【ChatOpenAI】常用方法详解

ChatOpenAI 常用方法详解

ChatOpenAI 是 LangChain 中用于与 OpenAI 聊天模型交互的核心类，提供了多种方法来调用和管理对话。以下是其主要方法的详细介绍：

核心方法

1. invoke() - 同步调用模型

最常用的方法，用于同步调用模型并获取完整响应。

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessagechat = ChatOpenAI(model="qwen-max", temperature=0.7)# 方式一：单条消息调用
response = chat.invoke("你好！")
print(response.content)  # 输出: 你好！有什么可以帮您的吗？# 方式二：多条消息列表调用
messages = [HumanMessage(content="你好！"),HumanMessage(content="请介绍下你自己")
]
response = chat.invoke(messages)
print(response.content)

2. stream() - 流式响应

用于获取流式响应，适合需要逐步显示结果的场景。

# 流式处理响应
for chunk in chat.stream("请写一首关于春天的诗"):print(chunk.content, end="", flush=True)

3. generate() - 批量生成

同时处理多个用户输入（question），返回包含元数据的完整响应对象。

# 批量处理多个用户输入
messages_list = [[HumanMessage(content="2+2等于多少?")],[HumanMessage(content="中国的首都是哪里?")]
]result = chat.generate(messages_list)
for gen in result.generations:print(gen[0].text)# 输出: # 2+2等于4。# 中国的首都是北京。

4. bind_tools() - 绑定工具调用

将函数调用能力绑定到当前模型。

from langchain_core.tools import tool@tool
def get_current_weather(location: str):"""获取指定位置的当前天气"""return f"{location}的天气是晴朗的，25℃"# 绑定工具，生成新的聊天模型
chat_with_tools = chat.bind_tools([get_current_weather])# 使用工具调用
response = chat_with_tools.invoke("旧金山现在的天气如何？")
# 返回：旧金山的天气是晴朗的，25℃print(response.additional_kwargs)  # 打印包含工具调用信息

高级方法

5. with_structured_output() - 结构化输出

强制模型返回结构化数据。

from langchain_core.pydantic_v1 import BaseModel, Fieldclass Person(BaseModel):name: str = Field(description="姓名")age: int = Field(description="年龄")hobbies: list[str] = Field(description="爱好列表")# 给当前模型设置为结构化输出
structured_chat = chat.with_structured_output(Person)response = structured_chat.invoke("小明23岁，喜欢读书和游泳")
print(response)
# 输出: name='小明' age=23 hobbies=['读书', '游泳']

6. with_fallbacks() - 失败回退

设置模型调用失败时的备用模型。

from langchain_openai import ChatOpenAI# 主模型 + 备用模型
reliable_chat = ChatOpenAI(model="gpt-4").with_fallbacks([ChatOpenAI(model="gpt-3.5-turbo"),ChatOpenAI(model="gpt-3.5-turbo-16k")
])# 当gpt-4不可用时自动回退
response = reliable_chat.invoke("请解释量子力学的基本原理")

7. predict_messages() - 预测消息

与invoke类似，但返回完整的消息对象。

response = chat.predict_messages([HumanMessage(content="Python的优点是什么?")])
print(response)
# 输出: AIMessage(content='Python具有简单易学...', additional_kwargs={...})

配置相关方法

8. 模型参数设置

在初始化时配置模型参数：

chat = ChatOpenAI(model="gpt-4-turbo",temperature=0.5,       # 控制随机性 (0-2)max_tokens=500,        # 最大输出token数frequency_penalty=0.2, # 减少重复内容 (-2.0到2.0)presence_penalty=0.1,  # 增加新话题可能性 (-2.0到2.0)timeout=30,            # 超时时间(秒)streaming=True         # 是否使用流式响应
)

9. 异步方法

所有ChatOpenAI 的核心方法都有对应的异步版本：

# 异步调用
async def main():response = await chat.ainvoke("异步调用的优势是什么?")print(response.content)# 异步流式处理
async def stream_response():async for chunk in chat.astream("请逐步解释机器学习"):print(chunk.content, end="", flush=True)

实用技巧

消息历史管理

from langchain.memory import ConversationBufferMemorymemory = ConversationBufferMemory()
memory.save_context({"input": "你好"}, {"output": "你好！有什么可以帮您？"})# 添加新消息
memory.chat_memory.add_user_message("我想了解AI")
memory.chat_memory.add_ai_message("人工智能是...")# 获取完整历史
history = memory.load_memory_variables({})
messages = history["history"].messages# 使用历史进行对话
response = chat.invoke(messages)

自定义停止词

chat = ChatOpenAI(model="gpt-3.5-turbo",stop=["\n", "。"]  # 当遇到换行或句号时停止生成
)

完整工作流示例

from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser# 创建聊天模型
chat = ChatOpenAI(model="gpt-4", temperature=0.7)# 创建提示模板
prompt = ChatPromptTemplate.from_messages([SystemMessage(content="你是一个专业的IT顾问"),("human", "{input}")
])# 创建处理链
chain = prompt | chat | StrOutputParser()# 执行链式调用
response = chain.invoke({"input": "如何保护公司数据安全？"})
print(response)

最佳实践

1. 温度设置：

   • 创意任务：0.7-1.0
   • 事实性回答：0.1-0.3
   • 平衡：0.5

2. 错误处理：

   from openai import APIErrortry:response = chat.invoke("问题内容")
   except APIError as e:print(f"API错误: {e}")
   

3. 内容过滤：

   chat = ChatOpenAI(model="gpt-3.5-turbo",model_kwargs={"response_format": {"type": "text"}}  # 仅返回文本
   )
   

4. 性能优化：

   # 批量处理提高效率
   responses = chat.batch(["问题1","问题2","问题3"
   ])
   

ChatOpenAI 提供了丰富的功能和灵活的配置选项，可以满足从简单问答到复杂对话系统的各种需求。根据具体场景选择合适的方法和参数配置，可以显著提升应用性能和用户体验。