别光会用AI，得会造AI——LangChain零基础手搓智能体实战
别光会用AI，得会造AI——LangChain零基础手搓智能体实战
文章摘要：本文是 LangChain 入门第一课，面向零基础初学者。文章系统介绍了 AI 智能体的概念、LangChain 框架的定位与生态，并手把手指导读者搭建 Python 开发环境、配置 DeepSeek API Key，通过四个渐进式案例（原生 SDK 调用、ChatOpenAI 调用、init_chat_model 统一初始化、课程答疑助手）演示了如何调用大模型。最后还扩展讲解了接入 OpenAI、Qwen、硅基流动等其他模型的方法，并提供了常见问题排查指南。全文以实践为导向，帮助读者快速跑通第一个 LangChain 应用。
适合人群：零基础初学者，了解基本 Python 语法即可跟着操作。你能学到什么：理解智能体概念 → 认识 LangChain 生态 → 搭建开发环境 → 跑通第一个 AI 应用。
阅读时间：约 20 分钟（含动手实操）。
目录
- 一、写在前面：为什么要学 LangChain
- 二、什么是智能体（AI Agent）
- 三、LangChain 是什么
- 四、为什么选择 DeepSeek
- 五、理解 OpenAI 兼容 API
- 六、开发环境搭建（手把手）
- 七、配置 DeepSeek API Key
- 八、案例一：用原生 SDK 调用 DeepSeek
- 九、案例二：用 LangChain ChatOpenAI 调用
- 十、案例三：用 init_chat_model 统一初始化（推荐）
- 十一、案例四：打造你的第一个课程答疑助手
- 十二、接入其他大模型（OpenAI / Qwen / 硅基流动）
- 十三、常见问题排查
- 十四、本章总结
一、写在前面：为什么要学 LangChain
2022 年底，ChatGPT 横空出世，大语言模型（LLM）将人工智能时代清晰地划分为前后两个时期。大模型不仅能理解人类语言的复杂意图，还能进行跨领域的知识融合与推理——这意味着，我们终于拥有了一个可被广泛调用的"数字大脑"。
但光有大脑还不够。如果你想让 AI 帮你查资料、写代码、订机票、分析数据，就需要给它装上"眼睛"（感知环境）、“双手”（执行操作）和"记忆"（记住上下文）。LangChain 就是帮你把这些零件组装起来的开发框架。
本章的目标不是讲高级理论，而是带你完成一个最基础的开发闭环：
- 知道 LangChain 是什么
- 理解 LangChain、模型 API、DeepSeek 之间的关系
- 搭建本地 Python 开发环境
- 用三种不同方式调用 DeepSeek 大模型
- 写出第一个可运行的 LangChain 小应用
一句话概括：学完本章，你就能在终端里跟 AI 对话了。
二、什么是智能体（AI Agent）
2.1 从传统应用到智能体时代
先来看一张技术演进图：
图：从传统应用到智能体的演进，本质是一场从"命令执行"到"目标协作"的深刻变革。
过去我们用的软件（比如 Word、Excel、各种 App），都是命令驱动的——你点什么它做什么，严格按预设流程走。而智能体是目标驱动的——你只说"帮我做一份销售报告"，它自己规划步骤、调用工具、完成任务。
| 对比维度 | 传统应用 | 智能体 |
|---|---|---|
| 驱动模式 | 命令驱动（你说一步它走一步） | 目标驱动（你说目标它自己规划） |
| 交互方式 | 固定界面、参数输入 | 自然语言、语义理解 |
| 执行逻辑 | 流程化、预定义 | 自主规划、多步推理 |
| 学习机制 | 静态算法 | 动态学习与记忆 |
| 系统角色 | 工具（被你使用） | 合作伙伴（替你分忧） |
通俗比喻：传统应用像出租车——你告诉司机走哪条路；智能体像网约车——你说目的地，它自己选路线、避拥堵、把你送到。
2.2 智能体的四大核心能力
智能体之所以"智能"，靠的是四大核心模块的精密协同：
图：智能体的认知闭环——感知、决策、行动、记忆四大模块协同工作。
| 模块 | 通俗比喻 | 作用 |
|---|---|---|
| 感知（Perception） | 眼睛 | 接收用户输入、环境信息 |
| 决策（Reasoning） | 大脑 | 分析问题、规划步骤、选择策略 |
| 行动（Action） | 双手 | 调用工具、执行操作、返回结果 |
| 记忆（Memory） | 灵魂 | 记住上下文、从经验中学习优化 |
传统应用遵循 “输入 → 处理 → 输出” 的线性逻辑，而智能体运行在 “感知 → 决策 → 行动 → 记忆” 的持续循环中。它不仅能行动，还能从结果中学习，动态优化后续策略。
智能体的 “感知 → 决策 → 行动 → 记忆” 循环示意：
┌─────────────────────────────────────────────────────────────┐
│ │
│ 用户输入/环境信息 ──▶ 感知(Perception) │
│ │ │
│ ▼ │
│ 决策(Reasoning) │
│ │ │
│ ▼ │
│ 行动(Action) │
│ │ │
│ ▼ │
│ 结果反馈 │
│ │ │
│ ▼ │
