# 小林手写的 DeepSeek 调用（第 1 版，自我感觉良好）
import requests

resp = requests.post(
    "https://api.deepseek.com/chat/completions",   # DeepSeek 的地址
    headers={"Authorization": "Bearer sk-xxx", "Content-Type": "application/json"},
    json={
        "model": "deepseek-chat",
        "messages": [{"role": "user", "content": "你好"}],
        "temperature": 0.7,
        "max_tokens": 1024,
    },
)
data = resp.json()
print(data["choices"][0]["message"]["content"])   # 取回复：层层剥开 choices → message → content

# 小林的第一段 LangChain 代码（换供应商只改 3 行）
from dotenv import load_dotenv
load_dotenv()                                  # 从 .env 读密钥
from langchain_anthropic import ChatAnthropic  # 智谱/Claude 走这个包

model = ChatAnthropic(
    model="glm-4.7",                           # ① 模型名
    base_url="https://open.bigmodel.cn/api/anthropic",   # ② 平台地址
    api_key=os.environ["ZHIPU_API_KEY"],       # ③ 密钥（从环境变量读，不写进代码）
    max_tokens=1024,
)

resp = model.invoke("你好")                     # 就一个方法：invoke
print(resp.content)                             # 就一个字段：content

你的代码
   │  只认 invoke() / .content
   ▼
LangChain 统一接口（langchain_core 里的 BaseChatModel）
   │  定义"长什么样"（接口）
   ▼
协议适配层（langchain_anthropic / langchain_openai）
   │  翻译"怎么连"（把 invoke() 翻译成该平台的 HTTP 请求）
   ▼
真实 API（智谱 / DeepSeek / OpenAI / Claude）

from langchain_anthropic import ChatAnthropic

ChatAnthropic(
    model: str,                    # 模型名，如 "glm-4.7" / "claude-sonnet-4-5"
    base_url: str | None = None,   # 平台地址；⚠️ 不带 /v1（会自动拼 /v1/messages）
    api_key: str | None = None,    # 密钥（建议从 os.environ 读，别写死）
    temperature: float = ...,      # 采样温度 0~1
    max_tokens: int = ...,         # 最大输出 token 数（Anthropic 协议必填）
    **kwargs,                      # 其他参数透传给底层
)

model.invoke(input)                    # 单轮调用 → 返回 AIMessage
model.stream(input)                    # 流式调用 → 返回 AIMessageChunk 迭代器
model.bind_tools(tools)                # 绑定工具（第 08 篇）
model.with_structured_output(schema)   # 结构化输出（第 05 篇）
model.batch(inputs)                    # 批量调用 → 返回 list[AIMessage]
model.generate(messages)               # 底层批量接口 → 返回 LLMResult

from langchain_core.language_models import BaseChatModel
# 判断一个类是不是"统一插口"的孩子：
assert isinstance(model, BaseChatModel)   # True

from langchain_core.messages import HumanMessage, SystemMessage, AIMessage

SystemMessage(content="...")   # 系统消息：设定人设
HumanMessage(content="...")    # 用户消息：你说的话
AIMessage(content="...")       # AI 消息：模型返回（resp 的类型）

AIMessage(
    content=...,               # 文本（str）或内容块（list[dict]）
    additional_kwargs=...,     # 协议私有的额外信息
    response_metadata=...,     # 协议元信息：id/model/stop_reason/usage
    type="ai",                 # 消息类型
    name=...,                  # 可选名字
    id=...,                    # 消息唯一 ID
    tool_calls=[],             # 工具调用（第 08 篇）
    invalid_tool_calls=[],     # 解析失败的工具调用
    usage_metadata=...,        # token 用量：input/output/total
)