LangChain快速入门：多模型调用实践整合OpenRouter、Deepseek等API接口

LangChain多模型调用实践：整合OpenRouter、Deepseek等API接口

引言

在人工智能快速发展的今天，各种大语言模型层出不穷。使用LangChain框架，我们可以方便地调用不同的模型API，本文将介绍如何通过LangChain调用OpenRouter、Deepseek等模型服务。

基础环境准备

在开始之前，我们需要安装必要的依赖：

pip install langchain-openai
pip install langchain[deepseek]  # 如果需要使用Deepseek
pip install langchain-community  # 如果需要使用社区版本的模型

OpenRouter API调用

OpenRouter提供了兼容OpenAI接口规范的服务，我们可以直接使用langchain_openai的ChatOpenAI来调用：

from langchain_openai import ChatOpenAI

# 配置OpenRouter API
model = ChatOpenAI(
    base_url="https://openrouter.ai/api/v1",
    api_key="your_api_key_here",
    model="qwen/qwq-32b:free"
)

Deepseek模型调用

对于Deepseek模型，LangChain提供了专门的包支持：

from langchain_deepseek import ChatDeepSeek

# 配置Deepseek模型
model = ChatDeepSeek(
    model="deepseek-chat",
    api_key="sk-deepseek-v1-your_key_here"
)

使用社区版本调用其他模型

对于一些未在官方集成列表中的模型（如通义千问），我们可以使用LangChain社区版本：

from langchain_community.chat_models import ChatTongyi
# 配置通义千问模型

消息处理示例

下面是一个使用系统消息和用户消息的示例：

from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser

# 创建消息列表
messages = [
    SystemMessage(content="请将用户的提问转换为中文，不用要回答问题"),
    HumanMessage(content="who are you")
]

# 调用模型获取结果
result = model.invoke(messages)
print(result)

关键点解析

1. 模型调用方式

   • 使用ChatOpenAI类可以调用符合OpenAI接口规范的服务
   • 每个模型服务都需要相应的API密钥
   • 可以通过base_url参数指定不同的API端点

2. 消息类型

   • SystemMessage: 用于设置系统级指令
   • HumanMessage: 用于传递用户输入
   • 这些消息类型来自langchain_core.messages模块

3. 输出处理

   • 可以使用StrOutputParser进行输出解析
   • model.invoke()方法直接返回模型响应

注意事项

1. 使用前请确保已经获取了相应的API密钥
2. 不同模型的接口可能有细微差别，需要查看相应的文档
3. 建议在正式环境中做好错误处理
4. API调用可能会产生费用，请注意控制使用量

结论

LangChain提供了一个统一的接口来调用各种大语言模型，大大简化了开发流程。通过本文介绍的方法，我们可以根据需求灵活选择和切换不同的模型服务。

参考资料

• LangChain官方文档：https://python.langchain.com/docs/integrations/providers/