企业官网建设流程全解析

LangChain Chat Model 详解：从常用参数到 bind_tools 与结构化输出

Chat Model 是 LangChain 里一切 Agent 的地基——没有模型，工具、提示词、循环都无从谈起。理解init_chat_model()怎么配置模型行为参数（temperature、max_tokens、timeout 等），以及bind_tools()/with_structured_output()这两个高级能力，是写出可控、可靠、可复用的 Agent 的起点。

本文基于 LangChain 官方文档（Python）与菜鸟教程 LangChain 系列，沿材料分类组件00：Models的路径组织，覆盖常用参数与高级用法两大部分。

一、先厘清：Chat Model 在 LangChain 里的角色

一句话结论：Chat Model 就是"负责说话的模型"，它接受消息列表、返回回复；而bind_tools()让它能返回工具调用请求，with_structured_output()让它直接返回结构化数据——这两个能力是 Agent 和结构化提取的基石。

普通模型只能生成纯文本。但模型的能力不止于此：

• bind_tools()：模型"知道"有哪些工具可用，能在回复中返回tool_call，告诉程序"我需要在此时调用这个工具"。
• with_structured_output()：模型按你指定的 Schema 直接返回结构化数据（Pydantic 对象 / 字典），而不是让你去解析文本。

这两个方法把模型从"文本生成器"升级成"能干活、能交付结构"的智能体组件。

二、常用参数逐个拆解

2.1 temperature——控制创造性与确定性

temperature是最常用的参数，取值范围 0 到 2，控制模型输出的随机程度。

fromlangchain.chat_modelsimportinit_chat_model question="用一句话介绍菜鸟教程 RUNOOB"# temperature=0：输出非常确定，几乎每次结果一样model_low=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)resp1=model_low.invoke(question)resp2=model_low.invoke(question)print(f"两次结果相同:{resp1.content==resp2.content}")# True# temperature=1.5：输出多样化，每次可能不同model_high=init_chat_model("deepseek:deepseek-v4-flash",temperature=1.5)print(f"第1次:{model_high.invoke(question).content}")print(f"第2次:{model_high.invoke(question).content}")

temperature=0 不等于"完全相同"。由于模型内部浮点精度差异，极端情况下仍可能有微小差异。如果需要绝对的确定性，有些模型提供了seed参数。

2.2 max_tokens——控制输出长度与成本

max_tokens限制模型输出的最大 Token 数。一个 Token 大约相当于 0.75 个英文单词或 0.5 个中文字。

fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)# max_tokens=30：限制输出在 30 个 Token 以内response_short=model.invoke("详细介绍一下菜鸟教程 RUNOOB 平台",max_tokens=30)print(f"限制 30 tokens ({len(response_short.content)}字符):")print(response_short.content)

⚠️ 避坑：max_tokens是对输出长度的硬限制。如果设置过低，模型的回答可能在句中突然截断。一般建议 100-2000；"一句话回答"类场景 30-100 就够，"详细解释"类建议 500-2000。

2.3 timeout 与 max_retries——网络可靠性

在生产环境中，网络请求可能失败。这两个参数控制请求行为：

fromlangchain.chat_modelsimportinit_chat_model# 生产环境推荐配置model=init_chat_model("deepseek:deepseek-v4-flash",timeout=30,# 单次请求最多等待 30 秒max_retries=3,# 失败后最多重试 3 次（总共 4 次请求机会）)

2.4 base_url——自定义 API 地址

base_url在你需要通过代理、中转服务或私有部署访问模型时非常有用：

fromlangchain.chat_modelsimportinit_chat_model# 场景 1：通过代理访问model=init_chat_model("deepseek:deepseek-v4-flash",base_url="https://your-proxy-domain.com/v1")# 场景 2：使用兼容 OpenAI 接口的第三方服务model=init_chat_model("deepseek:deepseek-v4-flash",base_url="https://api.third-party.com/v1",api_key="your-third-party-key",)# 场景 3：连接本地模型（如 vLLM、Ollama）model=init_chat_model("openai:qwen2.5",base_url="http://localhost:8000/v1",api_key="not-needed",# 本地通常不需要 Key)

base_url改变的是 API 端点地址，但provider参数决定行为模式。比如provider="openai"会用 OpenAI 消息格式，即使 base_url 指向的是别的服务。确保目标服务兼容你指定的 provider 格式。

