LangChain 入门指南：从概念理解到环境搭建（新手友好）

乐乐还是乐乐a

310人浏览 · 2026-07-21 19:52:43

乐乐还是乐乐a · 2026-07-21 19:52:43 发布

LangChain 入门第一课：从零搭好环境，跑通你的第一个 AI 案例

这是 LangChain 系列的第一篇。这一章我们不追花哨功能，先把"最基础的开发闭环"走通：搞清楚 LangChain 是什么 → 理解它和 DeepSeek 的关系 → 装好 Python 环境 → 用代码真正调一次模型。跟着做，你很快就能跑出属于自己的第一个 LangChain 小程序。

一、本章你要带走什么？

读完并跟着敲一遍，你应该能够：

说清楚 LangChain 是什么
理解 LangChain、模型 API、DeepSeek 三者之间的关系
在自己的电脑上 搭建 Python 环境
用 DeepSeek 的 OpenAI 兼容接口 完成一次普通调用
用 LangChain 的 init_chat_model 初始化 DeepSeek 模型
写出 第一个可运行的 LangChain 小案例

二、先认识"智能体"：为什么需要 LangChain？

2.1 一次范式转移

2022 年底，ChatGPT 3.5 的出现把 AI 时代明显地分成了"前"和"后"。大模型展现出了前所未有的通用能力：它既能理解人类语言的复杂意图，又能跨领域融合知识、做推理，最后给出连贯又有见地的答案。可以说，我们终于有了一个随时能调用的"数字大脑"。

而当这个"大脑"被进一步赋予 感知环境、制定计划、执行任务 的能力后，一种全新的软件形态就诞生了——这就是 智能体（Agent）。

2.2 传统应用 vs 智能体

对比维度	传统应用	智能体
驱动模式	命令驱动	目标驱动
交互方式	固定界面、参数输入	自然语言、语义理解
执行逻辑	流程化、预定义	自主规划、多步推理
学习机制	静态算法	动态学习与记忆
系统角色	工具	合作伙伴

传统软件走的是 "输入 → 处理 → 输出" 的直线；智能体则运行在 "感知 → 决策 → 行动 → 记忆" 的持续循环里，不仅能做事，还能从结果中不断学习、优化下一步策略。

过去我们是"下命令的人"，软件是"听话的工具"；未来我们是"提目标的人"，智能体是"一起把事办成的搭档"。

2.3 智能体的"五脏六腑"

要拆解一个智能体，核心就是四个能力模块：

👁 感知（Perception）——眼睛，理解外界发生了什么
🧠 决策（Reasoning）——大脑，规划接下来怎么做
✋ 行动（Action）——双手，真正去执行
💾 记忆（Memory）——灵魂，把经验存下来持续进化

这四者协同运转，智能体就不再是普通工具，而更像一个 会适应、有目标、能进化的"数字生命"。

💡 智能体是个"虚拟概念"——既可以是你自己写的，也可以直接用别人做好的。

三、LangChain 是什么？

3.1 一句话定位

LangChain 是目前最主流的"造智能体"框架（同类还有 Java 圈的 LangChain4J、SpringAI 等）。它站在 大模型 和 你的应用 中间，当一层"胶水"：

连接大模型与应用：用统一接口，把模型和数据库、搜索引擎、API、文件系统等外部资源打通
封装复杂逻辑：把"调工具""记对话"这些麻烦事抽象好，你不必从零写
支持多智能体协作：借助 LangGraph 和 Deep Agent，已经从单智能体扩展到多智能体协作，甚至能搭出工业级智能体

3.2 它一路是怎么长大的？

LangChain 由工程师 Harrison Chase 于 2022 年底发布，最初只是用来更好地管理提示词。随着大模型爆发，它迅速成长为构建智能体的核心框架：

阶段	时间	关键标志
探索期	2022 Q4 – 2023 Q1	初版发布，主打 PromptTemplate、LLMChain，GitHub Star 快速破万
体系化	2023 Q2 – 2023 Q4	引入 Tool、Agent、Retrieval；推出 LangSmith，形成开发→调试→部署闭环
平台化	2024 – 2025 上半年	LangGraph（编排）、LangServe（部署）发布，从框架升级为平台
深层智能体	2025 下半年起	推出 Deep Agent，支持多智能体复杂体系

截至 2025 年 11 月，LangChain 生态已形成三层技术栈：LangChain → LangGraph → Deep Agent，分别对应基础能力层、运行时编排层、智能体抽象层。

3.3 为什么首选 Python？

LangChain 同时支持 Python 和 JavaScript，但 Python 版功能最全、更新最快、社区最活跃——它既是 AI 领域的第一语言，也是本课程实操的唯一选择。

3.4 生态全家桶：四个部件怎么分工？

LangChain 生态 = LangChain（核心）+ LangGraph + Deep Agent + LangSmith

部件	角色	什么时候用
LangChain	打地基，最基础的开发能力	做个简单 AI 功能、小智能体
LangGraph	用"有向图"编排复杂流程	你要完全掌控每一步流转
Deep Agent	开箱即用的重型智能体框架	全自动复杂任务，懒得写底层
LangSmith	网站形式的可观测/质量管理平台	调试、追踪、看智能体跑得对不对

