LangChain P1 | LangChain快速上手[MacOS]

随着AI的快速发展，Agent已经成为我们学习与工作中不可或缺的存在，为紧跟时代发展，本系列博客我们将来探讨如何快速上手LangChain并快速创建你的第一个简单Agent注意：我们不会过多赘述关于python库的内容，请大家自行下载pip以及相关的AI库

介绍

在正式开始之前，我们需要回答一些问题：什么是LangChain？它可以做什么？

什么是LangChain？它可以做什么？

用一句人话来说就是：LangChain 是一个帮你「把大模型和外部工具/数据串起来」的编排框架。

以询问天气为例：

在引入LangChain之前，我们写了一个llm之后，它没有工具，因此它无法直接去帮你搜索天气，因为llm的训练数据是有截止日期的，它无法给你实时数据，你如果想调用查询天气的工具则需要自己手写一个if-else来判断是否来调用查询天气的工具

而有了LangChain之后，你可以给它定义一个搜索天气的工具，它自己就会去判断需不需要调用这个工具来给你实时答复

LangChain相关概念

那么在知道我们要学习的是什么之后，我们还得了解一下和它相关的概念

Runnable接口

一句人话：Runnable 是 LangChain 里最核心的统一接口，就像一个"通用电源插头"。

只要继承了这个接口就可以调用它的方法：

方法	作用	使用场景
.invoke(input)	输入 → 输出	普通单次调用
.stream(input)	逐块产出	打字机效果
.batch([inputs])	批量并行	多条数据一起处理
.astream()/.abatch()	异步版本	异步服务

我们举个例子来看一下：

from langchain_core.output_parsers import StrOutputParser
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-v4-flash")
messages = "你是谁?"
print(llm.invoke(messages))     #大模型是Runnable实例，成功调用invoke方法

parser = StrOutputParser()
print(parser.invoke(messages))  #parser是Runnable实例，成功调用invoke方法

运行后我们就可以发现，大模型调用invoke方法后就输出了deepseek关于"你是谁？"这个问题的回答，完成了**输入你是谁 -> 输出deepseek回答**的变化

LCEL

LCEL = LangChain Expression Language（LangChain 表达式语言）

说白了就是：用 | 管道符把不同的 Runnable 组件串起来的一种写法。

chain = prompt | model | output_parser

上述就是一个LCEL，表示提示词 -> 调用大模型 -> 输出 这样一个过程，你可以把它理解为大模型编程里的「管道」------左边输出啥，右边就接收啥，一路串下去。

我们可以举个例子：

from langchain.chains.question_answering.map_reduce_prompt import messages
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import ChatPromptTemplate
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-v4-flash")
messages = [
    HumanMessage("你是谁？")
]
parser = StrOutputParser()
# 没有LCEL的写法
result = llm.invoke(messages)
print(parser.invoke(result))

# 有LCEL的写法
chain = llm | parser
print(chain.invoke(messages))

我们可以发现有了LCEL之后，我们不用再每一步都自己调用一下，只需要把它写成管道，最后再统一调用，非常方便

快速上手

在前面的博客中我们有讲到代码的部分，可能有比较喜欢动手的友友们已经开始尝试过了复刻这些代码，或许或多或少在运行的时候都遇到了一些问题，接下来我们就讲讲如何快速上手成功运行这些代码

申请API KEY

在本篇博客中我们采用的llm是**deepseek-v4-flash** ，在这里我们需要知道的是，无论我们选择使用任何一个llm都必须要先申请它的api，此处我们都是选择使用远程调用的方式，不涉及本地部署，所以我们需要申请API KEY

来到deepseek api官网

创建一个API，自己妥善保存内容，这就是后面我们会用到的API

配置环境变量

申请完API之后我们还要把它配置在环境变量中它才会生效，或者你也可以明文放置在项目文件中，此处我们采用配置环境变量的方式

打开终端zsh版

nano ~/.zshrc

输入上述代码，进入环境变量编辑文件

export DEEPSEEK_API_KEY="sk-你的实际API密钥"

在这个文件里添加上述语句，将引号中内容替换成刚刚保存的API内容，control + x 退出，按y，再按enter，即配置完成

source ~/.zshrc

输入上述代码让配置生效

echo $DEEPSEEK_API_KEY

再输入上述代码，看配置是否成功，若输出你申请的API，则表示配置成功

导入所需的库

完成前置工作后，我们就正式进入了代码环节，打开我们的PyCharm，创建好项目后导入我们需要的库

pip install langchain langchain-core langchain-community
pip install langchain-openai langchain-deepseek
pip install 'urllib3<2.0'

定义LLM

接下来就可以定义我们的LLM了

from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-v4-flash")

定义消息列表

from langchain_core.messages import SystemMessage, HumanMessage
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(model="deepseek-v4-flash")
messages = [
    SystemMessage("translate the words into Chinese"),  # 定义大模型作用定位
    HumanMessage("Hello World")                         # 模拟用户消息
]

定义输出解析器

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

llm = ChatDeepSeek(model="deepseek-v4-flash")
messages = [
    SystemMessage("translate the words into Chinese"),  # 定义大模型作用定位
    HumanMessage("Hello World")                         # 模拟用户消息
]
parser = StrOutputParser()

定义管道 ｜ 直接调用

在前面的文章我们讲过，有两种方式，使用LCEL或者不使用，大家可以根据自己的需求来选择如何调用，这里我们选择不使用管道

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

llm = ChatDeepSeek(model="deepseek-v4-flash")

messages = [
    SystemMessage("translate the words into Chinese"),  # 定义大模型作用定位
    HumanMessage("Hello World")                         # 模拟用户消息
]

parser = StrOutputParser()

print(parser.invoke(llm.invoke(messages)))

查看结果

我们可以看到，此时我们的大模型就将它翻译成了中文，符合我们给它的定位

-------------------------------------------❤️❤️❤️------------------------------------------

📌 下一篇预告：有了这个大模型基础后，我们会给它装上「工具」，让它可以自己查天气、算数学、搜资料------这就是真正的 Agent。敬请期待！