LangChain概述与环境准备

该系列其他文档请查看：《LangChain 文章导读》

1、为什么需要 LangChain

1.1 开发者面临的现实痛点

在大语言模型（LLM）如 ChatGPT、Claude、DeepSeek 等快速发展的今天，开发者不仅希望能"使用"这些模型，还希望能将它们灵活集成到自己的应用中。但真正动手开发时，会发现事情远没有那么简单：

每一项单独做都不算太难，但当它们组合在一起时，你会发现自己80%的时间都花在了重复造轮子上，而不是业务逻辑本身。

1.2 有了API还不够吗？

不使用LangChain，确实可以直接调用模型API完成开发。下面用一个最简单的例子看看区别：

方式一：直接调用OpenAI API

import openai

# 需要自己管理对话历史、解析输出、处理工具调用……
response = openai.chat.completions.create(
    model="gpt-4",
    messages=[{"role": "user", "content": "你好"}]
)
print(response.choices[0].message.content)

方式二：使用LangChain

from langchain_openai import ChatOpenAI

# 统一接口，支持流式、批处理、异步，换模型只改一行
llm = ChatOpenAI(model="gpt-4")
response = llm.invoke("你好")
print(response.content)

这只是最简单的调用，差距还不明显。但一旦你需要加上记忆、工具调用、RAG、结构化输出，直接用API的代码量会呈指数增长，而LangChain始终保持简洁统一的写法。

1.3 LangChain到底帮你省了什么

一句话总结：LangChain 让你把精力从"怎么调API"转移到"怎么做产品"上。

2、什么是 LangChain

2.1 定义与背景

带着上面的痛点，我们来认识解决方案——

LangChain 是2022年10月由哈佛大学的 Harrison Chase（哈里森·蔡斯）发起研发的开源框架，用于开发由大语言模型（LLMs）驱动的应用程序。

官方定义：LangChain 是构建由大语言模型驱动的应用程序的最简单方式。只需不到10行代码，即可连接OpenAI、Anthropic、Google等多种模型。LangChain提供了预构建的Agent架构和模型集成，帮助快速将LLM无缝集成到Agent和应用中。

历史背景：LangChain 的发布（2022年10月）比ChatGPT问世（2022年11月）还要早一个月，从这个启动日期也可以看出创始人的眼光，占了先机的它迅速获得广泛关注和支持！目前LangChain已成为大模型应用开发领域最流行的框架之一。

2.2 LangChain 能做什么

回顾第1节中的那些痛点，LangChain 对每一项都提供了开箱即用的解决方案：

2.3 LangChain 生态全景：LangChain vs LangGraph vs Deep Agents

LangChain 并不是一个孤立的库，它背后是一个三层架构的完整生态。这三层并非互相竞争，而是从底层到高层、层层构建的关系。官方分别称之为：Agent 运行时（Runtime）、Agent 框架（Framework）、Agent 套件（Harness）。

一句话理解层级关系

Deep Agents（套件）  ── 建立在 ──▶  LangChain（框架）  ── 建立在 ──▶  LangGraph（运行时）
    自动驾驶汽车                        汽 车                           发 动 机
  "给目的地就出发"                 "自己组装零件开车"                "自己造引擎、画电路"

三者详细对比

如何选择？

你的需求是什么？
│
├─ "我想快速搞一个能干活的智能体，不想操心架构"
│   └──▶ 用 Deep Agents（几行代码，开箱即用）
│
├─ "我需要自定义提示词、工具链、RAG流程，灵活组装"
│   └──▶ 用 LangChain（核心框架，灵活 + 生态丰富）   ← 本课程重点
│
└─ "我要精确控制每一步、需要审批节点/回滚/人工审核"
    └──▶ 用 LangGraph（企业级编排，控制力最强）

代码风格对比

LangGraph — 手动定义图结构（控制力最强）：

from langgraph.graph import StateGraph

graph = StateGraph(State)
graph.add_node("research", research_node)
graph.add_node("write", write_node)
graph.add_edge("research", "write")     # 每一步流转都你说了算
app = graph.compile()

LangChain — 使用框架抽象（灵活 + 标准化）：

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent

llm = ChatOpenAI(model="gpt-4")
agent = create_agent(llm, tools=[search, calculator])
agent.invoke({"messages": [{"role": "user", "content": "..."}]})

Deep Agents — 开箱即用（最省心）：

from deepagents import create_deep_agent

agent = create_deep_agent(
    model="openai:gpt-4",
    tools=[search],
    system_prompt="You are a research assistant"
)
agent.invoke({"messages": [{"role": "user", "content": "..."}]})

