LangChain 模型初始化参数

来源：LangChain 教程 · 第 02 章《模型的创建与调用》适用对象：ChatOpenAI、ChatDeepSeek 等 Model Class，以及 init_chat_model

1. 初始化参数的作用

模型初始化参数决定两件事：程序如何连接模型服务，以及模型如何生成内容。连接参数通常包括模型名称、供应商、API Key、Base URL、超时时间和重试次数；推理参数主要包括温度、最大输出 Token 数量、采样范围和停止条件。

常用初始化方式如下：

python

from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
import os

load_dotenv(override=True)

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=0.7,
    max_tokens=1000,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke("你好，一句话介绍一下你自己")
print(response.content)

建议将 API Key 和 Base URL 放在 .env 文件中，并将 .env 加入 .gitignore，避免密钥进入代码仓库。

2. 常用参数

参数	类型	作用	默认值
`model`	`str`	指定模型名称。使用 `init_chat_model` 时可以写成 `provider:model`，例如 `openai:gpt-4o`	无
`model_provider`	`str`	指定模型供应商，例如 `openai`、`deepseek`、`anthropic`、`ollama`	无
`api_key`	`str`	API 鉴权密钥。不传时通常从供应商约定的环境变量读取	`None`
`base_url`	`str`	模型供应商的 API 请求地址，常用于 OpenAI 兼容接口	`None`
`temperature`	`float`	控制输出随机性。值越高，结果越有变化；值越低，结果越稳定	`0.7`
`max_tokens`	`int`	限制模型本次生成的最大 Token 数量	`None`
`timeout` / `request_timeout`	`float`	网络请求超时时间，单位为秒	`None`
`max_retries`	`int`	网络错误、限流等请求失败时的最大重试次数	`6`

不同模型类的参数名可能略有差异。例如，某些专用类使用 api_base，而 ChatOpenAI 与 OpenAI 兼容接口通常使用 base_url。实际使用时应以具体集成类的文档和 model_fields 为准。

3. temperature 参数

temperature 控制模型选择低概率 Token 的倾向。温度低时，模型更倾向于选择概率最高的结果；温度高时，模型会保留更多随机性，表达更灵活，但结果稳定性会下降。

范围	特点	常见场景
`0.0–0.3`	稳定、一致	数学计算、数据提取、分类、代码生成、结构化输出
`0.5–0.7`	稳定性与创造性平衡	普通聊天、问答、解释概念
`0.8–1.5`	表达更灵活	写作、广告文案、头脑风暴
`1.5–2.0`	随机性和创造性较强	诗歌、故事和实验性创作

3.1 低温度示例

结构化数据提取、分类和代码生成通常优先使用低温度：

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=0,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke(
    "张三，男，30岁，拥有8年编程开发经验，目前担任技术专家。"
    "请提取姓名、性别、年龄、编程经验年限和职位，返回 JSON。"
)
print(response.content)

3.2 高温度示例

创意文案和头脑风暴可以适当提高温度：

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=1.5,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke("为一款极致静音的机械键盘写 3 个有诗意的广告语")
print(response.content)

temperature=0 只能降低随机性，不能保证模型绝对正确；模型本身的知识、提示词质量和输出格式约束仍然会影响结果。

4. max_tokens 参数

max_tokens 限制模型输出的最大 Token 数量。它控制的是输出长度，不是输入上下文长度。设置得过小，回答可能在句子中途被截断；设置得过大，会增加潜在的计费量和响应时间。

python

model = init_chat_model(
    model="gpt-5.4-mini",
    model_provider="openai",
    max_tokens=15,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke("请用中文详细介绍什么是 AI")
print(response.content)

如果输出被截断，可以检查响应元数据中的结束原因，例如 finish_reason 是否为 length：

python

print(response.response_metadata.get("finish_reason"))

Token 是模型分词器拆分出的文本单元，也是许多模型服务计算费用和限制上下文的基础单位。不同模型使用的分词算法不同，同一段文本的 Token 数量可能不同。

5. 连接与可靠性参数

5.1 API Key 与 Base URL

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

api_key 用于身份认证，base_url 决定请求发送到哪个服务地址。使用 OpenAI 兼容接口时，通常只需要替换 base_url 和 model 就能切换不同供应商，但具体模型是否支持某项能力仍需单独确认。

5.2 timeout 与 max_retries

timeout 或 request_timeout 用于限制单次请求等待时间；max_retries 用于处理网络抖动、临时限流等可恢复错误。重试次数过高会延长失败请求的总耗时，重试次数过低则可能放大偶发网络问题。

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    timeout=30,
    max_retries=3,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

6. 完整参数的查看方式

Model Class 的参数由自身定义和父类 BaseChatModel 继承而来。不同供应商、不同版本的参数可能不同，遇到参数名或兼容性问题时，可以直接查看类的 model_fields。