│ 记忆(Memory) ──▶ 学习优化 ──▶ 回到感知 │
│ │
└─────────────────────────────────────────────────────────────┘
重要提示：智能体是一个虚拟的概念，可以是自己开发的，也可以使用别人的（比如 ChatGPT 就是一个智能体产品）。我们接下来要学的 LangChain，就是用来开发你自己的智能体的框架。
三、LangChain 是什么
3.1 一句话定义
LangChain 是一个用于开发大模型应用的开源框架，它充当大模型与应用之间的"中间层"，让开发者能以统一的方式调用多种大模型、组织提示词、管理上下文状态并集成外部工具。
3.2 框架的三大核心定位
（1）连接大模型与应用
通过统一接口，将大模型与数据库、检索引擎、API、文件系统等外部资源连接起来。你不需要为每个模型学一套不同的 API，LangChain 帮你统一了。
（2）封装复杂逻辑
智能体需要工具调用、记忆管理等复杂功能，LangChain 把这些封装成现成的抽象层，你只需调用几行代码就能实现。
（3）支持多智能体协作与状态管理
随着 LangGraph 与 Deep Agent 的加入，LangChain 生态已从单智能体向多智能体协作扩展，甚至可以打造对标 Manus 的工业级智能体。
3.3 发展历程（了解即可）
LangChain 由机器学习工程师 Harrison Chase 于 2022 年底发布，最初只是为了更好地管理提示词。随后经历了四个阶段：
| 阶段 | 时间 | 关键里程碑 |
|---|---|---|
| 探索期 | 2022 Q4 — 2023 Q1 | 初版发布，PromptTemplate、LLMChain 等基础模块，GitHub Star 快速破万 |
| 体系化阶段 | 2023 Q2 — 2023 Q4 | 引入 Tool、Agent、Retrieval 概念，推出 LangSmith |
| 平台化阶段 | 2024 — 2025 上半年 | LangGraph（工作流管理）+ LangServe（服务部署）发布 |
| 深层智能体阶段 | 2025 下半年至今 | 正式推出 Deep Agent，形成三层技术栈 |
截至 2025 年 11 月，LangChain 生态形成了三层技术栈：
┌─────────────────────────────────────────────┐
│ Deep Agent（智能体执行框架） │ ← 高层：快速构建复杂智能体
├─────────────────────────────────────────────┤
│ LangGraph（运行时编排引擎） │ ← 中层：有向图管理工作流
├─────────────────────────────────────────────┤
│ LangChain（基础能力层） │ ← 底层：模型调用、工具集成
└─────────────────────────────────────────────┘
LangChain 生态关系示意（Deep Agent 位于 LangGraph 之上，LangSmith 同时监控三者）：
┌─────────────────────────────────────────────────────────────┐
│ │
│ Deep Agent（智能体执行框架） │
│ 高层：快速构建复杂智能体 │
│ ↓ 调用 │
├─────────────────────────────────────────────────────────────┤
│ │
│ LangGraph（运行时编排引擎） │
│ 中层：有向图管理工作流 │
│ ↓ 调用 │
├─────────────────────────────────────────────────────────────┤
│ │
│ LangChain（基础能力层） │
│ 底层：模型调用、工具集成 │
└─────────────────────────────────────────────────────────────┘
↑ ↑ ↑
└─────────────────┴─────────────────┘
LangSmith（监控与评估平台）
监控上述所有组件的运行状态
3.4 LangChain 全家桶都有什么
LangChain 生态 = LangChain + LangGraph + Deep Agent + LangSmith
| 组件 | 定位 | 通俗解释 |
|---|---|---|
| LangChain | 基础能力层 | 智能体的"操作系统内核"，提供模型调用、工具集成等基础能力 |
| LangGraph | 运行时编排层 | 用有向图管理复杂工作流，把多个步骤串联起来 |
| Deep Agent | 智能体执行框架 | 在前两者之上封装的高级模板，不用手写底层就能构建复杂智能体 |
| LangSmith | 监控与评估平台 | 一个网站平台，让智能体的运行过程从"黑盒"变"透明"，方便调试 |
怎么选？ 简单总结：
- 做简单线性 AI 功能 → 直接用 LangChain
