Invocation de modèle LangChain -- Fonction init_chat_model()

LangChain init_chat_model() est l'une des fonctions les plus couramment utilisées dans LangChain. Elle vous permet de vous connecter à plus de 20 fournisseurs de modèles de manière unifiée, sans avoir à mémoriser les noms de classes et les différences de paramètres de chaque fournisseur.

Syntaxe

La syntaxe de la fonction init_chat_model() est la suivante :

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）
)

Description des paramètres :

Explication détaillée du paramètre model

format provider:model (recommandé)

Le format estprovider:model name, séparé par deux-points :

Déduction automatique du fournisseur de modèle

Si vous ne spécifiez pas le préfixe du fournisseur, LangChain essaiera de le déduire à partir du nom du modèle :

L'inférence automatique est pratique, mais n'est pas garantie d'être correcte à 100 %. Par exemple, le préfixe gemini peut pointer vers google_vertexai ou google_genai, et les versions futures peuvent modifier le résultat d'inférence par défaut. Il est recommandé de toujours utiliser le format provider:model dans les environnements de production.

Paramètre model_provider

Lorsque model_provider est spécifié séparément, l'effet est équivalent au format provider:model :

Scénarios d'utilisation de model_provider :

• Lors de la lecture dynamique du nom du fournisseur depuis un fichier de configuration
• Lorsque le nom du fournisseur et le nom du modèle doivent être configurés indépendamment (changés séparément à l'exécution)
• Lorsque le nom du modèle ne peut pas être déduit automatiquement et qu'il est peu pratique de concaténer des chaînes

Modèle fixe vs modèle configurable

init_chat_model() a deux modes d'utilisation :

Mode 1 : modèle fixe

Spécifiez une chaîne de modèle spécifique ; renvoie une instance BaseChatModel qui peut être utilisée directement :

Si .env se trouve dans le répertoire courant, utilisez le code suivant pour charger la configuration depuis le chemin actuel :

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Example")
print(response.content)

Mode 2 : modèle configurable

Ne spécifiez pas de modèle (ou définissez-le sur None) pour créer un modèle qui peut être commuté dynamiquement à l'exécution :

Les modèles configurables sont très utiles pour les tests A/B et l'optimisation des coûts. Vous pouvez changer de modèle ou ajuster les paramètres en modifiant la configuration sans redémarrer le service.

Tous les fournisseurs de modèles pris en charge

Voici les fournisseurs pris en charge nativement par init_chat_model() et leurs paquets d'installation :

Paramètres kwargs courants

Les paramètres kwargs sont transmis directement à la classe de modèle sous-jacente. Les plus couramment utilisés incluent :

temperature et top_p ne sont généralement pas définis en même temps. temperature contrôle la "forme de la distribution", tandis que top_p contrôle la "plage de candidats". Dans la plupart des scénarios, ajuster uniquement temperature est suffisant.

ConfigurableModel—Changement de modèle à l'exécution

ConfigurableModel est une utilisation avancée de init_chat_model(), vous permettant de spécifier dynamiquement des modèles et des paramètres à l'exécution :

Valeurs possibles de configurable_fields :

Lorsque vous utilisez configurable_fields="any", faites attention à la sécurité : si vous faites confiance à une source de configuration non sécurisée, des champs sensibles tels que api_key et base_url peuvent être altérés. Dans les environnements de production, il est recommandé de lister explicitement les champs configurables.