代码中使用了 langchain_community.chat_models.ChatOllama 类来初始化 Ollama 聊天模型（例如 qwen3:1.7b），会触发 LangChainDeprecationWarning，提示该类在 LangChain 0.3.1 中已被废弃，并将在 1.0.0 中移除。官方推荐使用 langchain_ollama 包中的 ChatOllama 类替代。本文基于 LangChain 0.3.x，详细解释如何迁移 ChatOllama 到 langchain_ollama.ChatOllama，并提供代码示例。
废弃代码告警：
LangChainDeprecationWarning: The classChatOllamawas deprecated in LangChain 0.3.1 and will be removed in 1.0.0. An updated version of the class exists in the :class:~langchain-ollama package and should be used instead. To use it runpip install -U :class:~langchain-ollamaand import asfrom :class:~langchain_ollama import ChatOllama``.
chat = ChatOllama(model = ‘qwen3:1.7b’) ……
为什么需要迁移？
langchain_community.chat_models.ChatOllama 是 LangChain 早期用于与 Ollama 聊天模型交互的类，设计为支持消息格式的对话场景。但随着 LangChain 的模块化重构，Ollama 相关的功能已被移到独立的 langchain_ollama 包中。迁移的原因包括：
- 模块化：将特定模型的集成移到社区维护的包，保持
langchain-core轻量。 - 功能优化：
langchain_ollama.ChatOllama更稳定，支持最新的 Ollama 功能（如工具调用、结构化输出）。 - 长期支持：旧的
ChatOllama类将在 LangChain 1.0 中移除，新类是未来标准。
新的 langchain_ollama.ChatOllama 提供与旧类相同的对话功能，但更适配 LangChain 0.3.x 的生态（如 LCEL、工具调用、对话历史管理）。
迁移步骤
以下是将 langchain_community.chat_models.ChatOllama 迁移到 langchain_ollama.ChatOllama 的详细步骤，假设你使用 Ollama 本地模型（如 qwen3:1.7b）。
1. 分析原始代码
假设你的代码如下，使用 langchain_community.chat_models.ChatOllama 初始化聊天模型：
from langchain_community.chat_models import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
# 初始化 ChatOllama 模型
chat = ChatOllama(model="qwen3:1.7b")
# 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}")
])
# 创建链
chain = prompt | chat
# 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，旨在开发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。
问题：
from langchain_community.chat_models import ChatOllama已废弃，需替换为from langchain_ollama import ChatOllama。- 需要安装
langchain_ollama包。 - 确保本地 Ollama 服务运行并支持指定模型（如
qwen3:1.7b）。
2. 安装必要依赖
确保安装 LangChain 0.3.x 和 langchain_ollama：
pip install --upgrade langchain langchain-ollama
此外，需确保本地已安装并运行 Ollama 服务：
- 安装 Ollama：参考 Ollama 官网，下载并安装。
- 拉取模型：
ollama pull qwen3:1.7b - 启动 Ollama 服务：
ollama serve
3. 迁移到 langchain_ollama.ChatOllama
以下是迁移后的代码，替换 ChatOllama 的导入：
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 初始化 ChatOllama 模型
chat = ChatOllama(model="qwen3:1.7b")
# 创建系统消息模板
system_template = SystemMessagePromptTemplate.from_template(
"你是一个助手，请准确回答问题。"
)
# 创建用户消息模板
human_template = HumanMessagePromptTemplate.from_template(
"{question}"
)
# 构建 ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
system_template,
human_template
])
# 创建 LCEL 链
chain = prompt | chat | StrOutputParser()
# 调用链
response = chain.invoke({"question": "什么是人工智能？"})
print(response)
输出示例：
人工智能（AI）是计算机科学的一个分支，旨在开发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。
代码说明
- 导入替换：
- 将
from langchain_community.chat_models import ChatOllama替换为from langchain_ollama import ChatOllama。 - 功能保持不变，
ChatOllama与本地 Ollama 服务交互，支持消息格式。
- 将
- 模型初始化：
ChatOllama(model="qwen3:1.7b")指定模型名称，确保本地已拉取该模型。- 默认连接到本地 Ollama 服务（
http://localhost:11434）。
- 提示模板：
- 使用
ChatPromptTemplate定义系统和用户消息，适合聊天模型。
- 使用
- LCEL 链：
prompt | chat创建链，处理消息输入并生成AIMessage输出。
- 调用：
- 输入为字典（
{"question": "..."}），输出为AIMessage，访问response.content。
- 输入为字典（
4. 结合对话历史（推荐）
为了支持多轮对话，结合 RunnableWithMessageHistory：
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate, SystemMessagePromptTemplate, HumanMessagePromptTemplate, MessagesPlaceholder