- 做重型全自动复杂任务 → 用 Deep Agent（底层自动调用 LangChain + LangGraph）
- 要完全掌控流程、自定义复杂流转规则 → 手写 LangGraph
3.5 LangChain 1.0：记住一句话
学习只学 1.0 以后的版本，之前的了解一下就行。
LangChain 1.0 是真正意义上的第一个正式大版本，带来了三大变革：
（1）从功能堆砌到体验统一
0.x 版本模块众多、概念繁杂、API 不一致。1.0 进行了彻底的架构重构与瘦身，废弃冗余 API、统一接口，让框架变得更轻量、直观。
（2）从链式思维到智能体优先
LangChain 的名字来自最初的"链"（Chain）概念——把多个模型调用按顺序串联。1.0 实现了从链式思维到智能体优先的哲学跃迁，封装了更高级的智能体编程接口（create_agent 和 create_deep_agent）。
有趣的是，有人戏称 LangChain 1.0 应该叫 “LangGraph 2.0”，因为它实际上是在 LangGraph 之上做的封装。但 LangChain 的知名度更高，所以最终保留了 LangChain 的名字。
（3）中间件机制 + Deep Agent
- 中间件机制：类似 Spring 的 AOP（面向切面编程），可以在不污染核心业务代码的情况下注入日志记录、组件监控等通用逻辑。
- Deep Agent：提供更高级的 Agent Harness，开发者不需要理解底层状态图实现，通过配置就能快速组装复杂智能体。
3.6 多语言支持
LangChain 支持 Python 和 JavaScript 两种语言。其中 Python 版本是功能最完整、更新最及时、社区最活跃的核心实现，也是本文后续使用的语言。
为什么选 Python？ 因为 Python 是人工智能领域的第一语言，生态最丰富、第三方包适配最好、踩坑最少。
四、为什么选择 DeepSeek
本课程使用 DeepSeek 作为大模型服务，原因很简单：
DeepSeek API 兼容 OpenAI API 格式。
这意味着，很多支持 OpenAI 接口格式的 SDK 或框架（包括 LangChain），只要替换三个参数就能调用 DeepSeek：
| 参数 | 说明 |
|---|---|
api_key |
你的 DeepSeek API 密钥 |
base_url |
https://api.deepseek.com |
model |
本课程使用 deepseek-v4-flash |
DeepSeek 官网：https://www.deepseek.com/
五、理解 OpenAI 兼容 API
很多大模型服务商都提供类似 OpenAI 的接口格式，这类接口通常包含以下要素：
api_key：身份验证密钥base_url：API 服务地址model：模型名称messages：对话消息列表
一个典型的调用长这样：
client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "user", "content": "你好"}
],
)
LangChain 和原生 SDK 的区别：LangChain 底层也可以对接这类模型服务，但它会把模型调用封装成更统一的组件，方便后续和 Prompt（提示词）、Parser（解析器）、Retriever（检索器）、Tool（工具）等组件组合使用。就像你用原生的
fetch也能发请求，但用axios会更方便一样。
LangChain 与原生 SDK 的调用方式对比：
原生 SDK 调用流程（功能单一）：
┌──────────────────┐
│ 应用代码 │
└────────┬─────────┘
▼
┌──────────────────┐
│ OpenAI SDK │
└────────┬─────────┘
▼
┌──────────────────┐
│ 模型 API │
└──────────────────┘
LangChain 调用流程（能力增强）：
┌──────────────────┐ ┌───────────────┐
│ 应用代码 │ │ 外部工具 │
└────────┬─────────┘ │ 数据库/API/文件│
▼ └───────┬───────┘
┌──────────────────┐ │
│ LangChain 组件 │◄──────────────┘
└────────┬─────────┘
▼
┌──────────────────┐
│ 统一接口层 │
└────────┬─────────┘
▼
┌──────────────────┐
│ 模型 API │
└──────────────────┘
六、开发环境搭建（手把手）
6.1 Python 版本选择
建议使用 Python 3.10 或更高版本。
| 版本 | 推荐程度 | 说明 |
|---|---|---|
| Python 3.10 | ⭐⭐⭐⭐⭐ | 生产环境首选，兼容性最好 |
| Python 3.11 | ⭐⭐⭐⭐⭐ | 同样推荐，第三方包适配完整 |
| Python 3.12 | ⭐⭐⭐⭐ | 可正常使用 |
| Python 3.13 | ⭐⭐⭐ | 版本较新，部分小众集成包可能有适配延迟 |
