一、Model I/O 模块核心价值：统一大模型交互入口

LangChain 作为大模型应用开发的一站式框架，其 Model I/O 模块是连接开发者与各类大语言模型的核心桥梁。它通过抽象封装，将不同类型、不同厂商的模型统一为标准化接口，解决了传统开发中 “模型类型各异、调用方式碎片化” 的痛点。

简单来说，Model I/O 的核心作用是：屏蔽模型底层差异，让开发者用一致的逻辑调用各类大模型，无论是文本生成、多轮对话还是文本向量化任务，都能通过统一的 API 实现。本文将聚焦 Model I/O 模块的三大核心模型类型（LLMs、Chat Models、Embedding Models），结合实战代码详解其特点、适用场景与调用方法。

二、三大模型类型：特点、场景与区别

LangChain 将大模型抽象为三类核心类型，各自对应不同的业务场景，其核心差异可通过下表快速区分：

模型类型	核心功能	输入格式	输出格式	核心特点	典型应用场景
LLMs（非对话模型）	文本补全与单次生成	纯文本字符串（Prompt）	纯文本字符串	无上下文记忆，单次独立调用	文案创作、翻译、代码补全、单次问答
Chat Models（对话模型）	多轮对话交互	结构化消息列表（如 SystemMessage、HumanMessage）	结构化消息对象（AIMessage）	支持上下文维护，适配对话场景	智能客服、聊天机器人、多轮对话助手
Embedding Models（嵌入模型）	文本向量化表示	文本字符串（单条 / 批量）	浮点数列表（语义向量）	捕捉文本语义特征	语义搜索、文档聚类、RAG 系统核心组件

关键区分点：

1. LLMs vs Chat Models：LLMs 是 “单次任务导向”，无上下文记忆；Chat Models 是 “对话导向”，通过结构化消息维护历史交互逻辑。
2. Embedding Models：不生成文本，而是将文本转为可计算的向量，是语义理解类任务的基础。

三、实战调用：三大模型类型代码示例

3.1 环境准备

首先安装核心依赖，确保 LangChain 及模型调用相关库已就绪：

# 核心依赖：LangChain 框架
pip install langchain langchain-core langchain-openai langchain-community
# 环境变量管理
pip install python-dotenv
# 第三方模型依赖（如智谱AI）
pip install pyjwt

同时需准备对应模型的 API Key：

• 通义千问：前往阿里云百炼控制台申请；
• 智谱 AI：前往智谱 AI 开放平台申请；
• DeepSeek：前往 DeepSeek 开放平台申请。

创建 .env 文件存储 API Key（避免硬编码）：

env

# .env 文件内容
DASHSCOPE_API_KEY=你的通义千问API密钥
DEEPSEEK_API_KEY=你的DeepSeekAPI密钥
ZHIPUAI_API_KEY=你的智谱AIAPI密钥

3.2 LLMs（非对话模型）：单次文本生成

LLMs 专为独立的单次文本任务设计，输入输出均为纯文本，适合无需上下文的场景（如文本补全、翻译、代码生成）。

实战代码：调用通义千问 LLM 实现文本补全

from dotenv import load_dotenv
import os
from openai import OpenAI

# 加载环境变量（读取 API Key）
load_dotenv()

# 初始化 LLM 客户端（通义千问兼容 OpenAI 接口）
client = OpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key=os.getenv("DASHSCOPE_API_KEY")
)

# 调用模型进行文本补全
completion = client.completions.create(
    model="qwen2.5-coder-32b-instruct",  # 代码生成类 LLM 模型
    prompt="我今天真",  # 输入文本（Prompt）
    max_tokens=20  # 限制生成文本长度
)

# 输出结果
print("LLM 文本补全结果：", completion.choices[0].text)

关键说明：

• completions.create：LLMs 专属调用方法，专注于文本补全；
• 无上下文维护：每次调用都是独立的，模型不会记住上一轮输入；
• 适用场景：短文本生成、代码片段补全、单次翻译等简单任务。

3.3 Chat Models（对话模型）：多轮交互与上下文维护

Chat Models 是在 LLMs 基础上优化的对话专用模型，通过结构化消息对象（SystemMessage、HumanMessage、AIMessage）实现上下文管理，是构建聊天机器人、智能客服的核心。

示例 1：调用 DeepSeek 对话模型实现单次问答

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from pydantic import SecretStr

load_dotenv()

# 初始化对话模型
llm = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",  # DeepSeek 接口地址
    model="deepseek-chat",  # 对话模型名称
    api_key=SecretStr(os.environ["DEEPSEEK_API_KEY"]),  # 安全传入 API Key
)

# 单次对话调用
response = llm.invoke("大模型是什么?")

# 输出结果（结构化消息对象需通过 content 属性获取文本）
print("对话模型单次问答结果：")
print("完整消息对象：", response)
print("="*50)
print("文本内容：", response.content)