三者怎么选？

重活、全自动 → 用 Deep Agent（底层自动调用 LangChain + LangGraph）
简单线性功能 → 直接 LangChain，别折腾
流程要完全自定义 → 手写 LangGraph，LangChain 当底座

3.5 重点：LangChain 1.0 有啥不一样？

📌 只学 1.0 以后的版本，老的 0.x 了解一下即可。

在 1.0 之前，LangChain 被吐槽"又胖又乱"。1.0 相当于一次大瘦身：

更清爽：砍掉冗余接口、统一规范，学起来不绕了
换思路：从"链式拼接"升级为 "智能体优先"——在 LangGraph 之上封装了更易用的 create_agent / create_deep_agent。圈内才调侃：这哪是 LangChain 1.0，分明是 LangGraph 2.0
两大新武器：
- 中间件机制：像 Spring 的 AOP，能往流程里插日志、监控，还不污染业务代码
- Deep Agent：你不用懂底层，配好子智能体、文件路径、提示词、工具，就能拼出复杂智能体

结论：直接学 LangChain 1.0，别在旧版本里浪费时间。

四、为什么本课程用 DeepSeek？

课程全程用 DeepSeek 作演示模型，原因很实在：DeepSeek 的 API 兼容 OpenAI 格式。

官方地址：DeepSeek | 深度求索

这意味着很多支持 OpenAI 接口的 SDK / 框架，只要替换三样东西就能调用 DeepSeek：

API Key
base URL
model 名称

本课程用到的 base URL 与模型：

# DeepSeek 官方 OpenAI 兼容 base URL https://api.deepseek.com # 本课程主要使用的模型 deepseek-v4-flash

五、OpenAI 兼容 API 是什么？

很多大模型服务都会提供"长得像 OpenAI"的接口格式。这类接口通常包含四个要素：

api_key
base_url
model
messages

典型调用结构如下：

client.chat.completions.create( model="deepseek-v4-flash", messages=[ {"role": "user", "content": "你好"} ], )

这就是常见的 Chat Completions 调用方式。LangChain 底层对接的也正是这类模型服务，只是它会把模型调用再封装成统一的组件，方便你后续和 Prompt、Parser、Retriever、Tool 等组合起来使用。

六、开发环境准备

6.1 Python 版本怎么选？

建议使用 Python 3.10 或更高版本。

✅ Python 3.10 / 3.11（强烈推荐）：LangChain 1.x 生态兼容性最好、第三方包适配最完整，踩坑最少
⚠️ Python 3.12 可正常使用
⚠️ Python 3.13 较新，部分小众集成包可能存在适配延迟

6.2 安装依赖

pip install langchain langchain-openai openai python-dotenv

如果下载慢，可走国内镜像：

pip install langchain langchain-openai openai python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple

各包的作用：

langchain：LangChain 核心框架
langchain-openai：LangChain 的 OpenAI 兼容模型集成
openai：OpenAI 兼容 API 的官方 SDK
python-dotenv：读取 .env 配置文件

6.3 配置全局镜像源（可选）

Windows 用户可在 C:\Users\你的用户名\ 下新建

pip 文件夹，再创建 pip.ini：

[global] index-url = https://mirrors.aliyun.com/pypi/simple/ trusted-host = mirrors.aliyun.com

七、配置 DeepSeek API Key

在项目根目录创建 .env 文件：

DEEPSEEK_API_KEY=你的 DeepSeek API Key DEEPSEEK_BASE_URL=https://api.deepseek.com

⚠️ 注意：

不要把真实 API Key 写进代码
不要把 .env 提交到 Git 仓库

可以创建 .gitignore 把敏感文件和缓存排除掉：

.env .venv/ __pycache__/

用下面这段小代码验证 .env 是否读取成功：

import os from dotenv import load_dotenv load_dotenv() print(os.getenv("DEEPSEEK_API_KEY"))

八、实战：四个可运行案例

动手前先记住：LangChain 不是"凭空"调用模型，它底层依然依赖模型服务。所以我们的顺序是——先用原生 SDK 验证 DeepSeek 能不能调通，再用 LangChain 封装。

案例一：直接用 OpenAI 兼容 SDK 调用 DeepSeek

创建 01_openai_compatible.py：

import os from dotenv import load_dotenv from openai import OpenAI load_dotenv() client = OpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), ) response = client.chat.completions.create( model="deepseek-v4-flash", messages=[ {"role": "user", "content": "请用一句话介绍 LangChain 是什么"} ], ) print(response.choices[0].message.content)

💡 这是原生 openai Python SDK（不是 LangChain）。注意这里的 client.chat.completions 是客户端下的子模块，别和 LangChain 的 ChatOpenAI 类混淆。

