LangChain + DeepSeek 实战拆解：从 LCEL 到智能体，如何真正“做出”一个可控 AI 系统？

大模型很强。

但如果你只是：

复制代码

llm.invoke("帮我写点东西")

那你做的不是系统，只是调用接口。

真正的工程问题是：

多步骤推理怎么组织？
外部数据怎么接入？
工具怎么安全调用？
对话怎么长期记忆？
结果怎么结构化输出？

这才是 LangChain 解决的问题。

一、LangChain 到底解决什么问题？

单独的 LLM 像一个聪明的大脑。

但它没有：

手（不能执行函数）
眼睛（不能实时查资料）
记忆库（上下文有限）
任务调度系统（不会组织复杂流程）

LangChain 的本质，是一套可组合的 LLM 编排框架。

它不增强模型能力，它增强：

可控性
可组合性
可扩展性
工程稳定性

二、环境搭建：DeepSeek + LiteLLM

安装：

复制代码

pip install langchain langchain-openai langchain-community python-dotenv -i https://mirrors.aliyun.com/pypi/simple/
pip install -U litellm

.env 文件：

复制代码

DEEPSEEK_API_KEY=sk-xxx
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-chat

初始化模型：

复制代码

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    model=os.getenv("DEEPSEEK_MODEL"),
    openai_api_key=os.getenv("DEEPSEEK_API_KEY"),
    openai_api_base=os.getenv("DEEPSEEK_BASE_URL"),
    temperature=0.7
)

这里有个工程重点：

LangChain 不直接适配所有模型，它通过 LiteLLM 做统一接口抽象。

这一步是"工程层"的关键。

三、LCEL：Prompt | LLM | Parser

旧版 LLMChain 已经被弃用。

现在的标准写法是 LCEL（LangChain Expression Language）。

核心结构：

复制代码

Prompt → Model → OutputParser

代码示例：

复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一位技术专家，用通俗语言解释概念。"),
    ("user", "{concept}")
])

chain = prompt | llm | StrOutputParser()

result = chain.invoke({"concept": "量子纠缠"})
print(result)

为什么必须要 Parser？

因为：

模型输出是 Message 对象工程系统需要字符串或结构化 JSON

没有 Parser，工程不可控。

四、流式输出（Streaming）

真实应用里，你不可能等 10 秒再一次性输出。

只需要把 .invoke() 换成 .stream()：

复制代码

for chunk in chain.stream({"concept": "递归神经网络"}):
    print(chunk, end="", flush=True)

流式输出是：

聊天机器人
WebSocket 应用
实时界面

的基础能力。

五、RAG：检索增强生成

LangChain 把 RAG 拆成清晰的流水线：

复制代码

文档加载 → 文本切片 → 向量化 → 向量存储 → 检索器

示意结构：

复制代码

DocumentLoader
     ↓
TextSplitter
     ↓
Embeddings
     ↓
VectorStore
     ↓
Retriever
     ↓
LLM

关键点在于：

Retriever 现在是一个"可嵌入链的组件"。

不只是数据库查询，而是可参与推理流程。

六、记忆机制的新写法

旧版 ConversationBufferMemory 已经不推荐。

现在的写法是：

ChatMessageHistory
RunnableWithMessageHistory

记忆不再是链的属性。

而是一个独立的存储系统，通过 session_id 区分用户。

核心代码：

复制代码

with_message_history = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="question",
    history_messages_key="history",
)

这意味着：

记忆可以持久化到 Redis / PostgreSQL。

工程级对话系统必须这样做。

学习资料

七、Agent 与工具调用

智能体的本质是：

LLM 判断是否需要调用工具
调用工具
观察结果
再决定下一步

创建工具：

复制代码

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(llm, tools, prompt)

核心机制是：

模型 → 决策 → Tool Call → 观察 → 最终回答

LangChain 现在推荐用 LangGraph 构建复杂 Agent。

因为多步骤推理本质是"状态机"。

八、一个完整的对话系统示例

带记忆的聊天机器人核心结构：

复制代码

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的 AI 助手。"),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{question}")
])

chain = prompt | llm

然后通过 RunnableWithMessageHistory 管理会话。

结果就是：

AI 记得你叫小明。

这不是魔法，是工程结构。

九、LangChain 在工程里的真实价值

很多人误解 LangChain 是"封装模型"。

其实它解决的是：

多步骤流程编排
工具安全调用
RAG 标准化接入
会话管理
可测试结构

它让你从：

"写 Prompt 的人"

变成：

"设计 AI 系统架构的人"

这才是核心。

结尾

LangChain 不是模型。

它是 LLM 应用的"操作系统"。

当你真正用 LCEL 构建：

Prompt → 检索 → 工具 → 记忆 → 输出

你会发现，大模型只是其中一层。

真正决定系统稳定性的，是结构。

而结构，才是工程能力的分水岭。

LangChain + DeepSeek 实战拆解：从 LCEL 到智能体，如何真正“做出”一个可控 AI 系统？

目录

一、LangChain 到底解决什么问题？

二、环境搭建：DeepSeek + LiteLLM

三、LCEL：Prompt | LLM | Parser

四、流式输出（Streaming）

五、RAG：检索增强生成

六、记忆机制的新写法

学习资料

七、Agent 与工具调用

八、一个完整的对话系统示例

九、LangChain 在工程里的真实价值

结尾