6.1 查看模型支持的参数名

python

from langchain_openai import ChatOpenAI

print(ChatOpenAI.model_fields.keys())

也可以查看通过 init_chat_model 创建出的具体模型对象：

python

from langchain.chat_models import init_chat_model

temp_model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="deepseek",
)

print(temp_model.model_fields.keys())

6.2 查看参数类型、默认值和描述

python

from langchain_deepseek import ChatDeepSeek

for name, field in ChatDeepSeek.model_fields.items():
    print(name)
    print("  annotation:", field.annotation)
    print("  default:", field.default)
    print("  description:", getattr(field, "description", None))
    print("  alias:", field.alias)

7. 完整参数的分类

完整参数可以按用途分成四组。日常开发一般只需要配置前两组中的少量参数。

7.1 客户端与连接参数

这组参数决定程序如何连接模型服务：

参数	作用
`api_key` / `openai_api_key`	鉴权密钥
`api_base` / `openai_api_base`	API 地址
`request_timeout`	网络请求超时设置
`max_retries`	请求失败重试次数
`http_client` / `http_async_client`	自定义同步或异步 HTTP 客户端
`openai_proxy`	代理服务器配置
`default_headers` / `default_query`	每次请求默认携带的 Header 或 Query 参数

7.2 模型推理参数

这组参数影响模型生成结果：

参数	作用
`model_name`	指定具体模型
`temperature`	控制随机性
`top_p`	控制核采样范围
`max_tokens`	限制最大输出 Token 数
`stop`	到达指定字符串时停止生成
`streaming`	是否开启流式传输
`n`	生成候选回复的数量
`reasoning`	是否启用推理模式，是否生效取决于模型
`reasoning_effort`	控制部分推理模型的推理强度
`presence_penalty`	惩罚已经出现过的主题，鼓励引入新内容
`frequency_penalty`	根据词语出现频率进行惩罚，减少重复
`seed`	在供应商支持时控制结果的可复现性
`logprobs` / `top_logprobs`	返回 Token 概率信息
`logit_bias`	调整特定 Token 的出现概率

7.2.1 使用 top_p 控制采样范围

top_p 也叫核采样参数。模型只在累计概率达到 top_p 的候选 Token 中进行选择。temperature 和 top_p 都会影响随机性，通常先调整其中一个，避免同时调节后难以判断效果。

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=0.7,
    top_p=0.8,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke("用三句话介绍机器学习")
print(response.content)

7.2.2 使用 stop 提前结束生成

stop 可以传入一个字符串或字符串列表。当模型生成到指定内容时，当前回复会提前结束，适合固定格式的输出。

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    temperature=0,
    stop=["END"],
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

response = model.invoke("列出三个 Python Web 框架，每行一个，最后输出 END")
print(response.content)

是否支持 stop 以及停止字符串是否会出现在返回结果中，取决于底层供应商实现。

7.2.3 使用 streaming 获取流式输出

streaming 用于设置模型是否允许流式传输。调用时使用 .stream()，模型会逐块返回内容，适合聊天窗口和长文本生成。

python

model = init_chat_model(
    model="deepseek-v3.2",
    model_provider="openai",
    streaming=True,
    api_key=os.getenv("CLOSEAI_API_KEY"),
    base_url=os.getenv("CLOSEAI_BASE_URL"),
)

for chunk in model.stream("请分三点介绍 LangChain"):
    print(chunk.content, end="", flush=True)

如果只需要一次性拿到完整结果，可以继续使用 .invoke()；是否真正以流式方式返回，还要看模型服务和网络客户端是否支持。

7.2.4 使用 n 生成多个候选结果

n 表示请求模型生成多少个候选结果。该参数会增加模型调用量和返回数据量，只有底层接口支持时才能使用。

python

from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    n=3,
    temperature=0.8,
    api_key=os.getenv("OPENAI_API_KEY"),
)

response = model.generate([
    [HumanMessage(content="为一个记账应用写一句宣传语")]
])

for generation in response.generations[0]:
    print(generation.text)

不同 LangChain 版本或模型类对多候选结果的返回结构可能不同。使用前应先打印 type(response) 和 response，确认当前集成类的返回格式。

7.2.5 使用 presence_penalty 和 frequency_penalty

两个惩罚参数都用于减少重复，但作用角度不同：presence_penalty 更关注某个主题是否已经出现过，frequency_penalty 更关注某个 Token 或词语出现的次数。

python

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    presence_penalty=0.4,
    frequency_penalty=0.6,
    api_key=os.getenv("OPENAI_API_KEY"),
)

response = model.invoke("写一篇介绍远程办公优点的短文，避免重复使用相同词语")
print(response.content)

