LangChain教程：ChatOpenAI详解-马育民老师

# 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）
```python
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`：
```python
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

| 参数 | 作用 | 取值说明 |
|------|------|----------|
| `model` | 指定模型名称 | `gpt-3.5-turbo` / `gpt-4` / `gpt-4o` / `gpt-4-turbo` |
| `api_key` | OpenAI Key | 不传则读取环境变量 `OPENAI_API_KEY` |
| `base_url` | 接口代理地址 | 对接中转/本地兼容接口时使用 |
| `temperature` | 温度 | `0`=精准、逻辑强；`1`=创意强；**代码/问答建议 0~0.3** |
| `top_p` | 核采样 | 和 temperature 二选一，默认1.0 |
| `max_tokens` | 最大输出token | 限制回答长度，避免超长返回 |
| `timeout` | 超时时间 | 单位秒，网络差必设：`timeout=30` |
| `streaming` | 流式输出开关 | `True` 开启逐字返回，配合 `stream()` 使用 |
| `presence_penalty` | 存在惩罚 | -2~2，越高越容易开启新话题 |
| `frequency_penalty` | 频率惩罚 | -2~2，越高越避免重复语句 |

### 完整初始化示例
```python
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：
```python
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**：
```python
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`：
```python
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：
```python
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：

```python
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：

```python
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：
```python
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。

原文出处：http://malaoshi.top/show_1GW3P6rsHnDv.html