先看代码
import os
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
load_dotenv()
#提示词
prompt = ChatPromptTemplate.from_template("请根据下面的主题写一篇小红书营销的短文: {topic}")
# 模型
llm = ChatOpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEP_URL"), # Deepseek 的 API 基础地址
model="deepseek-v3:671b", # Deepseek 对话模型（可选：deepseek-chat-pro 等高级模型）
temperature=0.7, # 温度参数（0-1，越低越稳定）
max_tokens=1024 # 最大生成 tokens
)
output_parser = StrOutputParser()
chain = prompt | llm | output_parser
# 调用模型 invoke所有结果生成以后一次性返回
message = chain.invoke({"topic":"资源网站"})
result = output_parser.invoke(message)
print(result)
# 流式-调用模型 stream结果一点点返回能看到动态返回的效果
for chunk in chain.stream({"topic":"资源网站"}):
print(chunk,end="",flush =True)这段代码是基于 LangChain 框架对接 DeepSeek 大模型 ，实现「小红书营销短文生成」的完整案例，同时支持一次性同步返回结果 和流式逐段返回结果两种核心调用方式，先明确整体核心定位，再拆解关键重点：
一、整体流程概览（核心逻辑链）
代码遵循 LangChain 的「Prompt 模板 → 大模型调用 → 输出解析 」经典流水线模式，通过链式调用（| 操作符）简化流程，整体可概括为：
- 加载环境变量（API 密钥、接口地址），保障配置安全
- 定义固定格式的提示词模板，规范模型生成内容
- 初始化 DeepSeek 大模型客户端，配置核心参数
- 定义输出解析器，统一结果格式
- 构建完整工作链，实现两种不同方式的模型调用与结果返回
二、核心重点拆解（必掌握）
1. 环境配置与安全优化（load_dotenv()）
- 核心作用：从项目根目录的
.env文件中读取环境变量，避免将API_KEY等敏感信息直接硬编码在代码中，提升项目安全性和可维护性。
2. LangChain 核心组件使用（三大核心部件）
这是代码的核心骨架，三个组件协同工作完成任务，也是 LangChain 框架的基础用法：
（1）提示词模板（ChatPromptTemplate）
- 核心作用：定义固定的对话模板，通过
{topic}占位符实现「动态参数注入」，避免手动拼接字符串，让提示词更规范、可复用。 - 关键方法：
from_template()快速创建简单提示词模板，传入的字符串中包含一个或多个占位符，后续调用时通过字典传入对应值即可。 - 效果：当传入
{"topic":"资源网站"}时，模型实际接收的提示词是「请根据下面的主题写一篇小红书营销的短文：资源网站」。
（2）大模型客户端（ChatOpenAI）
- 核心亮点：虽然类名是
ChatOpenAI，但可通过base_url配置对接非 OpenAI 的兼容 OpenAI API 格式的大模型（此处对接 DeepSeek），这是 LangChain 对接各类大模型的常用技巧。 - 核心配置参数解读（必理解）：
api_key：大模型平台的身份验证密钥，从环境变量读取。base_url：大模型的 API 请求基础地址，覆盖 OpenAI 默认地址，实现对接第三方模型。model：指定调用的具体模型（此处为deepseek-v3:671b，可替换为 DeepSeek 其他模型）。temperature：生成内容的随机性（0-1 区间），0 表示结果固定、可复现，1 表示随机性最强，此处 0.7 兼顾创意和稳定性。max_tokens：模型生成内容的最大长度限制，避免生成过长内容，1024 足以满足短文生成需求。
（3）输出解析器（StrOutputParser）
- 核心作用：将大模型返回的「结构化响应对象」（包含内容、元数据等信息）解析为「纯字符串格式」，简化后续结果处理和使用。
- 简化效果：如果不使用解析器，模型返回的是包含
content、role等字段的复杂对象，需要通过message.content才能获取核心内容，而解析器直接返回纯文本，更易使用。
3. LangChain 链式调用（prompt | llm | output_parser）
- 核心语法：使用
|操作符将多个 LangChain 组件串联成一条「工作链（Chain）」，这是 LangChain 的特色语法，模拟数据流水线传递。 - 数据流转逻辑：
- 传入的参数（
{"topic":"资源网站"}）先传入prompt，完成模板渲染，生成完整提示词。 - 渲染后的完整提示词传递给
llm（大模型），模型完成内容生成，返回结构化响应。 - 结构化响应传递给
output_parser，解析为纯字符串结果。
- 优势：无需手动编写数据传递逻辑，代码更简洁、可读性更强，后续可灵活增删组件（如添加内容校验、格式优化等）。
4. 大模型两种核心调用方式（同步一次性返回 vs 流式逐段返回）
这是代码的核心功能体现，对应不同的使用场景，必须掌握两者的区别和适用场景：
（1）同步调用（chain.invoke()）
- 核心方法：
chain.invoke({"topic":"资源网站"}) - 工作机制：发送请求后，等待模型完整生成所有内容，一次性返回最终结果，期间程序处于阻塞状态，无中间输出。
- 额外说明：代码中
result = output_parser.invoke(message)是冗余操作（链式调用中已包含输出解析），直接message = chain.invoke(...)即可获取解析后的纯字符串。 - 适用场景：需要完整获取结果后进行后续处理（如保存到文件、批量分析），对实时性要求不高的场景。
（2）流式调用（chain.stream()）
- 核心方法：
for chunk in chain.stream({"topic":"资源网站"}) - 工作机制：发送请求后，模型生成内容的过程中，会将结果按片段（chunk）逐段返回，无需等待完整结果，可实时看到输出效果。
- 关键细节：
print(chunk, end="", flush=True)中，end=""避免每个片段后换行，flush=True强制刷新缓冲区，确保片段能实时打印到控制台，实现「打字机」效果。 - 适用场景：对实时性要求高的场景（如网页端实时展示、聊天机器人实时回复），提升用户体验，避免长时间等待无反馈。
- 核心优势：减少用户等待感，支持大篇幅内容的实时展示，且可在流式返回过程中进行中断、筛选等操作。
5. 依赖库说明（运行前必安装）
代码运行需要安装以下核心依赖库，可通过一条命令安装：
*
pip install langchain langchain-core langchain-openai python-dotenv三、总结（核心重点回顾）
- 核心框架：LangChain 实现「模板 - 模型 - 解析」的流水线工作链，简化大模型调用流程。
- 关键技巧：
ChatOpenAI类通过base_url对接 DeepSeek 等兼容 OpenAI API 的模型。 - 两种调用：同步调用（一次性返回，适合后续批量处理）vs 流式调用（逐段返回，适合实时展示）。
- 安全规范：使用
load_dotenv()管理敏感配置，避免硬编码 API 密钥。 - 核心组件：
ChatPromptTemplate（提示词模板）、ChatOpenAI（模型客户端）、StrOutputParser（输出解析）、链式调用（|操作符）是 LangChain 入门必掌握的核心内容。