介绍

ChatOpenAI 是 LangChain 对接 OpenAI 对话模型（gpt-3.5-turbo、gpt-4、gpt-4o 等） 的核心聊天模型类，专门处理对话式交互，区别于老版 OpenAI（文本补全模型）。

基础用法

1. 基础调用（单轮对话）

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 1. 初始化 ChatOpenAI
llm = ChatOpenAI(
    model="gpt-3.5-turbo",  # 模型名，必填
    temperature=0.7,        # 随机性 0~2，越低越严谨
    max_tokens=1024,        # 最大生成长度
)

# 2. 调用模型（字符串输入）
res = llm.invoke("简单介绍一下 LangChain")
print(res.content)  # 取出回答文本

2. 消息对象模式（标准对话格式）

OpenAI 接口原生支持角色消息，LangChain 封装了 HumanMessage/AIMessage/SystemMessage：

from langchain_core.messages import SystemMessage, HumanMessage

# 系统提示 + 用户提问
messages = [
    SystemMessage(content="你是一名专业Python讲师，回答简洁易懂"),
    HumanMessage(content="解释什么是装饰器")
]

res = llm.invoke(messages)
print(res.content)

初始化参数

必选/高频参数

完整初始化示例

llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    api_key="sk-xxx",
    base_url="https://api.proxy.com/v1",
    temperature=0.2,
    max_tokens=2048,
    timeout=20,
    streaming=False,
    presence_penalty=0.1,
    frequency_penalty=0.1
)

四大调用方式

1. invoke 同步单次调用（最常用）

阻塞等待完整结果返回，适合常规业务：

res = llm.invoke("你好")
# 返回值是 AIMessage 对象
print(type(res))
print("回答：", res.content)
# 额外元数据（token消耗、模型名等）
print("元数据：", res.response_metadata)

2. batch 批量调用

一次性传入多个问题，批量获取结果，效率更高：

queries = ["1+1等于几", "介绍Python", "什么是大模型"]
results = llm.batch(queries)

for idx, res in enumerate(results):
    print(f"问题{idx+1}：{res.content}")

3. stream 流式输出（打字机效果）

对话/聊天场景首选，需开启 streaming=True：

llm_stream = ChatOpenAI(model="gpt-3.5-turbo", streaming=True)

# 逐块迭代输出
for chunk in llm_stream.stream("写一段100字的春天文案"):
    print(chunk.content, end="", flush=True)

4. 异步调用 ainvoke / astream

高并发场景（接口服务、后端）使用，不阻塞事件循环：

import asyncio

async def async_call():
    llm = ChatOpenAI(model="gpt-3.5-turbo")
    res = await llm.ainvoke("异步调用测试")
    print(res.content)

asyncio.run(async_call())

结合 Prompt 模板

实际项目不会硬编码提示词，搭配 ChatPromptTemplate 动态构造对话：

from langchain_core.prompts import ChatPromptTemplate

# 1. 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是{role}，回答风格{style}"),
    ("user", "{question}")
])

# 2. 模板 + 模型 串联（LangChain 链式语法）
chain = prompt | llm

# 3. 传入变量执行
res = chain.invoke({
    "role": "技术顾问",
    "style": "专业严谨",
    "question": "如何优化接口响应速度"
})
print(res.content)

上下文记忆（多轮对话）

实现连续聊天、保留历史对话，搭配 MessagesPlaceholder + 记忆组件：

from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.runnables.history import RunnableWithMessageHistory

# 1. 提示模板（预留历史消息位置）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是聊天助手"),
    MessagesPlaceholder(variable_name="history"),  # 存放历史对话
    ("user", "{input}")
])

chain = prompt | llm

# 2. 本地内存存储对话历史
history = ChatMessageHistory()
chat_chain = RunnableWithMessageHistory(
    chain,
    get_session_history=lambda session_id: history,
    input_messages_key="input",
    history_messages_key="history"
)

# 3. 多轮对话
chat_chain.invoke({"input": "我叫小明"}, config={"session_id": "123"})
res = chat_chain.invoke({"input": "我叫什么名字？"}, config={"session_id": "123"})
print(res.content)  # 正确记住名字

常见问题与踩坑

1. 代理/中转接口报错

现象：连接超时、401/404
解决：

• 手动指定 base_url，结尾必须带 /v1
• 检查 api_key 正确性
• 网络开启全局代理

2. Token 超限

现象：context length exceeded
解决：

• 减小 max_tokens
• 截断历史对话、精简提示词
• 改用长上下文模型（如 gpt-3.5-turbo-16k）

3. 新版导入报错（旧代码兼容）

旧版 from langchain.chat_models import ChatOpenAI 已废弃
✅ 新版正确导入：

from langchain_openai import ChatOpenAI

4. 流式不生效

检查初始化是否设置 streaming=True，且必须使用 .stream() 方法。

和旧版 OpenAI 类区别

1. ChatOpenAI：面向对话模型（gpt-3.5-turbo/gpt-4），接收角色消息，主流推荐。
2. OpenAI（旧版）：面向文本补全模型（text-davinci 等），现已逐步淘汰。

总结

1. ChatOpenAI 是 LangChain 对接 OpenAI 对话模型的标准入口，0.1+ 版本统一从 langchain-openai 导入。
2. 核心三要素：model + api_key + 提示词。
3. 调用场景选型：
   • 简单问答 → invoke
   • 聊天界面 → stream 流式
   • 批量任务 → batch
   • 后端服务/高并发 → 异步 ainvoke
4. 工程化务必搭配 Prompt模板 + 对话记忆 实现多轮对话。