AI Agent白手起家21: LangChain 大模型组件标准参数与事件驱动实战

纲要

• 标准参数配置
  • model、temperature、timeout、max_tokens、stop、max_retries、api_key、base_url、rate_limit
  • 参数效果对比（temperature 与 stop 示例）
• 标准事件驱动
  • invoke：同步调用
  • stream：流式输出
  • batch：批量处理
  • astream_events：异步事件流
  • bind_tools：工具绑定
  • with_structured_output：结构化输出
  • 其他事件（with_retry、with_fallback、configure）
• 消息格式
  • OpenAI 消息 vs LangChain 消息
  • AIMessage 关键字段解析
• 完整可运行代码演示

标准参数详解

实例化大模型组件时，LangChain 提供了一系列标准参数。所有官方合作包（如 langchain-openai）均强制使用这些参数名，而社区包不保证一致性。

重要提醒：

• 标准参数仅对厂商 API 实际开放的参数有效，部分模型可能不支持 max_tokens 等。
• 社区包不一定遵守这些参数名，使用前需查阅对应文档。

下面通过代码直观感受 temperature 与 stop 的影响：

import os
from langchain_openai import ChatOpenAI

# 基础配置
llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    temperature=0.4,
    timeout=30,
    max_tokens=200,
    max_retries=3
)

prompt = "用一句话介绍一下你自己。"

# 默认 temperature=0.4 的输出
print("=== temperature=0.4 ===")
res = llm.invoke(prompt)
print(res.content)

# 调高 temperature
llm_creative = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    temperature=0.9,
    max_tokens=200
)
print("\n=== temperature=0.9 ===")
res_creative = llm_creative.invoke(prompt)
print(res_creative.content)

# stop 参数：遇到“我”停止
llm_stop = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    temperature=0.4,
    max_tokens=200,
    stop=["我"]
)
print("\n=== stop='我' ===")
res_stop = llm_stop.invoke(prompt)
print(res_stop.content)

运行结果对比：

• temperature=0.4 时回答偏向严谨规范。
• temperature=0.9 时回答风格更自由、更具创造性。
• 启用 stop="我" 后，输出在第一个“我”字处截断，仅返回“作为一个人工智能,”。

标准事件驱动模型交互

LangChain 将大模型操作抽象为标准事件，开发者无需关心底层 API 差异。

下面使用 Mermaid 时序图展示核心事件调用流程：

invoke - 同步调用

最基础的调用方式，返回完整 AIMessage。适合后台任务、批处理脚本。

stream - 流式输出

逐 token 返回，前端实现打字机效果，提升交互体验。使用 for 循环读取 chunk.content。

batch - 批量处理

传入多个提示词，并发请求，统一返回结果列表。适合离线评估、数据增强。

astream_events - 异步事件流

基于异步的流式输出，可按事件类型精细控制。需要 async for 和 version="v2"。常见事件：

• on_chat_model_start：模型开始响应
• on_chat_model_stream：流式输出中
• on_chat_model_end：响应结束，可获取完整结果及 token 统计

bind_tools - 绑定工具

将自定义工具（函数）绑定到模型，使其具备调用外部 API 的能力。这是构建 Agent 的关键步骤。

with_structured_output - 结构化输出

让模型按照指定的 Pydantic 模型输出 JSON 结构，避免正则解析，直接传递到下游函数。也支持 stream 模式。

其他事件：with_retry（失败重试）、with_fallback（降级策略）、configure（运行时参数调整）等。

消息格式与 AIMessage 字段

ChatModels 支持两种消息格式：

推荐统一使用 LangChain 消息格式，因为它更全面且为官方推荐。特别是 ToolMessage，在大模型调用工具后承载返回数据。

大模型返回的 AIMessage 对象包含以下关键属性：

• content：模型响应文本（可能是字符串或内容块列表）。
• tool_calls：标准化后的工具调用请求。
• invalid_tool_calls：无效的工具调用记录。
• usage_metadata：输入/输出 token 使用量统计。
• id：消息唯一标识。
• response_metadata：厂商原始响应头、token 计数等。

