模型调用场景中，用户常会根据个人使用习惯指定偏好的AI大模型厂商及名称。比如阿里巴巴的 qwen3.6-plus、qwen3.5-max，字节跳动的 doubao-pro等国产主流旗舰型号，以及OpenAI的gpt-4o、Anthropic 的claude-3.5-sonnet等海外型号，都是用户会结合任务复杂度、成本预算、合规要求等因素，在不同使用场景中高频指定的调用对象。
如果喜欢看视频学习的，可以看这个《8.【保姆级】从零学会LangChain调用大模型！统一接口+代码实战》，喜欢看文章的接着往下看。
为提升开发效率，新版 LangChain1.2.x+将不同厂商 AI 大模型的调用逻辑做了统一封装，整合到init_chat_model中完成统一调用，大幅简化多模型适配开发。核心参数仅需关注两个：
model：指定具体的模型名称，如 gpt-5.5、deepseek-v3；
model_provider：指定模型提供商标识，如 openai、deepseek。若未指定，系统将根据 model 参数的前缀推断模型提供商，如model=“openai:gpt-5.5”，会推断为openai。
init_chat_model( model: str | None = None, *, model_provider: str | None = None, configurable_fields: Literal['any'] | list[str] | tuple[str, ...] | None = None, config_prefix: str | None = None, **kwargs: Any = {} ) -> BaseChatModel | _ConfigurableModel
统确定大模型提供商后，便会自动实例化对应厂商的原生实现类 —— 比如 OpenAI 对应 ChatOpenAI、Anthropic 对应 ChatAnthropic、DeepSeek 对应 ChatDeepSeek 等，开发者无需手动引入，只需通过init_chat_model统一入口即可完成底层适配。
在实现类对象上，常用invoke和stream两种调用方法。invoke 会让大模型一次性返回完整响应对象，stream则逐Token输出内容片段。
下面通过代码实战，带你彻底搞懂。首先打开命令行窗口，使用 pip 命令安装 LangChain和langchain-openai开发库。
pip install langchain langchain-openai
通过dotenv库的load_dotenv()方法，自动读取项目里的.env配置文件，把文件中所有键值对自动载入系统环境变量os.environ，后续可直接读取模型地址、密钥等配置，避免硬编码。
import os from dotenv import load_dotenv load_dotenv()
使用 LangChain 内置的init_chat_model初始化大模型，通过两个核心参数配置：model指定模型名称，model_provider指定模型对接厂商。
import os from dotenv import load_dotenv load_dotenv() llm = init_chat_model(model="qwen3.6-plus", model_provider="openai") print(type(llm))
当厂商参数设为openai时，底层会自动调用ChatOpenAI实现类，并从环境变量自动读取API密钥和接口地址。这里打印模型实例类型和请求基准地址，方便查看底层配置。
import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() llm = init_chat_model(model="qwen3.6-plus", model_provider="openai") print(type(llm)) print("base_url:", llm.root_client.base_url)
可以省略model_provider参数，直接在模型名称前加上厂商前缀，格式为厂商:模型名，一行代码即可完成大模型初始化，写法更简洁。
import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() llm = init_chat_model(model="openai:qwen3.6-plus") print(type(llm)) print("base_url:", llm.root_client.base_url)
大模型初始化完成后，使用invoke()方法发起对话请求。该方式会等待模型生成完整内容后，一次性返回全部结果。
import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() llm = init_chat_model(model=os.getenv("MODEL")) result = llm.invoke("你是谁呀？") print(result)
想要实现打字机实时输出效果，改用stream()方法循环遍历模型返回内容。end=""保证文字连续不换行，flush=True强制即时打印，实现流畅的流式对话效果。
import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() llm = init_chat_model(model=os.getenv("MODEL")) for chunk in llm.stream("详细介绍AI大模型的应用"): if chunk.content: print(chunk.content, end="", flush=True)
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。