LangChain1.0：使用大模型

大型语言模型（LLM）是一种强大的 AI 工具，能够像人类一样理解与生成文本。它们具有高度通用性，可以用于写作、翻译、摘要和问答等任务，而无需针对每个任务进行额外的专业训练。

除了文本生成之外，许多模型还支持：

• 工具调用（Tool Calling） —— 能调用外部工具（例如数据库查询或 API 调用），并将结果用于生成回答。
• 结构化输出（Structured Output） —— 限制模型输出遵循预定义格式。
• 多模态能力（Multimodality） —— 处理并返回非文本数据，例如图像、音频和视频。
• 推理能力（Reasoning） —— 执行多步骤推理以获得结论。

模型是 Agent 的推理引擎，它驱动 Agent 的决策流程，包括决定调用哪些工具、如何解释结果，以及何时输出最终答案。

你选择的模型的质量与能力，会直接影响 Agent 的基础可靠性与性能表现。不同模型擅长不同类型的任务——有些擅长遵循复杂指令，有些擅长结构化推理，还有一些支持更大的上下文窗口以处理更多信息。

我习惯于以与 OpenAI API 兼容的形式初始化模型：

这里的几个参数为：

• model：要使用的模型名称，比如 qwen3-max
• temperature：控制模型输出多样性，取值范围为0-1，数值越高，模型输出越多样
• base_url：模型提供商的 API 地址
• api_key：访问密钥，本地部署的模型不需要这个参数

使用方式

模型可以通过两种方式使用：

1. 独立调用 —— 直接调用模型（不通过 Agent 循环）用于文本生成、分类或信息抽取等任务，而无需 Agent 框架。
2. 与 Agent 配合 —— 在创建 Agent 时动态指定模型。

独立调用模型非常简单，传入一个字符串即可：

我们已经知道如何将模型传入 create_agent 方法在创建Agent 时指定模型。但是我们可以在 Agent 运行时根据当前状态与上下文动态进行模型选择。这使得复杂的路由逻辑与成本优化成为可能。

若要使用动态模型，可以通过 @wrap_model_call 装饰器创建中间件，从而在请求过程中动态修改模型：

@wrap_model_call 是 LangChain 中用于定义模型调用中间件（middleware） 的装饰器，它让你能在 LLM 实际调用前后拦截并修改请求（如动态切换模型、记录日志、限流等），通过接收 ModelRequest 和 handler 参数实现灵活控制。

dynamic_model_selection 函数接收两个参数：

1. request: ModelRequest

   ModelRequest 是一个封装了当前 LLM 调用上下文的对象。它包含了：

   request.override(model=model)：创建一个新请求，把模型换成 basic_model 或 advanced_model。

• 当前要发送给 LLM 的消息（messages）
• 当前使用的模型（model）
• 其他调用参数（如 temperature, max_tokens 等）
• Agent 的当前状态（state）

2. handler

   handler 是一个可调用对象（callable），代表 “继续执行原计划的模型调用”。handler(request.override(model=model))：用这个新请求去调用 LLM，并返回结果（ModelResponse）。

工具调用（Tool Calling）

模型可以请求调用工具，以执行例如从数据库获取数据、进行网页搜索或运行代码等任务。工具由以下两部分组成：

• 工具的模式定义（schema），包括工具名称、描述、参数定义（通常是 JSON Schema）
• 执行该工具的函数或协程（coroutine）

函数调用（function calling）与工具调用（tool calling）视为等价概念，可以互换使用。

我们可以使用 bind_tools 将工具绑定到模型。在之后的调用过程中，模型可以在需要时自行选择调用任何已绑定的工具。

值得注意的是，模型仅提出要执行某个工具，模型本身并不执行工具，工具是由应用程序执行的。

结构化输出（Structured Output）

模型可以以指定模式（schema）的格式返回结果。这对于确保输出能够被轻松解析和用于后续处理非常有用。LangChain 支持多种 schema 类型（Pydantic、TypedDict 与 JSON）与多种方式来强制或引导模型生成结构化输出。

Pydantic 模型不仅支持字段描述和嵌套结构，还具备自动数据校验能力；相比之下，TypedDict 与 JSON Schema 则需要手动进行数据验证。所以我以 Pydantic 模式为例说明。

这里我多输入了“以 JSON 格式”，那是因为以 OpenAI API 兼容形式调用阿里云提供的千问模型时，如果不在提示词中写明 JSON，那么就会产生 400 错误。

想入门 AI 大模型却找不到清晰方向？备考大厂 AI 岗还在四处搜集零散资料？别再浪费时间啦！2025 年 AI 大模型全套学习资料已整理完毕，从学习路线到面试真题，从工具教程到行业报告，一站式覆盖你的所有需求，现在全部免费分享！

👇👇扫码免费领取全部内容👇👇

​

一、学习必备：100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT，帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例？大模型电子书？这份资料帮你站在 “行业高度” 学 AI：

1. 100+本大模型方向电子书

2. 26 份行业研究报告：覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容，涵盖：

• 职业趋势：《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》；
• 商业落地：《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》；
• 领域细分：《AGI 在金融领域的应用报告》《AI GC 实践案例集》；
• 行业监测：《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT：听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会，包含百度、腾讯、字节等企业的一线实践：

• 安全方向：《端侧大模型的安全建设》《大模型驱动安全升级（腾讯代码安全实践）》；
• 产品与创新：《大模型产品如何创新与创收》《AI 时代的新范式：构建 AI 产品》；
• 多模态与 Agent：《Step-Video 开源模型（视频生成进展）》《Agentic RAG 的现在与未来》；
• 工程落地：《从原型到生产：AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看：大厂 AI 岗面试 “弹药库”，300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗？这份面试资料帮你提前 “押题”，拒绝临场慌！

1. 107 道大厂面经：覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景，包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题，每道题都附带思路解析：

2. 102 道 AI 大模型真题：直击大模型核心考点

针对大模型专属考题，从概念到实践全面覆盖，帮你理清底层逻辑：

3. 97 道 LLMs 真题：聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案，比如让很多人头疼的 “复读机问题”：

三、路线必明： AI 大模型学习路线图，1 张图理清核心内容

刚接触 AI 大模型，不知道该从哪学起？这份「AI大模型 学习路线图」直接帮你划重点，不用再盲目摸索！

路线图涵盖 5 大核心板块，从基础到进阶层层递进：一步步带你从入门到进阶，从理论到实战。

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

L5阶段：专题集丨特训篇 【录播课】

四、资料领取：全套内容免费抱走，学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型，还是有基础想冲刺大厂、了解行业趋势，这份资料都能满足你！
现在只需按照提示操作，就能免费领取：

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口？别犹豫，这份免费资料就是你的 “起跑线”！