如果你还没安装 Python，去官网 https://www.python.org/downloads/ 下载安装即可。安装时记得勾选 “Add Python to PATH”。
6.2 安装依赖包
打开终端（Windows 用 PowerShell 或 CMD），执行以下命令：
pip install langchain langchain-openai openai python-dotenv
如果下载速度较慢，使用国内清华镜像源：
pip install langchain langchain-openai openai python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple
各包的作用说明：
| 包名 | 作用 |
|---|---|
langchain |
LangChain 核心框架 |
langchain-openai |
LangChain 的 OpenAI 兼容模型集成 |
openai |
OpenAI 兼容 API 的 Python SDK |
python-dotenv |
读取 .env 配置文件 |
6.3 配置全局镜像源（可选但推荐）
如果你不想每次安装包都加 -i 参数，可以配置全局镜像。
Windows 操作方法：在用户目录 C:\Users\你的用户名 下新建 pip 文件夹，创建 pip.ini 文件，内容如下：
[global]
index-url = https://mirrors.aliyun.com/pypi/simple/
trusted-host = mirrors.aliyun.com
配置后，以后直接 pip install xxx 就会自动走阿里云镜像，速度快很多。
开发环境搭建步骤：
| 步骤 | 操作 | 说明 |
|---|---|---|
| 1 | 选择 Python 版本 | Python 3.10+ 均可 |
| 2 | 安装依赖包 | pip install langchain langchain-openai openai python-dotenv |
| 3 | 配置镜像源（可选但推荐） | 国内网络推荐使用清华/阿里云镜像 |
| 4 | 验证安装 | 运行测试脚本确认安装成功 |
依赖包说明：
langchain（核心框架）、langchain-openai（OpenAI 兼容接口）、openai（SDK）、python-dotenv（环境变量读取）
七、配置 DeepSeek API Key
7.1 获取 API Key
- 访问 DeepSeek 官网：https://www.deepseek.com/
- 注册账号并登录
- 在 API Keys 页面创建新的密钥
- 复制保存你的 API Key
7.2 创建 .env 文件
在你的项目根目录下创建 .env 文件，内容如下：
DEEPSEEK_API_KEY=你从DeepSeek官网获取的API Key
DEEPSEEK_BASE_URL=https://api.deepseek.com
安全提醒（重要！）：
- 不要把真实 API Key 写进代码里
- 不要把
.env文件提交到 Git 仓库- 创建
.gitignore文件，排除敏感文件：
.env
.venv/
__pycache__/
7.3 验证配置是否生效
创建一个测试文件 test_env.py：
import os
from dotenv import load_dotenv
load_dotenv()
api_key = os.getenv("DEEPSEEK_API_KEY")
base_url = os.getenv("DEEPSEEK_BASE_URL")
print(f"API Key: {api_key[:8]}..." if api_key else "API Key 未找到！")
print(f"Base URL: {base_url}" if base_url else "Base URL 未找到！")
运行后如果看到 API Key 的前几位和 Base URL，说明配置成功。
八、案例一：用原生 SDK 调用 DeepSeek
在正式使用 LangChain 之前，我们先用 OpenAI 兼容 SDK 直接调用一次 DeepSeek。这一步的目的是验证：API Key 对不对、网络通不通、模型能不能调通。
为什么要先做这一步？ 因为 LangChain 不是凭空调用模型的，它底层仍然需要模型服务。先用最简单的方式验证基础链路，出了问题更容易定位。
创建文件 01_openai_compatible.py：
import os
from dotenv import load_dotenv
from openai import OpenAI
# 1. 加载 .env 环境变量
load_dotenv()
# 2. 创建 OpenAI 客户端（指向 DeepSeek 的 API 地址）
client = OpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 3. 调用模型
response = client.chat.completions.create(
