AI Agent / 系统课时
接入模型并验证最小调用
接入模型并验证最小调用
这一节只做一件事:通过统一聊天模型接口发出一次最小请求,并把“配置正确、鉴权成功、能收到消息、失败能定位”四件事一次验证清楚。示例以 OpenAI 集成为例,但模型名和密钥都放在环境变量中,不写死在源码里。
学习目标
- 使用
init_chat_model通过统一接口创建聊天模型 - 用环境变量管理密钥和模型名,并检查返回消息是否有效
- 区分鉴权、限流、网络连接和其他调用错误
准备模型集成
这个最小验证需要 langchain 和 langchain-openai。如果当前环境尚未安装它们,可以先安装并做一次导入检查。
python -m pip install -q langchain langchain-openai
python -c "from langchain.chat_models import init_chat_model; import langchain_openai; print('model imports ok')"预期输出:
model imports ok运行脚本前,在当前运行环境中设置 OPENAI_API_KEY 和 OPENAI_MODEL。前者保存真实密钥,后者填写账号当前可用的模型名。密钥不要提交到仓库,也不要直接写进 Python 文件。
完成一次最小请求
下面的脚本先检查配置,再用 openai:<模型名> 的形式交给 init_chat_model 解析提供商。请求内容刻意保持极小,避免把提示词质量、工具调用或状态图逻辑混进连通性验证。
import os
from langchain.chat_models import init_chat_model
from openai import APIConnectionError, AuthenticationError, RateLimitError
def main() -> None:
api_key = os.getenv("OPENAI_API_KEY")
model_name = os.getenv("OPENAI_MODEL")
if not api_key or not model_name:
print("CONFIG_ERROR: set OPENAI_API_KEY and OPENAI_MODEL")
raise SystemExit(2)
try:
model = init_chat_model(f"openai:{model_name}", temperature=0)
reply = model.invoke("只回复 OK,不要添加其他文字。")
print(type(reply).__name__)
print(reply.content)
except AuthenticationError:
print("AUTH_ERROR: check OPENAI_API_KEY")
raise SystemExit(1)
except RateLimitError:
print("RATE_LIMIT: retry later or check quota")
raise SystemExit(1)
except APIConnectionError:
print("CONNECTION_ERROR: check network and endpoint")
raise SystemExit(1)
except Exception as exc:
print(f"OTHER_ERROR: {type(exc).__name__}: {exc}")
raise SystemExit(1)
if __name__ == "__main__":
main()预期输出:
AIMessage
<MODEL_RESPONSE><MODEL_RESPONSE> 表示模型实际返回的非空文本;按这个提示词通常应接近 OK,但验收重点是成功获得 AIMessage,而不是把生成文本当成固定协议。如果缺少环境变量,脚本会输出 CONFIG_ERROR 并以非零状态退出。
按错误类型定位问题
AUTH_ERROR 表示请求已经走到提供商鉴权阶段,优先检查密钥是否复制错误、是否已失效以及运行进程是否真的读到了正确环境变量。不要通过把密钥打印到日志来排查。
RATE_LIMIT 说明认证通常已通过,但当前配额或调用频率受限;此时继续改 LangGraph 代码没有意义。CONNECTION_ERROR 更偏向网络、代理、DNS 或自定义端点问题。OTHER_ERROR 则保留真实异常类型,适合继续判断模型名无效、请求参数不支持等问题。
通过标准
一次合格的最小验证需要同时满足三点:进程能读取密钥与模型名、init_chat_model 能创建对应提供商模型、invoke 能返回非空的 AIMessage。失败时脚本还必须给出可辨认的错误类别,而不是只留下一个未经处理的长堆栈。
做到这一步后,模型接入层就已经从“配置看起来没问题”变成“真实请求已验证”。后续把同一个模型对象放入 LangGraph 节点时,可以把注意力集中在状态读写、边和恢复机制上。