【LangChain&LangGraph】LangChain快速上手

目标如下：

1.通过LangChain接入LLM

2.通过代码理解，如何定义链式结构

3.链式结构的底层逻辑

一：快速上手编码

调用LLM的流程：

接入并定义大模型->定义消息->调用大模型->输出结果

举个例子：

python 复制代码

import os
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage

# 1. 初始化模型（和你之前格式一模一样，只是换了提示场景）
model = ChatOpenAI(
    model="deepseek-v4-pro",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
)

# 2. 定义消息：系统提示 + 用户消息
messages = [
    SystemMessage(content="你是一位耐心的学习助手，每次回答前都要先说'同学你好'，然后再解答问题。"),
    HumanMessage(content="Python 是什么？用一句话解释。"),
]

# 3. 调用模型
result = model.invoke(messages)

# 4. 输出结果
print(result.content)

这段代码是基于 LangChain 框架调用 DeepSeek 大模型的基础示例，首先实现了库的导入与环境配置。代码引入了 os 模块用于读取环境变量，同时从 langchain_openai 导入 ChatOpenAI 模型类，再从 langchain_core.messages 导入会话所需的消息类型，为后续调用大模型做好了工具准备。

其次完成了大模型实例的初始化配置。借助 ChatOpenAI 兼容 OpenAI 接口的特性，通过指定模型名称、DeepSeek 专属接口地址，再从系统环境变量中读取密钥，既成功连接了 DeepSeek 大模型，又遵循了开发安全规范，避免将 API 密钥直接写在代码中，保护接口信息安全。

再者学习了 LangChain 中会话消息的定义规则。代码运用了两种核心消息格式，SystemMessage 作为系统提示消息，用于提前给人工智能设定角色身份和回复规则；HumanMessage 代表用户输入的对话内容，两种消息以列表形式组合，构成完整的对话上下文，能够精准引导模型的回复风格。

最后掌握了大模型的调用与结果输出方式。通过 model.invoke () 方法传入消息列表，即可向大模型发起请求并获取返回结果，直接打印结果能够查看模型完整的返回对象，包含回复文本、角色信息等元数据，也可以提取 content 属性单独获取纯文字回复，这是 LangChain 同步调用大模型最基础且通用的使用方式。

整体而言，这段代码完整演示了第三方兼容接口大模型的调用流程，涵盖环境变量密钥管理、系统提示词设置、结构化消息定义、模型基础调用等核心知识点，是入门 LangChain 对接国产大模型的基础范例。

然后我们可以交给链去执行，这样子就可以注释掉那些了

python 复制代码

import os
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage, SystemMessage
from langchain_core.output_parsers import StrOutputParser
model = ChatOpenAI(
    model="deepseek-v4-pro",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
)

#定义消息
#用户消息HumanMessage
#系统提示消息，通常作为第一条消息传入
messages=[
    SystemMessage(content="请叫我刘总，然后再回复"),
    HumanMessage(content="hi!"),
]

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

#定义输出解析器,这个也是组件
parser=StrOutputParser()
#print(parser.invoke(result))
#定义链
#执行链
chain=model|parser
print(chain.invoke(messages))

二：Runnable和LCEL

Runnable接口是使用Langchain Component（组件）的基础，它提供了一系列的标准接口

接入原生大模型存在一个问题就是，切换大模型困难。

invoke：单次同步调用，输入单个参数，返回最终完整结果。

batch：批量同步调用，一次性传入多组参数，批量返回结果。

stream：流式同步调用，逐段返回输出，适合打字机实时效果。

ainvoke：异步单次调用，不阻塞主线程，适合并发场景。 abatch：异步批量调用，多组任务异步并行执行，效率更高。

astream：异步流式调用，异步 + 逐段输出，对话场景最常用。

LCEL是采用声明性方法，从现有的Runnalbe对象构建新的Runnalbe对象，称为RunnalbeSequence，表示可运行序列。是一个编排解决方案，上一个执行的结果作为下一个的输入。