不同模型返回的原生字段并不统一，LangChain 仅对部分做了标准化，实际开发需留意厂商差异。

完整可运行示例

以下代码整合了标准参数、六大核心事件（invoke、stream、batch、astream_events、with_structured_output、bind_tools 的简介）以及消息格式演示。运行前请设置环境变量 OPENAI_API_KEY，并安装依赖：

pip install langchain-openai pydantic

import os, asyncio
from pydantic import BaseModel, Field
from langchain_openai import ChatOpenAI

# ---------- 1. 标准参数配置 ----------
llm = ChatOpenAI(
    model="gpt-4",
    temperature=0.4,
    timeout=30,
    max_tokens=200,
    max_retries=3,
    api_key=os.getenv("OPENAI_API_KEY"),
    # base_url="https://your-proxy.com/v1",  # 如需代理
)

# ---------- 2. invoke：同步调用 ----------
print("=== invoke ===")
result = llm.invoke("用一句话介绍一下你自己。")
print(result.content)
print("\nToken 用量:", result.usage_metadata)

# ---------- 3. stream：流式输出 ----------
print("\n=== stream ===")
for chunk in llm.stream("背诵一首七言绝句"):
    print(chunk.content, end="", flush=True)
print()

# ---------- 4. batch：批量处理 ----------
print("\n=== batch ===")
questions = ["AI Agent 的核心是什么？", "LangChain 由哪些组件构成？"]
results = llm.batch(questions)
for q, r in zip(questions, results):
    print(f"Q: {q}\nA: {r.content}\n")

# ---------- 5. astream_events：异步事件流 ----------
async def demo_astream_events():
    print("=== astream_events ===")
    async for event in llm.astream_events("介绍下深度学习", version="v2"):
        ev = event["event"]
        if ev == "on_chat_model_start":
            print("[模型开始]")
        elif ev == "on_chat_model_stream":
            data = event["data"]["chunk"]
            if data.content:
                print(data.content, end="", flush=True)
        elif ev == "on_chat_model_end":
            final = event["data"]["output"]
            print(f"\n[模型结束] token 用量: {final.usage_metadata}")
asyncio.run(demo_astream_events())

# ---------- 6. with_structured_output：结构化输出 ----------
class MovieReview(BaseModel):
    """电影评论输出格式"""
    title: str = Field(description="电影名称")
    summary: str = Field(description="一句话剧情简介")
    score: float = Field(description="评分，1-10 分")

structured_llm = llm.with_structured_output(MovieReview)
review = structured_llm.invoke("用结构化数据介绍电影《流浪地球》")
print("\n=== structured output ===")
print(f"电影: {review.title}\n简介: {review.summary}\n评分: {review.score}")

# ---------- 7. bind_tools 演示（轻量示例） ----------
def get_weather(city: str) -> str:
    """模拟天气查询"""
    return f"{city} 晴天，22°C"

llm_with_tools = llm.bind_tools([get_weather])
tool_result = llm_with_tools.invoke("北京今天天气怎么样？")
print("\n=== bind_tools ===")
print(tool_result.content)  # 模型会尝试返回调用工具的信息

小结与最佳实践

• 优先使用 ChatModels 和官方合作包，避免直接使用原生 SDK。
• 必须设置的参数：model、temperature、api_key。
• 交互式应用首选 stream；需要后台处理时用 invoke 或 batch；需要精细控制流式输出时用 astream_events。
• 对接下游系统（如数据库、前端组件）时，务必使用 with_structured_output 保证数据格式稳定。
• 注意 AIMessage 中的 usage_metadata，可用于成本监控和用量控制。
• 不同模型的原生字段差异需在实践中积累，做好字段兼容处理。