    HumanMessage([
        {"type": "text", "text": "描述一下图片的内容"},
        {"type": "url", "url": "https://xxx.png"}
    ]),
    # 二选一
    # {
    # "role": "user",
    # "content": [
    # {"type": "text", "text": "描述一下图片内容"},
    # {"type": "image", "url": "https://xxx.png"}
    # ]
    # }
])

提示词模板

常规的提示词书写方案是使用模板字符串：

value = '老师'
skill = '教书育人'
prompt = f"""你现在是一名 {value}你拥有 {skill} 的能力"""

LangChain 提供了提示词模板，可以预先定义好提示词，在使用时再具名传入对应的内容。

from langchain_core.prompts import ChatPromptTemplate

# 指定提示词模板，将动态内容通过 {} 预留
# 支持元组和消息对象的使用
template = ChatPromptTemplate([
    ("system", "你是一名 {value}, 拥有 {skill} 的能力"),
    ("user", "如何学习 {content}")
])

# 也支持使用类方法 from_messages 调用, 二者参数一致
template = ChatPromptTemplate.from_messages([
    ("system", "你是一名 {value}, 拥有 {skill} 的能力"),
    ("user", "如何学习 {content}")
])

# 调用 invoke 方法
res = template.invoke({
    "value": "老师", "skill": "教书育人", "content": "古诗词"
})

# print(res) 输出的为一个 message 对象可以直接被模型使用
# messages=[
# SystemMessage(content='你是一名 老师, 拥有 教书育人 的能力', additional_kwargs={}, response_metadata={}), 
# HumanMessage(content='如何学习 {content}',additional_kwargs={}, response_metadata={})
# ]

除了元组，还支持字典和 Message 对象方案，但注意：Message 对象中的占位符会失效。

template = ChatPromptTemplate.from_messages([
    {"role": "system", "content": "你是一名 {value}, 拥有 {skill} 的能力"},
    {"role": "user", "content": "如何学习 {content}"}
    # 传递 value | skill | content 参数也不会生效
    # SystemMessage("你是一名 {value}, 拥有 {skill} 的能力"),
    # HumanMessage("如何学习 {content}")
])

获取消息的方法：invoke, format, format_messages

# 调用 invoke 方法
res = template.invoke({
    "value": "老师", "skill": "教书育人", "content": "古诗词"
})
print(type(res), res) # 返回 langchain_core.prompt_values.ChatPromptValue 类型的对象

# format 方法
res1 = template.format(value="老师", skill="教书育人", content="古诗词")
print(type(res1), res1) # 返回字符串内容

# format_messages 方法
res2 = template.format_messages(value="老师", skill="教书育人", content="古诗词")
print(type(res2), res2) # 返回列表
# [
# SystemMessage(content='你是一名 老师, 拥有 教书育人 的能力', additional_kwargs={}, response_metadata={}), 
# HumanMessage(content='如何学习 古诗词', additional_kwargs={}, response_metadata={})
# ]

常用提示词模板

# 针对 ai, human, system 的提示词模板
from langchain_core.prompts import HumanMessagePromptTemplate, AIMessagePromptTemplate, SystemMessagePromptTemplate

# 支持数组，文字，还提供一个 from_template_file 处理文件
res = HumanMessagePromptTemplate.from_template(["你好", "我好", "大家好"])
res = AIMessagePromptTemplate.from_template("你好")
res = SystemMessagePromptTemplate.from_template("你好")

# 通过 format_messages 和 format 获取消息内容
res.format()
res.format_messages() # 对应类型的消息对象

消息预填充 partial

像函数的默认参数一样，可以预先指定部分或全部默认值。

# 指定部分或者全部的默认值
support_template = template.partial(content="背诗词")

# 当调用时，如果不传递就会使用默认值
res = support_template.format_messages(value="老师", skill="教书育人", content="学数学")

消息占位符 MessagesPlaceholder

有 JSON 和 Message 两种形式，一般用于插入历史消息，补充上下文。

from langchain_core.prompts import MessagesPlaceholder

template = ChatPromptTemplate.from_messages([
    ("system", "现在的比奇堡模仿大赛"),
    # 二者都可
    # ("placeholder", "{history}"),
    MessagesPlaceholder('history'),
    ("user", "{value}")
])

res = template.format_messages(
    # 将老的上下文填充进来，不可以在进行 {} 占位
    history=[
        ("user", "派大星我们一起去抓水母吧"),
        ("assistant", "好哇，一起去抓水母"),
        ("user", "把水母送给蟹老板，让他变成伪蟹，哈哈哈"),
        AIMessage("抓多点水母，把比奇堡的人都变成伪人吧~")
    ],
    value="那我们需要抓多少水母呢？比奇堡都有谁在哇~"
)