示例 2：调用智谱 AI 对话模型（GLM-4）

   pip install pyjwt
 智谱AI开放平台 (bigmodel.cn)

from langchain_community.chat_models import ChatZhipuAI
import os
from dotenv import load_dotenv

load_dotenv()

# 初始化智谱 AI 对话模型
zhipu_api_key = os.getenv("ZHIPUAI_API_KEY")
llm = ChatZhipuAI(
    model="glm-4-flash",  # 智谱普惠模型，支持免费调用
    temperature=0.5,  # 控制生成随机性（0~1，值越低越精准）
    api_key=zhipu_api_key
)

# 调用模型
res = llm.invoke("大模型是什么")
print("智谱 GLM-4 回答：", res.content)

示例 3：多轮对话（维护上下文）

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_openai import ChatOpenAI
import os
from dotenv import load_dotenv
from pydantic import SecretStr

load_dotenv()

# 初始化通义千问对话模型
llm = ChatOpenAI(
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    model="qwen-plus",
    api_key=SecretStr(os.environ["DASHSCOPE_API_KEY"]),
)

# 构建多轮对话消息列表（包含系统消息和用户消息）
messages = [
    SystemMessage(content="你是一位乐于助人的助手。你叫王老师"),  # 系统指令（定义角色）
    HumanMessage(content="你是谁？")  # 用户问题
]

# 调用模型（传入消息列表，自动维护上下文）
res = llm.invoke(messages)
print("多轮对话结果：", res.content)  # 预期输出：我是王老师，一位乐于助人的助手~

关键说明：

• 结构化消息：SystemMessage 用于定义角色 / 规则，HumanMessage 是用户输入，AIMessage 是模型输出；
• 上下文维护：多次调用时，只需将历史消息列表传入 invoke 方法，模型会自动理解对话逻辑；
• 适用场景：智能客服、聊天机器人、多轮咨询等需要上下文的场景。

3.4 Embedding Models（嵌入模型）：文本向量化核心

Embedding Models 负责将文本转为语义向量（浮点数列表），是语义检索、RAG 系统、文档聚类等任务的基础。虽然参考文档未提供完整调用示例，但结合 LangChain 生态，以下是标准实战代码：

from dotenv import load_dotenv
import os
from langchain_community.embeddings import DashScopeEmbeddings

load_dotenv()

# 初始化嵌入模型（通义千问嵌入模型）
embeddings = DashScopeEmbeddings(
    model="text-embedding-v1",  # 嵌入模型名称
    dashscope_api_key=os.getenv("DASHSCOPE_API_KEY")
)

# 单条文本向量化
text = "LangChain Model I/O 模块"
query_vector = embeddings.embed_query(text)
print("单条文本向量（前5个值）：", query_vector[:5])

# 批量文本向量化（适合文档处理）
texts = ["模型类型", "对话模型", "嵌入模型"]
doc_vectors = embeddings.embed_documents(texts)
print("批量文本向量数量：", len(doc_vectors))
print("第一条向量（前5个值）：", doc_vectors[0][:5])

关键说明：

• 向量维度：不同模型生成的向量维度不同（如 768 维、1536 维），需根据任务选择；
• 核心作用：向量可用于计算文本相似度（如余弦相似度），是 RAG 系统中 “检索相关文档” 的核心逻辑；
• 适用场景：语义搜索、文档聚类、RAG 系统、文本相似度计算等。

四、核心总结与最佳实践

4.1 模型选型指南

• 若需单次文本生成（无上下文）：选择 LLMs；
• 若需多轮对话（需维护上下文）：选择 Chat Models；
• 若需文本语义理解（向量化）：选择 Embedding Models。

4.2 开发最佳实践

1. 环境变量管理：使用 python-dotenv 存储 API Key，避免硬编码泄露；
2. 结构化消息设计：Chat Models 中，通过 SystemMessage 明确角色和规则，提升回答准确性；
3. 向量归一化：Embedding Models 生成向量后，建议归一化处理（normalize_embeddings=True），提升检索精度；
4. 模型兼容：LangChain 支持主流模型（OpenAI、通义千问、智谱 AI 等），切换模型时只需修改 base_url 和 model 参数，无需重构核心逻辑。

4.3 扩展方向

• 本地模型部署：通过 ChatOllama 调用本地部署的 LLaMA、Qwen 等模型，摆脱 API 依赖；
• 模型链组合：将 Chat Models 与 Embedding Models 结合，构建完整 RAG 系统（检索 + 生成）；
• 输出解析：通过 LangChain 的 OutputParser 模块，将模型输出转为结构化数据（如 JSON、列表），方便后续处理。

LangChain 的 Model I/O 模块通过标准化抽象，极大降低了大模型应用开发的门槛。掌握三大模型类型的特点与调用方法，是搭建各类大模型应用（如智能客服、RAG 知识库、文本生成工具）的基础。根据实际业务场景选择合适的模型类型，结合 LangChain 的其他模块（如 Chains、VectorStores），可快速实现复杂的大模型应用落地。