重要提示：三者层层构建——Deep Agents 建立在 LangChain 之上，LangChain 又建立在 LangGraph 之上。无需了解 LangGraph 即可使用 LangChain 的基础功能，随着项目复杂度增长，可以随时向下钻一层获得更多控制权。本课程以 LangChain 为主线展开教学。

2.4 相关资源

• GitHub地址：https://github.com/langchain-ai/langchain
• 官网地址：https://www.langchain.com/
• 官方文档：https://docs.langchain.com/
• API 文档：https://reference.langchain.com/python/langchain/

3、LangChain 核心架构总览

前两节我们知道了"为什么需要 LangChain"以及"它是什么"。在动手写代码之前，先花两分钟建立一个全局视角——LangChain 内部到底有哪些模块、它们之间是什么关系。

注意：本节只做"地图"，不做"导游"。每个模块的详细用法和代码实战将在后续对应课件中展开。

3.1 架构分层图

3.2 三层模块速览

基础层 — "用什么说话"

这一层定义了 LangChain 与模型之间的通信协议，是所有上层功能的地基。

能力层 — "怎么做"

这一层提供了模型之上的核心能力组件，每个组件独立可用，也可自由组合。

应用层 — "做什么"

这一层是面向业务场景的顶层模块，组合下面两层的能力来解决实际问题。

3.3 模块间的协作关系

用一个实际场景来理解这些模块如何配合——"基于公司内部文档的智能问答机器人"：

用户提问："我们公司的年假政策是什么？"
    │
    ▼
 Prompts        ← 将用户问题嵌入提示词模板
    │
    ▼
 Retrieval      ← 从向量数据库检索相关文档片段
    │
    ▼
 Models         ← 将问题 + 检索结果发送给LLM
    │
    ▼
 Structured     ← 要求模型按指定JSON格式返回
 Output
    │
    ▼
 Memory         ← 将本轮问答存入记忆，支持追问

当你需要模型在回答过程中自主决定是否检索、何时调用工具时，就把上面这条链交给 Agent 来编排——Agent 会根据模型的推理结果动态决定下一步。

学习建议：不需要现在记住每个模块的细节。后续课件会按照 Model I/O → Prompts → Chains → Memory → Tools → RAG → Agents → LangGraph 的顺序逐一深入，每个模块都有独立的代码实战。

4、环境准备

4.1 基本要求

本课程需要新建虚拟环境，Python 版本为 3.10+。

4.2 conda、uv、pip、venv 到底是什么关系？

在正式搭建环境之前，先花一分钟理清这几个工具的关系——很多同学在这里被绕晕。

1、 内建的模块 不需要你手动的安装，只要你有python 的sdk 可以。 time /os...

2、第三方的模块，需要手动的安装（用什么 安装什么...可控） lanchain/langchain-deepseek/langchain-openai/langchain-an...

3、自己的模块，不需要手动安装，只需要引入就可以。 app.a.py from app.a import

开发 Python 项目，你需要解决两个问题：① 环境隔离（不同项目用不同的 Python 版本和依赖，互不干扰）和 ② 包安装（把 numpy、langchain 这些库装进来）。市面上的工具就是围绕这两件事做的，只不过各自覆盖的范围不同：

简单说：venv + pip 是 Python 自带的"原始组合"，能用但体验一般；conda 是"什么都管的瑞士军刀"，功能全但体积大、速度慢；uv 是"新一代替代品"，速度极快、功能覆盖 venv + pip 的全部能力，还能管理 Python 版本。

本课程为什么选 uv 而不是 conda？

结论：LangChain 的所有包都在 PyPI 上，不需要 conda 仓库。uv 在速度、依赖管理、环境复现上全面优于 conda。本课程统一使用 uv，不再需要 conda/pip/venv。

什么时候还需要 conda？ 如果你做深度学习项目，需要安装 CUDA、cuDNN 等非 Python 的 C/C++ 库，conda 仍然有价值。但这不在本课程范围内，遇到时再单独处理即可。

4.3 LangChain 包结构

在安装之前，先了解一下 LangChain 的包是怎么组织的——它不是一个"大而全"的单一包，而是按职责拆分成多个小包，按需安装：

原则：只安装你用到的包。uv 的依赖解析很快，随时 uv add 新包即可，不用一次装全。

4.4 安装 uv

# Windows（PowerShell）
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

安装完成后验证：

uv --version

也可以用 pip install uv 快速安装，但推荐上面的官方方式（更快、不依赖已有 Python）。

4.5 创建项目环境并安装 LangChain

# 1. 创建项目目录
mkdir langchain-course && cd langchain-course

# 2. 用 uv 初始化项目（自动创建虚拟环境 + pyproject.toml）
uv init

# 3. 指定 Python 版本（推荐 3.12）
uv python pin 3.12

# 4. 安装 LangChain 核心包
uv add langchain

# 5. 按需安装模型提供商集成（选你要用的）
uv add langchain-openai           # OpenAI（GPT-4 等）
uv add langchain-anthropic        # Anthropic（Claude 系列）
uv add langchain-google-genai     # Google Gemini
uv add langchain-deepseek         # DeepSeek
uv add langchain-ollama           # Ollama 本地模型