惩罚值的可用范围和实际效果由模型供应商决定。值设置过高可能使表达变得生硬，建议从较小值开始调整。

7.2.6 使用 seed 尝试复现结果

seed 用于在供应商支持的情况下，让相同输入和相同参数更容易得到相近结果。它不能保证所有服务、所有时间都返回完全相同的内容。

python

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.2,
    seed=42,
    api_key=os.getenv("OPENAI_API_KEY"),
)

response = model.invoke("用一句话解释什么是向量数据库")
print(response.content)

如果服务端不支持 seed，初始化或请求阶段可能报错。使用兼容接口时，需要确认中转平台是否会透传该参数。

7.2.7 查看 Token 概率信息

logprobs 用于请求返回生成 Token 的概率信息，top_logprobs 用于查看每个位置概率最高的若干候选 Token。这类参数适合分析模型置信度或研究采样过程。

python

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    logprobs=True,
    top_logprobs=3,
    api_key=os.getenv("OPENAI_API_KEY"),
)

response = model.invoke("选择一个答案：Python 最常用的包管理工具是 pip 还是 Excel？")
print(response.content)
print(response.response_metadata.get("logprobs"))

返回字段名称和嵌套结构由底层 API 决定。如果响应中没有 logprobs，应先确认模型、供应商和当前版本是否支持该能力。

7.3 LangChain 通用参数

这组参数主要管理 LangChain 内部行为：

参数	作用
`name`	为模型实例命名，便于追踪和区分
`verbose`	是否输出详细日志
`callbacks`	注册回调处理器，可接入监控或 LangSmith
`tags` / `metadata`	为调用添加标签和元数据
`cache`	是否缓存模型请求结果
`rate_limiter`	控制请求频率
`disable_streaming`	控制是否禁用流式调用
`include_response_headers`	是否在结果中包含响应 Header

7.4 高级与扩展参数

model_kwargs 和 extra_body 可以透传底层 OpenAI 兼容接口支持、但 LangChain 尚未单独定义的字段。底层 client、async_client、root_client 等通常由 SDK 内部创建，不建议在普通初始化中手动传入。

python

model = ChatOpenAI(
    model="gpt-4o",
    model_kwargs={
        "some_provider_specific_option": True,
    },
)

透传参数必须以实际供应商 API 文档为准。参数名写错、供应商不支持或将参数放错位置，都会导致请求失败。

8. 参数选择建议

先确定 model、model_provider、api_key 和 base_url，确认模型能正常调用。
结构化任务优先从 temperature=0 或较低值开始，再根据结果稳定性调整。
创作类任务可以提高 temperature，但要结合任务对一致性的要求。
根据回答长度设置 max_tokens，并观察 finish_reason，避免无意截断。
网络不稳定时配置合理的 timeout 和 max_retries，避免无限等待。
需要使用冷门参数时，先通过 model_fields 确认参数是否存在，再查供应商 API 文档确认语义。
不同模型对 reasoning、top_p、presence_penalty 等参数的支持并不一致，不能只根据参数名推断实际效果。

LangChain 模型初始化参数 ​

1. 初始化参数的作用 ​

2. 常用参数 ​

3. temperature 参数 ​

3.1 低温度示例 ​

3.2 高温度示例 ​

4. max_tokens 参数 ​

5. 连接与可靠性参数 ​

5.1 API Key 与 Base URL ​

5.2 timeout 与 max_retries ​

6. 完整参数的查看方式 ​

6.1 查看模型支持的参数名 ​

6.2 查看参数类型、默认值和描述 ​

7. 完整参数的分类 ​

7.1 客户端与连接参数 ​

7.2 模型推理参数 ​

7.2.1 使用 top_p 控制采样范围 ​

7.2.2 使用 stop 提前结束生成 ​

7.2.3 使用 streaming 获取流式输出 ​

7.2.4 使用 n 生成多个候选结果 ​

7.2.5 使用 presence_penalty 和 frequency_penalty ​

7.2.6 使用 seed 尝试复现结果 ​

7.2.7 查看 Token 概率信息 ​

7.3 LangChain 通用参数 ​

7.4 高级与扩展参数 ​

8. 参数选择建议 ​

LangChain 模型初始化参数

1. 初始化参数的作用

2. 常用参数

3. temperature 参数

3.1 低温度示例

3.2 高温度示例

4. max_tokens 参数

5. 连接与可靠性参数

5.1 API Key 与 Base URL

5.2 timeout 与 max_retries

6. 完整参数的查看方式

6.1 查看模型支持的参数名

6.2 查看参数类型、默认值和描述

7. 完整参数的分类

7.1 客户端与连接参数

7.2 模型推理参数

7.2.1 使用 top_p 控制采样范围

7.2.2 使用 stop 提前结束生成

7.2.3 使用 streaming 获取流式输出

7.2.4 使用 n 生成多个候选结果

7.2.5 使用 presence_penalty 和 frequency_penalty

7.2.6 使用 seed 尝试复现结果

7.2.7 查看 Token 概率信息

7.3 LangChain 通用参数

7.4 高级与扩展参数

8. 参数选择建议