基础介绍

LangChain 旨在简�?AI 应用开发，通过标准化接口将 LLM 与外部系统（数据源、工具、向量数据库等）无缝连接，帮助开发者构建可扩展、模块化的智能应用�?主要功能如下

�?Prompt templates：Prompt templates 是不同类型提示的模板。例如�?chatbot ”样式模板、ELI5 问答�?
�?LLMs：像 GPT-3、BLOOM 等大型语言模型
�?Agents：Agents 使用 LLMs 决定应采取的操作。可以使用诸如网络搜索或计算器之类的工具，并将所有工具包装成一个逻辑循环的操作�?
�?Memory：短期记忆、长期记忆�?

生态系�?

�?LangSmith：用于监控、调试和评估 LLM 应用性能（如跟踪 Agent 轨迹）�?
�?LangGraph：构建长期记忆和复杂状态控制的 Agent 工作流（�?LinkedIn、Uber 等企业采用）�?
�?LangGraph Platform：可视化部署和扩�?Agent 的云平台�?

快速开�?

安装 LangChain 只有官方只支持Python �?js 两个版本，我用的是Python 版本�?

安装依赖安装调用基础的依�?

pip install -U langchain # 安装最新版 pip install -U langchain-core langchain-community langchain-openai # 安装核心�? pip install python-dotenv使用新版 LangChain 语法（兼�?DeepSeek�?

`
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI # 虽然�?OpenAI，但可兼�?DeepSeek
from langchain.memory import ConversationBufferMemory
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

向量数据库和嵌入

embeddings = OpenAIEmbeddings(model=”text-embedding-3-large”)
vector_store = InMemoryVectorStore(embeddings)

初始化DeepSeek LLM

# 创建提示模板

prompt = PromptTemplate(

input_variables=[“product”],

template=”为{product}写一个创意广告文�?”,

)

注意：这里使�?ChatOpenAI 但指�?DeepSeek �?API

llm = ChatOpenAI(
api_key=”sk-xxxxxx”,
base_url=”https://api.deepseek.com/v1“, # 注意 /v1 路径
model=”deepseek-chat”
)

新版链式调用

prompt = ChatPromptTemplate.from_template(“{input}”)
chain = prompt | llm # 使用管道操作符替代旧�?LLMChain

调用流式返回

for chunk in chain.stream({“input”: “AI编程助手”}):
print(chunk.content, end=””, flush=True)
`下面是整体的流程简�?

from langchain_core.prompts import ChatPromptTemplate from langchain_openai import ChatOpenAI from langchain.memory import ConversationBufferMemory from langchain_core.vectorstores import InMemoryVectorStore from langchain_openai import OpenAIEmbeddings这段导入语句展示�?LangChain 的模块化架构设计�?

•�?langchain_core*：包含框架基础类和接口
•�?langchain_openai*：提供与 OpenAI 兼容的接口（可适配 DeepSeek�?
•�?langchain*：集成高级功能如内存管理

版本提示：建议使�?langchain-core �?.1.0 �?langchain-openai �?.0.5

2. 向量数据库配�?

2.1 嵌入模型初始�?

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")关键参数解析�?

• model="text-embedding-3-large"：指定嵌入模型版�?
�?虽然使用 OpenAIEmbeddings 类，但可通过 base_url 重定向到 DeepSeek
�?实际部署时应替换�?DeepSeek 的嵌入模型（如可用）

技术原理：

�?将文本转换为 3072 维向量（text-embedding-3-large 的默认维度）
�?支持余弦相似度等向量运算

2.2 内存向量数据�?

vector_store = InMemoryVectorStore(embeddings)特性说明：

•�?InMemoryVectorStore*：轻量级内存向量数据�?
�?优点：零配置、快速原型开�?
�?缺点：重启后数据丢失，不适合生产环境
�?生产替代方案：from langchain_community.vectorstores import Chroma vector_store = Chroma.from_documents(docs, embeddings)

3. 大语言模型集成

3.1 DeepSeek 适配配置

`llm = ChatOpenAI(
    api_key="sk-xxxxx",
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat"
)`

关键配置项：

参数
说明
注意事项
api_key
DeepSeek API 密钥
应从环境变量读取，避免硬编码
base_url
API 端点
必须包含 /v1 路径
model
模型标识
deepseek-chat 为对话优化版�?
安全建议�?

import os llm = ChatOpenAI( api_key=os.getenv("DEEPSEEK_API_KEY"), base_url="https://api.deepseek.com/v1" )## 4. 对话链构�?

4.1 提示词模�?

1	`prompt = ChatPromptTemplate.from_template("{input}")`

模板系统进阶用法�?

`from langchain_core.prompts import (
SystemMessagePromptTemplate,
HumanMessagePromptTemplate
)

prompt = ChatPromptTemplate.from_messages([
SystemMessagePromptTemplate.from_template(“你是一个{role}”),
HumanMessagePromptTemplate.from_template(“{input}”)
])`### 4.2 链式组合

1	`chain = prompt \| llm`

管道操作�?(|) 的等效实现：

from langchain_core.runnables import RunnableSequence chain = RunnableSequence(first=prompt, last=llm)扩展链示例（带记忆）�?

`from langchain_core.runnables import RunnablePassthrough

memory = ConversationBufferMemory()
chain = (
RunnablePassthrough.assign(
history=memory.load_memory_variables
)
| prompt
| llm
)`## 5. 流式输出处理

5.1 流式调用

1 2	`for chunk in chain.stream({"input": "AI编程助手"}): print(chunk.content, end="", flush=True)`

技术细节：

•�?chunk* 对象结构：class AIMessageChunk: content: str additional_kwargs: dict
�?网络优化：使�?Server-Sent Events (SSE) 协议
�?延迟对比：流�?vs 非流式模�?
首字节时�?
适用场景
流式
200-500ms
实时交互
批处�?
1-2s
数据分析

6. 生产环境建议

6.1 性能优化

`llm = ChatOpenAI(
    ...,
    max_retries=3,
    timeout=30.0,
    streaming=True
)`

6.2 监控集成

`from langsmith import Client

client = Client()
client.create_feedback(
    run_id="...",
    key="accuracy",
    score=0.9
)`

6.3 错误处理

`from tenacity import (
    retry,
    stop_after_attempt,
    wait_exponential
)

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def safe_invoke(input_text):
    return chain.invoke({"input": input_text})`

通过上面内容完成了基础的Python调用介绍

·················END·················

关于AI工具

Github开源文本转语音神器Spark-TTS开源了，克隆声音仅需3秒？

github开源B站UP主都在用的下载神器！Cobalt让你轻松搬运高清素材！

Github 26k Stars 开源换脸神器

Github 开源无代码�?Web 数据提取平台�?分钟内训练机器人自动抓取网页数据

每日更新，期待与你一起成�?

欢迎围观副业知识星球

LangChain + DeepSeek 全流程开发详�?

推荐阅读