Helior的小破站 | 个人作品集

01 写在前面

学完FastAPI后，我盯上了现在最火的AI应用开发。

问了GPT好几次，最后决定学LangChain。为啥？生态好、文档全、案例多呗！

这篇文章记录我的LangChain入门过程，希望能帮到同样想学AI开发的同学。

02 为什么需要LangChain？

直接调用大模型API不香吗？香！但问题也是真的多：

问题1：每个模型API不一样

# OpenAI
response = openai.ChatCompletion.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "你好"}]
)

# DeepSeek
response = deepseek.Chat.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": "你好"}]
)

# 智谱
response = zhipu.ChatCompletion.create(
    model="glm-4",
    messages=[{"role": "user", "content": "你好"}]
)

换个大模型，代码要改一堆！

问题2：提示词管理混乱

# 每次都要写很长的system prompt
messages = [
    {"role": "system", "content": "你是一个助手，要..."},
    {"role": "user", "content": "..."}
]

问题3：没有记忆 问完"我叫张三"，再问"我叫什么"，模型根本不知道。

问题4：工具调用难 让AI查天气、订机票，都要自己实现调用逻辑。

LangChain就是来解决这些问题的！

03 安装和环境

pip install langchain==1.2.0 langchain-deepseek langchain-openai langchain-community

配置API Key：

# .env
DEEPSEEK_API_KEY=sk-xxxx
DEEPSEEK_BASE_URL=https://api.deepseek.com

04 第一个LangChain程序

# env_utils.py
from dotenv import load_dotenv
import os
load_dotenv(override=True)

DEEPSEEK_API_KEY = os.getenv("DEEPSEEK_API_KEY")
DEEPSEEK_BASE_URL = os.getenv("DEEPSEEK_BASE_URL")

# init_llm.py
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    api_key=DEEPSEEK_API_KEY,
    base_url=DEEPSEEK_BASE_URL,
)

# 测试
print(llm.invoke("你好"))

爽点：换模型只需要改一个参数！

# 换成智谱
llm = init_chat_model(model="glm-4", model_provider="zhipu", api_key="...")

05 三种调用方式

# 1. invoke - 同步调用
response = llm.invoke("你好")
print(response.content)

# 2. stream - 流式输出（打字机效果）
for chunk in llm.stream("给我讲个笑话"):
    print(chunk.content, end="")

# 3. batch - 批量调用
responses = llm.batch(["你好", "今天天气怎么样", "推荐一部电影"])
for r in responses:
    print(r.content)

06 Message类型

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
    SystemMessage("你是一个翻译助手，把英文翻译成中文"),
    HumanMessage("I love AI"),
    AIMessage("I love AI -> 我爱人工智能"),
    HumanMessage("翻译：大模型"),
]

response = llm.invoke(messages)
print(response.content)  # 大模型 -> Large Model 或者 大型语言模型

07 LangChain核心概念

Models：统一的大模型接口
Prompts：提示词模板
Chains：串联多个组件
Agents：能自主决策的智能体
Memory：记忆管理
Tools：工具调用

08 我的理解

LangChain就像一个"胶水框架"，把各种AI能力粘合在一起。

之前是：

想用DeepSeek？学DeepSeek API
想做记忆？自己写缓存
想调工具？自己写调用逻辑

现在是：

想用哪个模型？一行代码切换
想加记忆？几行代码搞定
想调工具？装饰器一写就行

这就是抽象的力量！

我的AI开发第一课：为什么选择LangChain