LangChain快速上手

LangChain软件包安装

LangChain 生态系统包含不同的包，用来准确选择要安装的功能。

• 主 langchain 包这个包是使用 LangChain 的起点，安装方式如下：

pip install langchain

• langchain-core 包

除了 langsmith SDK 之外，LangChain 生态系统中的所有包都依赖于 langchain-core ，包含其它包使用的基类和抽象，以及 LangChain LCEL（表达式语言）。它由 langchain 包自动安装，不需要显式安装该包。但是，如果使用的功能仅在该依赖项的特定版本中可用，则可以选择这样做。如果这样做，则应确保已安装或固定的版本与我们使用的任何其他集成包兼容。

pip install langchain-core

• Integrations 集成包

LangChain 的大部分价值来自于将各种能力进行集成，如各类模型集成（如 OpenAI 和 Anthropic）、各类组件集成（如数据存储、工具等）等。LangChain 中集成好的包见这里LangChain Python integrations - Docs by LangChain。对于所需依赖项，我们需要单独安装。例如要使用 OpenAI，可以运行：

pip install langchain-openai

• langchain-community 包

简单来说，任何尚未拆分到自己的包中的集成，都存在于 langchain-community 包中。安装方式：

pip install langchain-community

• langgraph 包

langgraph 是一个库，用于使用 LLM 构建有状态的应用程序。它与 LangChain 顺利集成。安装方式：

pip install langgraph

• LangSmith SDK

LangSmith SDK 由 LangChain 自动安装。但它不依赖于 langchain-core ，如果需要，可以独立安装和使用，安装方式

pip install langsmith

一、快速上手

对于 LangChain，它是一个用于开发由大语言模型 (LLM) 驱动的应用程序的框架。

使用原生 LLM 可能会存在一些问题，例如将其当作搜索引擎去使用，LLM 生成的答案可能要比其他搜索引擎查到的答案更符合你的预期，但要是在复杂的场景下使用，如将 LLM 嵌入应用程序时却遭遇了全新难题：

• 简单提示词（Prompt）得到的答案经常出现幻觉？

• 提示词结构是否可以统一规范？

• 如何实现开发过程中大模型的轻松、灵活切换？

• 大模型输出是非结构化的，怎样与要求结构化数据的程序接口交互？

• 如何克服预训练模型知识陈旧的问题，引入实时更新？

• 如何连接模型与外部工具或系统，执行具体任务？

• ...

2. 详细过程

2.1 步骤1：申请 API key 并配置环境变量

2.2 步骤2：定义大模型

1、安装包

pip install -U langchain-deepseek

定义大模型

复制代码

#1、定义模型
#api key默认从系统环境变量中读取()里的第二个参数也可以自己加上api_key=
model = ChatDeepSeek(model="deepseek-v4-flash")

2.3 步骤3：定义消息列表

复制代码

#2、定义消息
#用户消息在langchain里被定义成HumanMessage，他是是来自用户的、从用户传递到模型的消息。
#系统提示消息SystemMessage 通常作为第一条消息传入
messages=[
    SystemMessage(content="请帮我进行翻译，有英文转换为中文"),
    HumanMessage(content="hi")
]

2.4 步骤4：调用大模型

model 是 LangChain Runnable （可运行）接口的实例，这意味着 model 提供了一个标准接口供我们与之交互。要简单地调用模型，我们可以将消息列表传递给 .invoke 方法。使用 .invoke 方法进行大模型调用

复制代码

#调用大模型
# result=model.invoke(messages)
# print(result)

输出说明：

**• AIMessage ：**来自 AI 的消息。从聊天模型返回，作为对提示（输入）的响应。

◦ content ：消息的内容。

◦ additional_kwargs ：与消息关联的其他有效负载数据。对于来自 AI 的消息，可能包括模型提供程序编码的工具调用。

**◦ response_metadata ：**响应元数据。例如：响应标头、logprobs、令牌计数、模型名称。

▪ 侧重于 "响应"本身的信息，比如这次请求的 ID、使用的模型版本、以及服务提供商返回的所有原始元数据。它主要用于调试、日志记录和获取请求的上下文信息。

**◦ usage_metadata ：**消息的使用元数据，例如令牌计数。

▪ 侧重于 "资源消耗"的量化信息，即这次请求消耗了多少 Token。它主要用于成本计算、监控和预算控制。

2.5 步骤5：输出解

若只想输出聊天模型返回的结果字符串，可以使用 StrOutputParser 输出解析器组件，将大模型输出结果解析为最可能的字符串。

复制代码

#4、定义输出解析
parse=StrOutputParser()
# print(parse.invoke(result))

2.6 步骤6：链式执行

通过上述步骤，无论是调用大模型，还是输出解析，我们发现，每次都调用了一个 invoke() 方法，最终才会得到我们想要的结果。

对于 LangChain，它给我们提供了链式执行的能力，即我们只需要定义各个"组件"，将它们"链起来"，一次性执行即可得到最终效果。

python 复制代码

from langchain_core.output_parsers import StrOutputParser
from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_openai import ChatOpenAI


#1、定义模型
#api key默认从系统环境变量中读取()里的第二个参数也可以自己加上api_key=
model = ChatDeepSeek(model="deepseek-v4-flash")

#2、定义消息
#用户消息在langchain里被定义成HumanMessage
#系统提示消息SystemMessage 通常作为第一条消息传入
messages=[
    SystemMessage(content="请帮我进行翻译，有英文转换为中文"),
    HumanMessage(content="hi")
]
#调用大模型
# result=model.invoke(messages)
# print(result)

#4、定义输出解析
parse=StrOutputParser()
# print(parse.invoke(result))

#5、定义链
#注意链的顺序不能错，因为它是按照顺序来执行每一个组件的
chain = model | parse
 #6、执行链条
print(chain.invoke(messages))

注意：有多种定义链的方式，不过还是推荐chain=model | parse。简介直观

3.2 LangChain Expression Language

LangChain Expression Language（LCEL）：采用声明性方法，从现有 Runnable 对象构建新的 Runnable 对象。

通过 LCEL 构建出的新的 Runnable 对象，被称为RunnableSequence ，表示可运行序列 。 RunnableSequence 就是一种链 ，chain 的类型就是 RunnableSequence

重要的是， RunnableSequence 也是 Runnable 接口的实例，它实现了完整的 Runnable 接口，因此它可以用与任何其他 Runnable 相同的姿势使用。

chain = model | parser

chain.invoke(messages) # 链是 Runnable 接口实例，允许invoke调用

LCEL 其实是一种编排解决方案，它使 LangChain 能够以优化的方式处理链的运行时执行。

任何两个 Runnable 实例都可以"链"在一起成序列。上一个可运行对象的 .invoke（）调用的输出作为输入传递给下一个可运行对象。