在 LangChain 中，langchain_openai 模块提供了 OpenAI 和 ChatOpenAI 两个类，用于与 OpenAI 的语言模型交互。尽管两者都用于调用 OpenAI 的 API，但它们针对的模型类型和使用场景不同。本文基于 LangChain 0.3.x，详细比较 OpenAI 和 ChatOpenAI 的区别，包括功能、适用场景和代码示例。

---

OpenAI 和 ChatOpenAI 的区别

1. 模型类型

• OpenAI：

  • 模型：针对 OpenAI 的文本补全模型（Text Completion Models），如 text-davinci-003（已废弃）或其他非聊天模型。
  • 接口：使用文本补全 API（/completions），输入和输出都是纯文本字符串。
  • 特点：适合处理单一的文本生成任务，输出格式较为自由，但缺乏对话上下文管理。
  • 当前状态：由于 OpenAI 已停止支持旧的文本补全模型（如 text-davinci-003），OpenAI 类主要用于兼容旧代码或特定嵌入模型（如 text-embedding-ada-002）。

• ChatOpenAI：

  • 模型：针对 OpenAI 的聊天模型（Chat Completion Models），如 gpt-3.5-turbo、gpt-4o、gpt-4o-mini。
  • 接口：使用聊天补全 API（/chat/completions），输入为消息列表（SystemMessage、HumanMessage 等），输出为结构化的 AIMessage 对象。
  • 特点：专为对话场景设计，支持多轮对话、工具调用和结构化输出，适合现代 LLM 应用。
  • 当前状态：是 LangChain 中与 OpenAI 模型交互的首选类，兼容最新模型和功能。

2. 输入和输出格式

• OpenAI：

  • 输入：单一字符串（提示文本）。
  • 输出：字符串（生成的文本）。
  • 示例：

    response = openai_model.invoke("什么是人工智能？")
    # 输出：字符串，如 "人工智能是..."
    

  • 局限：不支持消息格式，无法区分系统指令、用户输入或对话历史。

• ChatOpenAI：

  • 输入：消息列表（如 [SystemMessage, HumanMessage]）或字符串（自动转换为 HumanMessage）。
  • 输出：AIMessage 对象，包含 content（文本内容）、tool_calls（工具调用）等字段。
  • 示例：

    response = chat_model.invoke([{"role": "user", "content": "什么是人工智能？"}])
    # 输出：AIMessage 对象，response.content 为 "人工智能是..."
    

  • 优势：支持结构化消息，适合对话、工具调用和 JSON 模式。

3. 功能支持

• OpenAI：

  • 功能：基础文本生成，适合简单任务（如文本补全、翻译、总结）。
  • 限制：
    • 不支持工具调用（Tool Calling）。
    • 不支持 JSON 模式输出。
    • 不适合多轮对话（需手动拼接上下文）。
  • 适用场景：早期 LLM 应用、嵌入生成（如 text-embedding-ada-002）。

• ChatOpenAI：

  • 功能：
    • 支持多轮对话，结合 RunnableWithMessageHistory 管理上下文。
    • 支持工具调用（通过 bind_tools）。
    • 支持 JSON 模式（结构化输出）。
    • 支持流式输出（stream 方法）和异步调用（ainvoke）。
  • 适用场景：现代对话机器人、代理（Agent）、复杂工作流（如 LangGraph）。

4. 性能和成本

• OpenAI：

  • 性能：依赖旧模型，性能较低（如 text-davinci-003 已废弃）。
  • 成本：旧模型通常较贵，且不再更新。
  • 状态：不推荐用于新项目。

• ChatOpenAI：

  • 性能：支持最新模型（如 gpt-4o-mini、gpt-4o），性能更强，延迟更低。
  • 成本：gpt-4o-mini 等模型性价比高，适合大规模部署。
  • 状态：推荐用于所有新项目。

5. 兼容性和生态

• OpenAI：
  • 兼容性：与 LangChain 的旧链（如 LLMChain）兼容，但不适配 LCEL（LangChain Expression Language）的高级功能。
  • 生态：功能有限，难以与现代工具（如 RunnableWithMessageHistory、LangGraph）集成。
• ChatOpenAI：
  • 兼容性：完全支持 LCEL，适合 prompt | llm 等现代链。
  • 生态：与 LangChain 0.3.x 的代理、工具调用、内存管理和 LangGraph 无缝集成。

---

代码示例

以下是使用 OpenAI 和 ChatOpenAI 的对比示例，展示两者的使用方式和输出差异。

使用 OpenAI

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import OpenAI

# 初始化 OpenAI 模型
openai_model = OpenAI(temperature=0, model="text-embedding-ada-002")  # 注意：仅限嵌入模型

# 调用模型
response = openai_model.invoke("什么是人工智能？")
print(response)

输出示例：

人工智能是计算机科学的一个分支，旨在创建能够模拟人类智能的系统，包括学习、推理和决策等能力。

说明：

• 输入为字符串，输出为字符串。
• 仅限嵌入模型（如 text-embedding-ada-002），文本补全模型已废弃。
• 适合简单文本生成或嵌入生成。

使用 ChatOpenAI

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

# 初始化 ChatOpenAI 模型
chat_model = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手，请准确回答问题。"),
    ("human", "{question}")
])