2.5 其他常用参数

top_p（核采样）：另一种控制随机性的方式，模型只从累积概率达到 top_p 的词中采样。一般建议只调temperature或top_p中的一个，不要同时调，否则行为难预测。

model=init_chat_model("deepseek:deepseek-v4-flash",top_p=0.9)# 只考虑累积概率前 90% 的词

stop（停止序列）：模型遇到这些词会立即停止生成。

response=model.invoke("列出五个编程学习网站，每个一行",stop=["\n"])# 遇到换行就停止

seed（可重复性）：部分模型支持，相同 seed + 相同输入 = 相同输出。

model=init_chat_model("deepseek:deepseek-v4-flash",seed=42,temperature=0)

参数速查表

三、高级用法：bind_tools()——让模型知道有哪些工具

普通模型只能生成文本。调用bind_tools()后，模型能在回复中返回tool_call，告诉程序"我需要调用这个工具".

fromdotenvimportload_dotenv load_dotenv()fromlangchain.chat_modelsimportinit_chat_model model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)# 用字典描述工具（OpenAI function calling 格式）tools=[{"type":"function","function":{"name":"get_weather","description":"查询指定城市的天气","parameters":{"type":"object","properties":{"city":{"type":"string","description":"城市名称，如 杭州、北京"}},"required":["city"],},},}]# bind_tools() 将工具绑定到模型model_with_tools=model.bind_tools(tools)# 问一个需要工具的问题response=model_with_tools.invoke("杭州今天天气怎么样？")ifresponse.tool_calls:print("模型请求调用以下工具：")fortcinresponse.tool_calls:print(f" 工具名:{tc['name']}")print(f" 参数:{tc['args']}")print(f" 调用ID:{tc['id']}")

运行结果：

模型请求调用以下工具： 工具名: get_weather 参数: {'city': '杭州'} 调用ID: call_abc123def456

⚠️ 重点：bind_tools()只是告诉模型"你有一个工具可以用"，模型返回的是工具调用的请求。真正的执行由 Agent 或你自己的代码来完成。

3.1 用 Pydantic 模型描述工具

对于复杂工具，用 Pydantic 模型定义参数结构比手写字典更清晰：

frompydanticimportBaseModel,Fieldfromlangchain.chat_modelsimportinit_chat_modelclassWeatherInput(BaseModel):"""查询指定城市的天气情况"""city:str=Field(description="城市名称，如 杭州、北京")unit:str=Field(default="celsius",description="温度单位，celsius（摄氏度）或 fahrenheit（华氏度）")classCalculatorInput(BaseModel):"""执行数学计算"""expression:str=Field(description="要计算的数学表达式，如 '(3 + 5) * 2'")model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)model_with_tools=model.bind_tools([WeatherInput,CalculatorInput])response=model_with_tools.invoke("北京今天多少度？顺便帮我算一下 123 * 456")print(f"模型请求了{len(response.tool_calls)}个工具调用：")fortcinresponse.tool_calls:print(f"{tc['name']}({tc['args']})")

使用 Pydantic 定义工具参数是推荐做法——类型安全、自动校验，LangChain 会自动从类名和 Field 描述生成工具描述。

四、高级用法：with_structured_output()——让模型返回结构化数据

with_structured_output()是比 tool_calling 更直接的方式。它让模型按你指定的 Schema 返回数据，而不是返回 tool_call。

frompydanticimportBaseModel,Fieldfromlangchain.chat_modelsimportinit_chat_modelclassPersonInfo(BaseModel):"""从文本中提取的人物信息"""name:str=Field(description="人物姓名")age:int=Field(description="年龄")occupation:str=Field(description="职业")skills:list[str]=Field(description="技能列表")model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)structured_model=model.with_structured_output(PersonInfo)text="张三今年28岁，是一名全栈工程师，精通 Python、React 和 Docker"result=structured_model.invoke(text)print(f"姓名:{result.name}")print(f"年龄:{result.age}")print(f"类型:{type(result)}")# PersonInfo 实例

