s05

模型工厂

能力层

反射式动态加载

配置字符串 → importlib → ChatModel 实例

任何 LangChain 兼容的 ChatModel 都可以通过配置接入，零代码改动

🏭

为什么需要反射式模型工厂？

AI 模型生态变化极快——今天用 GPT-4o，明天可能换 Claude Sonnet，后天可能接入本地 Llama。如果每接入一个模型都要改代码、加 if-else，维护成本不可接受。DeerFlow 通过 resolve_class() + config.yaml 实现零代码模型切换：配置文件写一个类路径字符串，框架自动 import 并实例化——完全遵循开闭原则。

1config.yaml

model:
  class: langchain_openai.ChatOpenAI
  model: gpt-4o
  temperature: 0.7

2resolve_class()

module = importlib.import_module('langchain_openai')
cls = getattr(module, 'ChatOpenAI')

3实例化 ChatModel

model = cls(
    model='gpt-4o',
    temperature=0.7
)

4注入 Agent

agent = create_agent(
    model=model,
    tools=tools
)

模型工厂总览

DeerFlow 通过 resolve_class() 反射机制 + Pydantic ConfigDict(extra='allow') 透传，实现零代码模型切换。config.yaml 中声明类路径和参数，框架自动导入、实例化、注入 Agent。

1/5

Key Source Code

模型工厂核心 — config.yaml 中的字符串类路径 → resolve_class → 实例化 ChatModel

models/factory.py

def create_chat_model(name=None, thinking_enabled=False, **kwargs):
    config = get_app_config()
    model_config = config.get_model_config(name)
    # 'langchain_openai:ChatOpenAI' → ChatOpenAI 类
    model_class = resolve_class(model_config.use, BaseChatModel)
    # config.yaml 中的参数透传给构造函数
    model_settings = model_config.model_dump(
        exclude_none=True,
        exclude={"use", "name", "supports_thinking", ...})
    # Thinking 模式: 合并 when_thinking_enabled 配置
    if thinking_enabled and has_thinking_settings:
        model_settings.update(effective_wte)
    return model_class(**kwargs, **model_settings)

python

ModelConfig — 统一的模型配置 schema，extra='allow' 支持任意供应商特有参数透传

config/model_config.py

class ModelConfig(BaseModel):
    name: str                    # 唯一标识
    use: str                     # 类路径 e.g. 'langchain_openai:ChatOpenAI'
    model: str                   # 模型名 e.g. 'gpt-4o'
    supports_thinking: bool = False
    supports_vision: bool = False
    when_thinking_enabled: dict | None = None
    thinking: dict | None = None  # 简写: 等价于 wte["thinking"]
    model_config = ConfigDict(extra="allow")  # 透传任意额外参数

python