model="deepseek-v4-flash",
messages=[
{"role": "user", "content": "请用一句话介绍 LangChain 是什么"}
],
)
# 4. 打印模型的回答
print(response.choices[0].message.content)
运行：
python 01_openai_compatible.py
如果看到模型返回了一段关于 LangChain 的介绍，恭喜你！说明：
- API Key 正确
- 网络可以访问 DeepSeek
- 模型调用成功
注意区分：这里用的是原生
openaiPython SDK（不是 LangChain）。代码中的client.chat.completions只是客户端下的子模块，不要和 LangChain 的ChatOpenAI类混淆。
九、案例二：用 LangChain ChatOpenAI 调用
验证完基础链路后，我们换用 LangChain 的方式来调用模型。
创建文件 02_chatopenai.py：
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
# 1. 加载环境变量
load_dotenv()
# 2. 创建模型实例（使用 LangChain 的 ChatOpenAI 类）
model = ChatOpenAI(
model="deepseek-v4-flash",
temperature=0.7, # 控制输出随机性，0-1之间，值越大越随机
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url=os.getenv("DEEPSEEK_BASE_URL"),
)
# 3. 调用模型（invoke = 执行一次完整调用）
response = model.invoke("请解释LangChain模型接口的统一性。")
print(response.content)
# 4. 流式输出（stream = 一个字一个字地输出，体验更好）
print("\n--- 流式输出 ---")
for chunk in model.stream("请用一句话总结人工智能的意义："):
print(chunk.content, end="")
运行：
python 02_chatopenai.py
关于 temperature 参数
temperature 是大模型生成文本的核心超参数，控制输出的随机性和创造力，取值范围一般是 0 ~ 2：
| temperature 值 | 效果 | 适用场景 |
|---|---|---|
| 0 | 完全确定性，每次提问输出一模一样 | 代码、数学计算、事实问答、翻译 |
| 0 ~ 0.7 | 轻微随机，逻辑稳定 | 日常聊天、文案、总结（首选区间） |
| 0.7 ~ 1.0 | 创造力强，措辞更多变 | 故事、创意写作、头脑风暴 |
| > 1.0 | 随机性极高，容易逻辑混乱 | 极少使用 |
最佳实践：新项目一律只用
ChatOpenAI，老式 OpenAI 类已逐步废弃。
十、案例三：用 init_chat_model 统一初始化（推荐）
上面用 ChatOpenAI 的写法是 LangChain 早期版本的常见方式。虽然功能有效，但已不是官方推荐的最佳实践。
自 LangChain 0.2 起，官方推荐使用统一的工厂方法
init_chat_model来创建模型实例。这种方法在 LangChain 1.0 中继续得到支持和强化。
为什么推荐 init_chat_model？ 因为它统一了多家模型的加载接口——以后想换模型，只需改个参数，不用重写代码。
创建文件 03_langchain_init_chat_model.py：
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
# 1. 加载环境变量
load_dotenv()
# 2. 使用 init_chat_model 统一初始化模型
model = init_chat_model(
base_url=os.getenv("DEEPSEEK_BASE_URL"),
api_key=os.getenv("DEEPSEEK_API_KEY"),
model="deepseek-v4-flash",
temperature=0.7,
model_provider="openai" # 表示使用 OpenAI 兼容接口格式，不是用 OpenAI 的模型
)
# 3. 流式输出
for chunk in model.stream("什么是Deep Agent?"):
print(chunk.content, end="")
运行：
python 03_langchain_init_chat_model.py
关键参数说明
| 参数 | 说明 |
|---|---|
model |
模型名称，这里是 deepseek-v4-flash |
model_provider |
接口提供者，"openai" 表示按 OpenAI 兼容格式调用，不是说使用 OpenAI 模型 |
api_key |
API 密钥，从 .env 读取 |