返回值直接是 Pydantic 模型实例，可用.name、.age等属性访问。

4.1 with_structured_output() vs bind_tools() 对比

这两个方法看起来相似，但用途不同：

4.2 嵌套结构化输出

with_structured_output()支持复杂的嵌套结构：

frompydanticimportBaseModel,Fieldfromlangchain.chat_modelsimportinit_chat_modelclassIngredient(BaseModel):"""食材信息"""name:str=Field(description="食材名称")amount:str=Field(description="用量，如 '200g'、'2个'")classCookingStep(BaseModel):"""烹饪步骤"""step_number:int=Field(description="步骤编号")description:str=Field(description="步骤描述")duration_minutes:int=Field(description="此步骤需要的时间（分钟）")classRecipe(BaseModel):"""菜谱"""dish_name:str=Field(description="菜名")difficulty:str=Field(description="难度：简单、中等、困难")ingredients:list[Ingredient]=Field(description="食材列表")steps:list[CookingStep]=Field(description="烹饪步骤")model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0)structured_model=model.with_structured_output(Recipe)recipe_text="""今天来教大家做一道经典的番茄炒蛋......"""result=structured_model.invoke(recipe_text)print(f"菜名:{result.dish_name}")print(f"食材 ({len(result.ingredients)}种):")foringinresult.ingredients:print(f" -{ing.name}:{ing.amount}")print(f"步骤 ({len(result.steps)}步):")forstepinresult.steps:print(f"{step.step_number}.{step.description}({step.duration_minutes}分钟)")

4.3 JSON Schema 模式

除了 Pydantic 模型，也可以直接传入 JSON Schema：

json_schema={"title":"SentimentAnalysis","description":"情感分析结果","type":"object","properties":{"sentiment":{"type":"string","enum":["positive","negative","neutral"],"description":"情感倾向"},"confidence":{"type":"number","description":"置信度，0~1"},"keywords":{"type":"array","items":{"type":"string"},"description":"关键情感词"},},"required":["sentiment","confidence"],}structured_model=model.with_structured_output(json_schema)result=structured_model.invoke("菜鸟教程 RUNOOB 真的太棒了，强烈推荐给所有编程新手！")print(f"情感:{result['sentiment']}| 置信度:{result['confidence']}| 关键词:{result['keywords']}")

JSON Schema 需要包含顶层title和description键，返回的是字典而非 Pydantic 对象。

五、总结：你真正需要记住的 N 件事

1. Chat Model 是 Agent 的地基：model 负责说话，bind_tools()/with_structured_output()是它的两个高级能力。
2. temperature 控制随机度：稳定任务用 0~0.3，创意任务用 0.7~1.2，但别同时调 temperature 和 top_p。
3. max_tokens 是硬限制：设置过低会句中截断，按场景设 100-2000。
4. 生产环境必设 timeout + max_retries：推荐 30s + 2~3 次重试。
5. base_url 改端点、provider 定行为：用代理/兼容接口/本地模型都靠它。
6. bind_tools() 只是"告知"：模型返回的是工具调用请求，真正执行在 Agent 或你的代码里。
7. with_structured_output() 直接给结构：信息提取别绕弯，从文本直接拿 Pydantic 对象。
8. 优先用 Pydantic 定义参数：类型安全、自动校验、自动生成描述。

验证清单

• 我为任务选对了 temperature（稳定用低值、创意用高值）
• 我设置了 max_tokens 控制输出长度，且没设过低导致截断
• 生产环境我设了 timeout 和 max_retries
• 用代理/本地模型时我配了 base_url，并确认 provider 兼容
• 需要工具调用时我用 bind_tools()，并清楚真正执行在我这边
• 信息提取我用 with_structured_output()，能拿到 Pydantic 对象或字典
• 复杂结构我用嵌套 Pydantic 模型 / JSON Schema 定义

参考资源

• LangChain 官方文档：Models——https://docs.langchain.com/oss/python/langchain/models
• LangChain Reference：init_chat_model——https://reference.langchain.com/python/langchain/chat_models
• 菜鸟教程 LangChain 系列——https://www.runoob.com/langchain/