from langchain_core.runnables.history import RunnableWithMessageHistory
from langchain_community.chat_message_histories import ChatMessageHistory
# 初始化 ChatOllama 模型
chat = ChatOllama(model="qwen3:1.7b")
# 创建系统消息模板
system_template = SystemMessagePromptTemplate.from_template(
"你是一个助手，请根据对话历史回答问题。"
)
# 创建用户消息模板
human_template = HumanMessagePromptTemplate.from_template(
"{input}"
)
# 构建 ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
system_template,
MessagesPlaceholder(variable_name="history"),
human_template
])
# 创建 LCEL 链
runnable = prompt | chat
# 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：
RunnableWithMessageHistory管理对话历史，ChatMessageHistory存储消息。MessagesPlaceholder插入历史消息，支持多轮对话。- 输入为字典（
{"input": "..."}），输出为AIMessage。
5. 结合工具调用（可选）
若需支持工具调用，ChatOllama 支持部分模型的工具调用功能（需确认 qwen3:1.7b 是否支持）。示例：
from langchain_ollama import ChatOllama
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.tools import tool
# 定义工具
@tool
def search_web(query: str) -> str:
"""搜索网络以获取信息。"""
return f"搜索 {query} 的结果：[示例内容]"
# 初始化 ChatOllama 模型并绑定工具
chat = ChatOllama(model="qwen3:1.7b").bind_tools([search_web])
# 定义提示模板
prompt = ChatPromptTemplate.from_messages([
("system", "你是一个助手，可以使用工具回答问题。"),
("human", "{question}")
])
# 创建 LCEL 链
chain = prompt | chat
# 调用链
response = chain.invoke({"question": "成都的天气如何？"})
print(response.tool_calls)
输出示例（若模型支持工具调用）：
[{'name': 'search_web', 'args': {'query': '成都天气'}, 'id': 'call_123'}]
说明：
- 使用
bind_tools绑定工具，ChatOllama将尝试生成工具调用。 - 需验证
qwen3:1.7b是否支持工具调用（部分 Ollama 模型可能不支持）。
6. 测试与验证
- 确认 Ollama 服务：
- 确保 Ollama 服务运行（
ollama serve）。 - 验证模型可用：
ollama list检查是否包含qwen3:1.7b。
- 确保 Ollama 服务运行（
- 运行代码：
- 确认迁移后输出与原代码一致。
- 测试多轮对话（若使用历史管理），验证上下文保留。
- 若使用工具调用，验证工具调用输出。
- 检查依赖：
- 确保
langchain_ollama已安装。 - 无需 OpenAI 密钥，除非代码涉及其他 OpenAI 功能。
- 确保
注意事项
-
Ollama 服务：
- 确保本地 Ollama 服务运行，默认监听
http://localhost:11434。 - 若自定义地址，设置
base_url参数：chat = ChatOllama(model="qwen3:1.7b", base_url="http://your-host:port")
- 确保本地 Ollama 服务运行，默认监听
-
模型支持：
- 确认
qwen3:1.7b已通过ollama pull下载。 - 支持其他 Ollama 模型（如
llama3、mistral），参考 Ollama 模型库。 - 工具调用需模型支持，参考 Ollama 文档。
- 确认
-
性能：
- 本地 Ollama 模型性能依赖硬件（CPU/GPU），可能比云端模型（如
gpt-4o-mini）慢。 - 调整参数（如
num_ctx、temperature）优化性能：chat = ChatOllama(model="qwen3:1.7b", temperature=0.7, num_ctx=2048)
- 本地 Ollama 模型性能依赖硬件（CPU/GPU），可能比云端模型（如
-
LCEL 兼容性：
langchain_ollama.ChatOllama完全支持 LCEL，适合现代工作流（如prompt | chat）。
常见问题
Q1：可以继续使用 langchain_community.chat_models.ChatOllama 吗？
A：可以，但不建议。它将在 LangChain 1.0 中移除，迁移到 langchain_ollama.ChatOllama 更安全。
Q2：langchain_ollama.ChatOllama 和旧 ChatOllama 功能有差异吗？
A：功能基本相同，但新类更稳定，支持 LangChain 0.3.x 的新功能（如 LCEL、工具调用优化）。
Q3：如何选择 Ollama 模型？
A：根据任务和硬件选择。qwen3:1.7b 轻量，适合低资源环境；llama3:8b 或 mistral 更强大，需更多内存。
Q4：ChatOllama 支持工具调用吗？
A：支持，但需模型支持工具调用（如 qwen3 的具体版本）。参考 Ollama 文档。
总结
从 langchain_community.chat_models.ChatOllama 迁移到 langchain_ollama.ChatOllama 的步骤包括：
- 安装
langchain和langchain-ollama（pip install langchain langchain-ollama）。 - 替换导入：
from langchain_community.chat_models import ChatOllama改为from langchain_ollama import ChatOllama。 - 确保本地 Ollama 服务运行并包含指定模型（如
qwen3:1.7b）。 - 使用
ChatPromptTemplate和 LCEL 构建现代对话工作流。 - 可选添加
RunnableWithMessageHistory支持对话历史，或bind_tools支持工具调用。
扫一扫
1212
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
