Llamada a modelos LangChain -- función init_chat_model()

init_chat_model() es una de las funciones más utilizadas en LangChain. Te permite conectarte a más de 20 proveedores de modelos de forma unificada, sin necesidad de recordar los nombres de clase y las diferencias de parámetros de cada proveedor.

Sintaxis

La sintaxis de la función init_chat_model() es la siguiente:

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）
)

Descripción de parámetros:

Explicación detallada del parámetro model

Formato provider:model (recomendado)

El formato esproveedor:nombre_del_modelo, separados por dos puntos:

Inferencia automática del proveedor de modelos

Si no se especifica el prefijo del proveedor, LangChain intentará inferirlo a partir del nombre del modelo:

Aunque la inferencia automática es conveniente, no garantiza un 100 % de precisión. Por ejemplo, el prefijo gemini puede apuntar a google_vertexai o google_genai, y las versiones futuras podrían cambiar el resultado de la inferencia predeterminada. En entornos de producción se recomienda usar siempre el formato provider:model.

Parámetro model_provider

Cuando se especifica model_provider por separado, el efecto es equivalente al formato provider:model:

Casos de uso de model_provider:

• Cuando se lee dinámicamente el nombre del proveedor desde un archivo de configuración.
• Cuando el nombre del proveedor y el nombre del modelo deben configurarse de forma independiente (cambiarlos por separado en tiempo de ejecución).
• Cuando el nombre del modelo no puede inferirse automáticamente y no es conveniente concatenar cadenas.

Modelo fijo vs modelo configurable

init_chat_model() tiene dos modos de uso:

Modo 1: Modelo fijo

Especifica una cadena model concreta y devuelve una instancia BaseChatModel lista para usar:

Si .env está en el directorio actual, usa el siguiente código para cargar la configuración de la ruta actual:

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Ejemplo")
print(response.content)

Modo 2: Modelo configurable

Sin especificar model (o estableciéndolo en None), se crea un modelo que puede cambiarse dinámicamente en tiempo de ejecución:

El modelo configurable es muy útil en pruebas A/B y optimización de costos. Puedes cambiar de modelo o ajustar parámetros modificando la configuración sin reiniciar el servicio.

Todos los proveedores de modelos compatibles

A continuación se muestran los proveedores compatibles integrados en init_chat_model() y sus paquetes de instalación:

Parámetros kwargs comunes

Los parámetros kwargs se pasan directamente a la clase del modelo subyacente. Los más comunes incluyen:

temperature y top_p normalmente no se configuran al mismo tiempo. temperature controla la "forma de la distribución" y top_p controla el "rango de candidatos". Para la mayoría de los escenarios, basta con ajustar temperature.

ConfigurableModel: cambiar de modelo en tiempo de ejecución

ConfigurableModel es un uso avanzado de init_chat_model() que permite especificar dinámicamente el modelo y los parámetros en tiempo de ejecución:

Valores de configurable_fields:

Al usar configurable_fields="any" ten cuidado con la seguridad: si se confía en fuentes de configuración no seguras, campos sensibles como api_key y base_url podrían ser alterados. En entornos de producción se recomienda enumerar explícitamente los campos configurables.