LangChain 实战 | 快速搭建 Python 开发环境

介绍 uv

uv 是一个用 Rust 编写的 极快的 Python 包管理器和项目管理器。

它整合了 Python 开发者常用的多种工具到一个 CLI 中，非常像 Node.js 生态里的 npm/pnpm。

• Rust 写的，速度比 pip 快 10～80 倍
• 一个工具替代多个工具（pip、virtualenv、pip-tools、pyenv、poetry...）
• 和 Ruff 同一个团队，专业度高
• 配置统一在 pyproject.toml
• 兼容 pip，不需要迁移成本

uv 命令速查表：

功能	命令
创建虚拟环境	uv venv
使用虚拟环境运行脚本	uv run main.py
安装依赖	uv pip install fastapi
安装到项目（写入 pyproject）	uv add fastapi
安装 Python 版本	uv python install 3.12
运行工具	uv run uvicorn app:app
解析依赖锁定	uv pip compile

安装 uv

我们需要依据 uv 官网给我们提供的安装方法将 uv 安装到计算机中。

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

以 Windows 为例，将上述命令输入到终端后等待几秒就会安装完成。

初始化环境

学习 langchain 我们要创建一个 Python 项目环境。

首先，创建 langchain 项目目录 learn-langchain，在目录下的终端命令行输入 uv init。

此时，uv 就会帮我们初始化开发环境，会生成如下初始文件：

其中，pyproject.toml 是 Python 项目的"总配置中心 + 依赖声明入口"。

[project]
name = "learn-langchain"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.13"
dependencies = []

可以把它类比成前端项目中的 package.json 文件，下面我们详细解释这个文件中各个字段的含义。

• [project] ：这是一个 Python 项目的元数据声明，uv 会从这里读取项目信息。
• name：项目的官方名称。
• version：项目版本号。
• description：项目的一句话描述。
• readme：指定项目的 README 文件。
• requires-python：声明项目能运行的 Python 版本范围。
• dependencies：项目的运行时依赖，后续安装的依赖都会存到这里。

安装项目依赖

首先，安装 langchain 核心依赖，在项目跟目录终端输入：

uv add langchain langchain-core langchain-classic langchain-community

此时，新的依赖会声明在 pyproject.toml 文件的 dependencies 中。

同时，在项目中会生成 uv.lovk 文件和 .venv 文件：

• uv.lovk ： uv 自动生成的依赖锁文件 ， 记录每个依赖的最终版本。
• .venv： uv 为当前项目创建的 Python 虚拟环境目录，避免全局 Python 环境污染。

激活虚拟环境

如果是 Windows 系统，在项目终端命令行输入：

.venv\Scripts\activate

如果是 macOS / Linux 系统，在项目终端命令行输入：

source .venv/bin/activate

虚拟环境激活后，会在终端命令行前端显示 (learn-langchain) 表示当前激活的 Python 虚拟环境名称。

创建项目示例

安装依赖

首先，安装必要的依赖，在项目跟目录终端输入：

uv add python-dotenv langchain-openai langchain-deepseek

• python-dotenv是一个用于读取 .env 文件并将环境变量加载到 Python 运行时的工具。
• langchain-openai 提供对 OpenAI 官方模型 的接口封装。
• langchain-deepseek 提供对 DeepSeek 平台（OpenAI-compatible）的接口 封装。

配置环境变量

在项目根目录创建 .env 文件，输入如下内容：

OPENAI_API_KEY=sk-c97afa925b1745f79225c904dff53cba
OPENAI_API_BASE=https://api.deepseek.com/v1

在学习 LangChain 的前期阶段，我们暂时使用 DeepSeek 作为我们的大语言模型。

因为 DeepSeek 兼容 OpenAI API 协议， 所以我们可以使用其 API key 赋值给 OPENAI_API_KEY。

访问 DeepSeek 开放平台，创建 API key 保存起来，然后赋值给 .env 中的 OPENAI_API_KEY。

使用官网提供的兼容 OpenAI 的base_url 赋值给 OPENAI_API_BASE。

创建示例

创建第一个示例，在项目根目录创建 01-hello-world 文件夹，在其文件夹内创建 01-chat.py 文件。

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 初始化聊天模型
llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0,
)

# 调用模型
response = llm.invoke("你是谁")

print(response.content)

上述代码的含义是：

1. 导入依赖

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

• from langchain_openai import ChatOpenAI
  • 从 LangChain 的 OpenAI 适配器包 里导入 ChatOpenAI 类
  • 这个类封装了对 OpenAI 或兼容 API（DeepSeek）的对话模型调用
  • 本质上是一个 LLM（Large Language Model）客户端
• from dotenv import load_dotenv
  • 从 python-dotenv 导入 load_dotenv
  • 用来加载 .env 文件中的环境变量到 Python 的 os.environ

2. 加载环境变量

• load_dotenv()
  • 读取项目根目录下的 .env 文件
  • 将其中的内容（例如 OPENAI_API_KEY、OPENAI_API_BASE）导入环境变量
  • 这样 ChatOpenAI 就可以自动读取 Key 和 API Base，无需在代码中硬编码

3. 初始化 LLM

llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0,
)

• 创建一个 ChatOpenAI 对象，用于发送消息给 LLM
• model="deepseek-chat" ：
  • 因为 DeepSeek 兼容 OpenAI API，这里可以直接指定 DeepSeek 提供的模型
• temperature=0：
  • 控制生成文本的随机性， 0 → 最确定、最稳妥， 越大 → 输出越多样化

4. 调用 LLM

• response = llm.invoke("你是谁")
  • invoke() 是 ChatOpenAI 的核心方法
  • 输入参数 "你是谁" 是 prompt，告诉 LLM 你希望它做什么
  • 返回值 response 是一个对象，通常包含：response.content → LLM 的文本输出

结语

最终 ，在终端命令行输入：python .\01-hello-world\01-chat.py 等待几秒就会在控制台打印内容。

这说明，我们第一个 LangChain 示例运行成功，后续，我们将开始系统学习 LangChain 提供的强大的能力。