LangChain学习之环境搭建与基础概念 - 练习（1/8）

模块 1: 环境搭建与基础概念 - 练习

练习目标

成功安装 LangChain.js 及其相关依赖。
配置 DeepSeek API 密钥。
使用 ChatOpenAI 类（配置为 DeepSeek）调用 LLM 模型，完成文本生成任务。
使用 ChatOpenAI 类（配置为 DeepSeek）调用 Chat Model 模型，完成对话任务。

准备工作

确保您的开发环境中已安装 Node.js (推荐 v18 或更高版本) 和 npm/yarn。
获取一个有效的 DeepSeek API 密钥。

练习步骤

步骤 1: 创建项目并安装依赖

创建一个新的 TypeScript 项目，并安装 LangChain 核心库、OpenAI 兼容集成库以及 dotenv。

bash 复制代码

mkdir langchain-demo-m1
cd langchain-demo-m1
npm init -y
npm install typescript ts-node @types/node --save-dev
npm install langchain @langchain/openai dotenv

npx tsc --init

步骤 2: 配置 API 密钥

在项目根目录下创建 .env 文件，并添加您的 DeepSeek API 密钥：

dotenv 复制代码

DEEPSEEK_API_KEY="sk-YOUR_DEEPSEEK_API_KEY"

步骤 3: 使用 LLM 模型生成文本

创建一个名为 llm_text_generation.ts 的文件，并编写代码使用 ChatOpenAI 类（配置为 DeepSeek）生成一段关于"未来城市"的短文。设置 temperature 为 0.7。

typescript 复制代码

// llm_text_generation.ts
import 'dotenv/config';
import { ChatOpenAI } from "@langchain/openai";

async function main() {
  const model = new ChatOpenAI({
    model: "deepseek-v4-flash", // 指定 DeepSeek 模型
    temperature: 0.7,
    apiKey: process.env.DEEPSEEK_API_KEY, // 使用 DeepSeek API Key
    configuration: {
      baseURL: "https://api.deepseek.com", // DeepSeek API 的基础 URL
    },
  });

  const prompt = "请写一篇关于未来城市的短文，描述其交通、能源和生活方式。";
  console.log("正在生成文本...");
  const result = await model.invoke(prompt);
  console.log("\n--- 生成结果 ---\n");
  console.log(result.content); // 访问生成内容
}

main().catch(console.error);

运行您的代码：

bash 复制代码

npx ts-node llm_text_generation.ts

步骤 4: 使用 Chat Model 模型进行对话

创建一个名为 chat_conversation.ts 的文件，并编写代码使用 ChatOpenAI 类（配置为 DeepSeek）进行一段简单的对话。对话内容包括：

系统消息：你是一个友好的 AI 助手，擅长提供旅行建议。
用户消息：我想去一个阳光充足的海滩度假，有什么推荐吗？

设置 temperature 为 0.5。

typescript 复制代码

// chat_conversation.ts
import 'dotenv/config';
import { ChatOpenAI } from "@langchain/openai";
import { HumanMessage, SystemMessage } from "@langchain/core/messages";

async function main() {
  const chatModel = new ChatOpenAI({
    model: "deepseek-v4-flash", // 指定 DeepSeek 模型
    temperature: 0.5,
    apiKey: process.env.DEEPSEEK_API_KEY, // 使用 DeepSeek API Key
    configuration: {
      baseURL: "https://api.deepseek.com", // DeepSeek API 的基础 URL
    },
  });

  const messages = [
    new SystemMessage("你是一个友好的 AI 助手，擅长提供旅行建议。"),
    new HumanMessage("我想去一个阳光充足的海滩度假，有什么推荐吗？"),
  ];

  console.log("正在进行对话...");
  const response = await chatModel.invoke(messages);
  console.log("\n--- 对话结果 ---\n");
  console.log(response.content);
}

main().catch(console.error);

运行您的代码：

bash 复制代码

npx ts-node chat_conversation.ts

思考题

ChatOpenAI 类如何通过配置同时支持 LLM 和 Chat Model 的行为？
temperature 参数对模型生成结果有什么影响？尝试调整 temperature 的值，观察结果的变化。
为什么建议将 API 密钥存储在环境变量中而不是直接写在代码里？

一句话理清：LLM 与 Chat Model 关系

LLM = 大语言模型（统称）Chat Model = 专门做对话场景的 LLM 子类

为什么 ChatOpenAI 能兼容两种写法

ChatOpenAI 内部做了自动兼容：

你传纯字符串 → 底层自动包装成 user 单轮消息，走 LLM 文本生成逻辑

你传角色消息数组 → 直接走标准 Chat 对话逻辑

所以它一身两用，既可以当普通文本生成 LLM 用，也能当专业对话 ChatModel 用。

LLM 重在「续写文字」

ChatModel 重在「角色聊天」

ChatModel 是优化过对话能力的 LLM

现在开发统一只用 ChatOpenAI，抛弃老式 LLM 类即可