base_url |
API 地址，DeepSeek 的地址是 https://api.deepseek.com |
temperature |
输出随机性，0~1 之间 |
invoke vs stream
| 方法 | 效果 | 适用场景 |
|---|---|---|
model.invoke("问题") |
执行一次完整调用，等全部生成完再返回 | 需要完整结果的场景 |
model.stream("问题") |
流式输出，一个字一个字地返回 | 聊天界面、提升用户体验 |
返回结果中，模型的回答内容在 response.content 属性里。
十一、案例四：打造你的第一个课程答疑助手
现在把前面学的组合起来，做一个实用的课程答疑助手。这个案例会用到 自定义 Prompt 来控制 AI 的回答风格。
创建文件 04_course_assistant.py：
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
# 1. 加载环境变量
load_dotenv()
# 2. 初始化模型（只写一次，后续复用）
model = init_chat_model(
base_url=os.getenv("DEEPSEEK_BASE_URL"),
api_key=os.getenv("DEEPSEEK_API_KEY"),
model="deepseek-v4-flash",
temperature=0.7,
model_provider="openai"
)
# 3. 定义 Prompt 生成函数（控制 AI 的回答风格和格式）
def get_prompt(question):
prompt = f"""
你是一名 LangChain 助教，
请使用最简洁的语言回答问题，要适合初学者。
回答问题的格式如下：
1、先说结果
2、举例子
3、不要超过200字
学生的问题是：{question}
"""
return prompt
# 4. 主循环：持续接收用户输入
if __name__ == '__main__':
question = input("请输入您的问题：")
# 流式输出，一个字一个字地打印
for word in model.stream(get_prompt(question)):
print(word.content, end="")
运行：
python 04_course_assistant.py
示例输入：
请输入您的问题：LangChain 和直接调用 DeepSeek API 有什么区别？
图：业务代码通过函数调用模型，Prompt 控制回答风格和输出要求。
这个案例的重点
- 模型初始化只写一次：在程序开头初始化好模型，后续所有调用复用同一个实例。
- Prompt 可以控制回答风格和输出要求：通过精心设计的提示词，让 AI 按你想要的格式和风格回答。后续章节会专门讲 Prompt 模板，这里先不展开。
十二、接入其他大模型（OpenAI / Qwen / 硅基流动）
掌握了 DeepSeek 的接入方式后，接入其他模型也是类似的思路。核心原则：先用 init_chat_model，报错就去社区找扩展包。
12.1 接入 OpenAI（通过 CloseAI 代理）
由于国内直接访问 OpenAI 服务可能不稳定，可以使用国内的 OpenAI 代理平台，例如 CloseAI。
CloseAI 官网：https://www.closeai-asia.com/
登录后在"秘钥管理"中创建个人密钥，确保密钥处于"启用中"状态。
注意事项：
- 这个平台需要提前充值，否则调用会失败（报 403 余额不足错误）
- 必须确保平台中有你调用的模型，否则会报错
- 国内访问海外服务可能不稳定，可尝试更换备用接口地址
代码示例：
from langchain_openai import ChatOpenAI
# 创建模型实例（通过 CloseAI 代理调用 OpenAI 模型）
model = ChatOpenAI(
model="gpt-4o-mini",
temperature=0.7,
api_key="你的CloseAI API Key", # 替换为你的密钥
base_url="https://api.openai-proxy.org/v1"
)
# 调用模型
response = model.invoke("请解释LangChain模型接口的统一性。")
print(response.content)
安全提醒：实际项目中请将 API Key 放在
.env文件中，不要硬编码在代码里！
12.2 接入通义千问 Qwen
阿里巴巴的 Qwen 系列模型是国内的优秀大模型，通过 DashScope 平台提供 API 服务。
开通链接：https://bailian.console.aliyun.com/
- 千问 Qwen：是大模型的名字
- 百炼：阿里云旗下的模型广场，里面有很多别家的模型
踩坑提示：如果你直接用 init_chat_model 并设置 model_provider="dashscope"，会报错：
ValueError: Unsupported model_provider='dashscope'.