只要能看到模型回答，就说明三件事都成立：API Key 正确 + 网络能访问 DeepSeek + 模型调用成功。

案例二：ChatOpenAI 写法

import os from dotenv import load_dotenv from langchain_openai import ChatOpenAI load_dotenv() # 创建 ChatOpenAI 模型实例 model = ChatOpenAI( model="deepseek-v4-flash", temperature=0.7, # 控制输出的随机性，0~2 之间，值越大越随机 api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), ) # 单次调用 response = model.invoke("请解释 LangChain 模型接口的统一性。") print(response.content) # 流式输出 for chunk in model.stream("请用一句话总结人工智能的意义："): print(chunk.content, end="")

📌 关于 temperature（控制输出随机性/创造力的核心参数，一般取值 0~2）：

= 0：完全确定，每次输出一模一样 → 适合代码、数学、事实问答、翻译
0 ~ 0.7：轻微随机、逻辑稳定 → 日常聊天、文案、总结首选
0.7 ~ 1.0：创造力强、措辞多变 → 故事、创意写作、头脑风暴
> 1.0：随机性极高、易胡编 → 极少使用

新项目一律优先用 ChatOpenAI，老式 OpenAI 类已逐步废弃。

案例三：用 LangChain 的 `init_chat_model` 初始化

虽然 ChatOpenAI 仍可用，但 自 LangChain 0.2 起，官方推荐用统一的工厂方法 init_chat_model，在最新的 1.0 中继续得到强化——这是本课程的标准写法。

创建 02_langchain_first_call.py：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() model = init_chat_model( base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-v4-flash", temperature=0.7, model_provider="openai", # 表示"按 OpenAI 兼容格式"调用，不是指用 OpenAI 模型 ) # 流式输出 for chunk in model.stream("什么是 Deep Agent?"): print(chunk.content, end="")

运行：

python 02_langchain_first_call.py

这个案例和案例二的区别在于：案例二直接用 OpenAI 兼容 SDK，案例三用的是 LangChain 的模型组件。后续我们会把这个模型组件和 Prompt、Parser、Retriever 等组合在一起。

案例四：第一个"课程答疑助手"

创建 03_course_assistant.py，体验"模型初始化只写一次，业务函数反复调用"：

import os from dotenv import load_dotenv from langchain.chat_models import init_chat_model load_dotenv() model = init_chat_model( base_url=os.getenv("DEEPSEEK_BASE_URL"), api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-v4-flash", temperature=0.7, model_provider="openai", ) def get_prompt(question): prompt = f""" 你是一名 LangChain 助教，请使用最简洁的语言回答问题，要适合初学者。回答格式如下： 1、先说结果 2、举例子 3、不要超过 200 字学生的问题是：{question} """ return prompt if __name__ == "__main__": question = input("请输入您的问题：") for word in model.stream(get_prompt(question)): print(word.content, end="")

运行后输入诸如 LangChain 和直接调用 DeepSeek API 有什么区别？ 即可。这个案例的关键是：模型初始化一次，业务通过函数调用，Prompt 控制回答风格和输出要求（Prompt 模板后面会专门讲）。

九、代码关键点解析

关键点	作用
`load_dotenv()`	读取 `.env` 文件中的 `DEEPSEEK_API_KEY` / `DEEPSEEK_BASE_URL`
`init_chat_model(...)`	用 LangChain 统一方式初始化聊天模型；`model_provider="openai"` 表示按 OpenAI 兼容格式调用
`model.invoke(...)`	执行一次模型调用，回答内容在 `response.content` 中
`model.stream(...)`	流式输出，逐字返回，体验更顺滑

init_chat_model 标准写法回顾：

model = init_chat_model( model="deepseek-v4-flash", model_provider="openai", api_key=os.getenv("DEEPSEEK_API_KEY"), base_url=os.getenv("DEEPSEEK_BASE_URL"), )

十、其他大模型怎么接？

LangChain 的精髓就是"统一入口 + 换参数"。下面三种模型的接入思路都一致。

10.1 OpenAI（通过国内代理 CloseAI）

API 密钥在 CloseAI - 亚洲规模最大的企业级AI中转平台获取（注意平台需有余额，否则会报余额不足错误）。

from langchain_openai import ChatOpenAI model = ChatOpenAI( model="gpt-4o-mini", temperature=0.7, api_key="替换为你的_API_Key", base_url="https://api.openai-proxy.org/v1", ) for chunk in model.stream("请用一句话总结人工智能的意义："): print(chunk.content, end="")

⚠️ 代理平台必须包含你调用的模型，否则会报错。

10.2 通义千问 Qwen

Qwen 是阿里推出的系列模型，经 DashScope（百炼）平台提供 API。

你可能会想直接这样写：

from langchain.chat_models import init_chat_model model = init_chat_model( model="qwen-plus", model_provider="dashscope", # ❌ 暂不支持 )

但运行后会报错：Unsupported model_provider='dashscope'。原因是 DashScope 还没被 LangChain 官方纳入统一注册体系。解决办法是走社区扩展包 langchain-community：

pip install -U dashscope pip install langchain_community

from langchain_community.llms.tongyi import Tongyi model = Tongyi( model="qwen-plus", temperature=0.3, api_key="替换为你的_API_Key", ) for chunk in model.stream("LangChain 有哪几部分组成？"): print(chunk, end="")