# 创建 LCEL 链
chain = prompt | chat_model

# 调用链
response = chain.invoke({"question": "什么是人工智能？"})
print(response.content)

输出示例：

人工智能（AI）是计算机科学的一个分支，旨在创建能够执行需要人类智能的任务的系统，例如学习、推理、问题解决和决策。AI 包括机器学习、自然语言处理等技术。

说明：

• 输入为消息列表（通过 ChatPromptTemplate），输出为 AIMessage。
• 支持对话上下文、工具调用和结构化输出。
• 适合现代对话和复杂工作流。

结合对话历史的 ChatOpenAI

import os
os.environ["OPENAI_API_KEY"] = "Your OpenAI API Key"

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

# 初始化 ChatOpenAI 模型
chat_model = ChatOpenAI(temperature=0, model="gpt-4o-mini")

# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个助手，请根据对话历史回答问题。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

# 创建 LCEL 链
runnable = prompt | chat_model

# 初始化消息历史存储
store = {}
def get_session_history(session_id: str) -> ChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 创建带历史的链
chain = RunnableWithMessageHistory(
    runnable,
    get_session_history,
    input_messages_key="input",
    history_messages_key="history"
)

# 调用链
session_id = "user1"
response = chain.invoke(
    {"input": "我叫鲍勃"},
    config={"configurable": {"session_id": session_id}}
)
print(response.content)

response = chain.invoke(
    {"input": "我的名字是什么？"},
    config={"configurable": {"session_id": session_id}}
)
print(response.content)

输出示例：

你好，鲍勃！很高兴认识你！有什么可以帮助你的？
你的名字是鲍勃。

说明：

• ChatOpenAI 支持对话历史管理，OpenAI 无法实现此功能。
• 使用 LCEL 和 RunnableWithMessageHistory 构建现代工作流。

---

选择 OpenAI 还是 ChatOpenAI？

• 使用 OpenAI：
  • 仅在需要兼容旧代码或处理嵌入模型（如 text-embedding-ada-002）时使用。
  • 不适合新项目或对话场景。
• 使用 ChatOpenAI：
  • 推荐用于所有新项目，特别是对话、代理、工具调用或复杂工作流。
  • 支持最新模型（gpt-4o-mini、gpt-4o）和现代功能（如工具调用、JSON 模式）。
  • 与 LangChain 0.3.x 的 LCEL、LangGraph 等生态无缝集成。

---

注意事项

1. API 密钥安全：
   • 避免硬编码密钥，推荐使用 .env 文件和 python-dotenv：

     from dotenv import load_dotenv
     load_dotenv()  # 加载 .env 文件中的 OPENAI_API_KEY
     

   • 确保密钥支持指定模型（如 gpt-4o-mini 或嵌入模型）。
2. 模型选择：
   • ChatOpenAI 支持 gpt-3.5-turbo、gpt-4o、gpt-4o-mini 等，推荐 gpt-4o-mini（高性价比）。
   • OpenAI 仅限嵌入模型或旧模型，功能受限。
3. 输入输出兼容性：
   • ChatOpenAI 适合消息格式，OpenAI 适合纯文本。
   • 使用 ChatPromptTemplate 搭配 ChatOpenAI 更自然。
4. 工具调用：
   • 只有 ChatOpenAI 支持工具调用（bind_tools），OpenAI 不支持。
5. 性能：
   • ChatOpenAI 因支持新模型和流式处理，性能更优。
   • OpenAI 因依赖旧模型，性能较低。

---

常见问题

Q1：可以用 OpenAI 实现对话吗？
A：可以，但需手动拼接上下文，效率低且不支持工具调用。推荐使用 ChatOpenAI。

Q2：ChatOpenAI 支持哪些模型？
A：支持所有 OpenAI 聊天模型（如 gpt-3.5-turbo、gpt-4o、gpt-4o-mini），参考 OpenAI 模型文档。

Q3：如何选择模型？
A：gpt-4o-mini 性价比高，适合大多数场景；gpt-4o 性能更强，适合复杂任务；OpenAI 仅用于嵌入或旧代码。

Q4：OpenAI 还有用吗？
A：仅在处理嵌入模型（如 text-embedding-ada-002）或迁移旧代码时有用，新项目应使用 ChatOpenAI。

---

总结

• OpenAI：
  • 针对文本补全模型（如嵌入模型），输入/输出为字符串。
  • 功能有限，不支持对话、工具调用或 JSON 模式。
  • 适合嵌入生成或旧代码兼容，不推荐新项目。
• ChatOpenAI：
  • 针对聊天模型（如 gpt-4o-mini），输入为消息列表，输出为 AIMessage。
  • 支持对话、工具调用、JSON 模式、流式输出等现代功能。
  • 推荐用于所有新项目，与 LCEL 和 LangGraph 集成良好。