原因：DashScope 平台尚未被 LangChain 官方纳入统一的模型注册体系。解决方案是使用社区扩展包。
安装依赖：
pip install -U dashscope
pip install langchain_community
代码示例：
from langchain_community.llms.tongyi import Tongyi
# 使用通义千问的社区适配器
model = Tongyi(
model="qwen-plus",
temperature=0.3,
api_key="你的百炼API Key" # 替换为你的密钥
)
# 流式输出
for chunk in model.stream("langchain有哪几部分组成"):
print(chunk, end="")
12.3 接入硅基流动 SiliconFlow
硅基流动是一个聚合平台，支持 DeepSeek、Qwen 等多种模型。
官网：https://www.siliconflow.cn/
在 .env 中添加：
SILICONFLOW_BASE_URL=https://api.siliconflow.cn/v1
SILICONFLOW_API_KEY=你的硅基流动API Key
代码示例：
import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
load_dotenv()
model = init_chat_model(
base_url=os.getenv("SILICONFLOW_BASE_URL"),
api_key=os.getenv("SILICONFLOW_API_KEY"),
model="deepseek-ai/DeepSeek-V4-Flash",
temperature=0.7,
model_provider="openai"
)
for chunk in model.stream("什么是Deep Agent?"):
print(chunk.content, end="")
12.4 模型接入的通用思路
不管接入什么模型，都可以按以下顺序处理：
第一步：首选 init_chat_model（统一接口，代码可移植性强）
↓ 如果报 "Unsupported model_provider" 错误
第二步：去社区找扩展包（如 langchain_community）
↓ 如果还有问题
第三步：检查版本兼容性（LangChain 扩展包与模型 SDK 版本需匹配）
其他模型不再逐一展开，都是用上面这种思路进行接入。
模型接入通用思路：
| 步骤 | 操作 | 结果 |
|---|---|---|
| 第一步 | 尝试 init_chat_model |
✅ 成功接入 / ❌ 不支持则继续 |
| 第二步 | 安装社区扩展包（如 langchain_community） |
✅ 解决 / ❌ 还有问题则继续 |
| 第三步 | 检查版本兼容性（LangChain 扩展包与模型 SDK 版本） | ✅ 调整版本后最终接入成功 |
十三、常见问题排查
Q1：API Key 没有生效
排查步骤：
- 检查
.env文件是否在项目根目录（不是子目录里） - 检查变量名是否拼写正确：
DEEPSEEK_API_KEY=你的DeepSeek API Key
DEEPSEEK_BASE_URL=https://api.deepseek.com
- 检查代码中是否调用了
load_dotenv()：
from dotenv import load_dotenv
load_dotenv() # 这行必须有！
Q2：下载依赖太慢
使用国内镜像源：
pip install langchain langchain-openai openai python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple
或配置全局镜像源（见第六章 6.3 节）。
Q3：访问模型失败
常见原因及排查：
| 可能原因 | 排查方法 |
|---|---|
| API Key 错误 | 去 DeepSeek 官网重新确认密钥 |
| 账户余额不足 | 登录官网查看余额，及时充值 |
| 网络无法访问 DeepSeek | 检查网络连接，尝试切换网络 |
| 公司网络代理限制 | 换用手机热点测试，或配置代理 |
| base URL 写错 | 确认使用的是 https://api.deepseek.com |
Q4：报错 “Unsupported model_provider”
说明 LangChain 还不认识这个模型提供者。解决方案：
- 安装对应的社区扩展包（如
pip install langchain_community） - 使用该模型的专用适配器类（如 Qwen 用
Tongyi类）
十四、本章总结
恭喜你读到这里！回顾一下本章掌握的核心知识点：
| 知识点 | 一句话回顾 |
|---|---|
| LangChain 是什么 | 用来组织大模型应用开发的框架，是大模型与应用之间的"中间层" |
| LangChain 生态 | LangChain（基础层）+ LangGraph（编排层）+ Deep Agent（执行框架）+ LangSmith（监控平台） |
| DeepSeek API | 兼容 OpenAI API 格式，替换三个参数即可调用 |
| 环境搭建 | Python 3.10+，安装 4 个核心包 |
| API Key 管理 | 放在 .env 文件中，不硬编码，不提交 Git |
| 模型初始化 | 推荐用 init_chat_model，统一接口 |
| 调用方式 | invoke() 一次性返回，stream() 流式输出 |
| temperature | 控制输出随机性，0 最确定，越大越随机 |
到这里，我们已经完成了 LangChain 的第一个可运行案例。后续章节会在此基础上，逐步加入 Prompt 模板、输出解析器、检索器、工具调用等组件，让你的智能体越来越强大。
本文基于 LangChain 1.0 版本，使用 DeepSeek 作为模型服务。
中国智能体开发者社区，聚焦智能体与大模型开发，提供前沿资讯、实用工具链、开源项目及行业案例。通过技术沙龙、开发者大赛等活动，促进经验交流与协作，助力开发者快速构建创新智能应用。
更多推荐
13
0- 0
已为社区贡献1条内容
所有评论(0)