常见问题 (FAQ)

1. 使用 `init_chat_model` 时报错 “ModuleNotFoundError”，怎么办？

这是因为 init_chat_model 的底层依赖了特定模型的 SDK。例如，要连接 DeepSeek 模型，需要确保安装了 langchain-deepseek 库。请运行 pip install langchain-deepseek 或 uv add langchain-deepseek 来安装对应的依赖。

2. 使用 `ChatOpenAI` 连接模型时，如何设置环境变量？

你可以在代码中直接传递 api_key 和 base_url 参数，或者在环境变量中设置 OPENAI_API_KEY 和 OPENAI_API_BASE。如果使用 init_chat_model 并指定了 model_provider="openai"，它会自动读取这些环境变量。

3. `invoke` 和 `stream` 返回的模型输出内容不一致，为什么？

invoke 返回的是完整的 AIMessage 对象，包含了所有元数据。而 stream 返回的是一个迭代器，每次迭代返回一个消息块（chunk）。你可以通过 chunk.content 或 chunk.text 获取文本内容，使用 chunk.usage_metadata 获取 token 用量信息。

4. 提示词模板中的占位符为什么没有生效？

请确保你使用的是元组 ("role", "content") 或字典格式，而不是 Message 对象。例如，SystemMessage("你是一名 {value}") 中的 {value} 不会被替换，因为 Message 对象不会执行占位符替换。

5. 如何实现多轮对话的记忆？

可以将历史的 HumanMessage 和 AIMessage 列表传递给 model.invoke(messages) 方法，或者使用 MessagesPlaceholder 在提示词模板中插入历史消息。例如，将所有历史消息作为 history 参数传递给模板。

通过以上分步指南，你应该已经掌握了如何使用 LangChain 框架连接、调用模型，并利用提示词模板构建结构化对话。祝你开发顺利！

LangChain v1.3.4 笔记 - 01 模型的连接/输出、消息、提示词模板

核心模块概览

`LangChain`

`LangGraph`

`LangSmith`

`DeepAgents`

模型的连接

专有对话模型连接

通用连接方案 init_chat_model

模型的调用

invoke 阻塞式

stream 流式

模型的输出

batch

消息

AIMessage 特有属性

HumanMessage 的多模态

提示词模板

获取消息的方法：invoke, format, format_messages

常用提示词模板

消息预填充 partial

消息占位符 MessagesPlaceholder

常见问题 (FAQ)

1. 使用 `init_chat_model` 时报错 “ModuleNotFoundError”，怎么办？

2. 使用 `ChatOpenAI` 连接模型时，如何设置环境变量？

3. `invoke` 和 `stream` 返回的模型输出内容不一致，为什么？

4. 提示词模板中的占位符为什么没有生效？

5. 如何实现多轮对话的记忆？

相关阅读

相关下载

LangChain v1.3.4 笔记 - 01 模型的连接/输出、消息、提示词模板

核心模块概览

LangChain

LangGraph

LangSmith

DeepAgents

模型的连接

专有对话模型连接

通用连接方案 init_chat_model

模型的调用

invoke 阻塞式

stream 流式

模型的输出

batch

消息

AIMessage 特有属性

HumanMessage 的多模态

提示词模板

获取消息的方法：invoke, format, format_messages

常用提示词模板

消息预填充 partial

消息占位符 MessagesPlaceholder

常见问题 (FAQ)

1. 使用 init_chat_model 时报错 “ModuleNotFoundError”，怎么办？

2. 使用 ChatOpenAI 连接模型时，如何设置环境变量？

3. invoke 和 stream 返回的模型输出内容不一致，为什么？

4. 提示词模板中的占位符为什么没有生效？

5. 如何实现多轮对话的记忆？

相关阅读

相关下载

`LangChain`

`LangGraph`

`LangSmith`

`DeepAgents`

1. 使用 `init_chat_model` 时报错 “ModuleNotFoundError”，怎么办？

2. 使用 `ChatOpenAI` 连接模型时，如何设置环境变量？

3. `invoke` 和 `stream` 返回的模型输出内容不一致，为什么？