# 6. 按需安装功能扩展包
uv add langchain-chroma           # Chroma 向量数据库
uv add python-dotenv              # .env 环境变量加载

为什么用 uv add 而不是 uv pip install？ uv add 会自动将依赖写入 pyproject.toml 并生成 uv.lock 锁文件，方便团队协作和环境复现。uv pip install 也能用，但不会记录依赖关系。

4.6 理解项目文件：pyproject.toml 和 uv.lock

执行完上面的命令后，你会发现项目目录里多出了几个文件：

langchain-course/
├── .venv/              # 虚拟环境（uv 自动创建）
├── pyproject.toml      # 项目配置 + 依赖清单（你手动管理）
├── uv.lock             # 依赖锁文件（uv 自动生成）
└── main.py             # 入口文件

这三个东西各自的角色，用一个比喻来理解：

pyproject.toml          uv.lock                 .venv/
  "购物清单"              "收银小票"               "冰箱"
你写的：我要牛奶≥3瓶    uv算的：牛奶3.2瓶        实际安装的包
                        酸奶1.1瓶（牛奶的依赖）
                        糖0.5袋（酸奶的依赖）

  你手动管理              uv 自动生成              uv 自动安装
  ✅ 提交到 git           ✅ 提交到 git            ❌ 不提交（加进 .gitignore）

pyproject.toml — "我需要什么"

这是项目的配置文件，记录了项目名称、Python 版本要求、以及你手动安装的依赖列表。每次执行 uv add langchain 时，uv 就往这个文件的 dependencies 里加一条记录：

[project]
name = "langchain-demo"
version = "0.1.0"
requires-python = ">=3.10"
dependencies = [
    "langchain>=1.2.15",
    "langchain-openai>=1.1.15",
    "langchain-anthropic>=1.4.1",
    "langchain-ollama>=1.1.0",
    "openai>=2.32.0",
    "python-dotenv>=1.1.0",
    "notebook>=7.5.5",
]

版本号后面的 >=1.2.15 表示"至少要这个版本"，是一个宽松的约束。你不需要手动编辑这个文件，uv add / uv remove 会自动维护它。

uv.lock — "我实际装了什么"

这是 uv 自动生成的锁文件，记录了每个包及其所有间接依赖的精确版本号。你永远不需要手动编辑它。

它解决的核心问题是可复现性——把 pyproject.toml 和 uv.lock 发给同事，同事执行一条命令就能得到和你完全一致的环境：

# 同事拿到你的项目后，一条命令还原环境
uv sync

不会再出现"在我电脑上能跑、在你电脑上报错"的问题。

常见小坑：python-dotenv 和 dotenv 是两个不同的包。代码里 from dotenv import load_dotenv 实际依赖的是 python-dotenv。如果你不小心装成了 dotenv，用以下命令修正：

uv remove dotenv
uv add python-dotenv

4.7 验证安装

# 在项目目录下运行
uv run python -c "import langchain; print(langchain.__version__)"

或进入 Python 交互环境：

import langchain
print(langchain.__version__)  # 应显示版本号

4.8 常用大模型服务平台

LangChain 的核心优势之一是模型无关性——切换模型只需改一行配置。但前提是你得有一个能用的 API。下面按使用场景整理了主流平台，帮你快速找到适合自己的方案。

海外模型官方平台（需科学上网 + 海外支付）

国内代理/中转平台（国内直连、支付宝付费）

如果你没有海外支付手段，或者网络环境不方便直连，可以使用以下代理平台。它们提供与官方完全兼容的 API 接口，只需替换 base_url 即可，代码无需任何修改：

本课程推荐：使用 CloseAI 作为代理平台。注册后用支付宝充值即可获取 API Key，base_url 设置为 https://api.closeai-asia.com/v1，其余代码与直连 OpenAI 完全一致。

国产模型平台（国内直连、部分有免费额度）

如何选择？

你的情况是？
│
├─ 有科学上网 + 海外信用卡
│   └──▶ 直连 OpenAI / Anthropic 官方（延迟最低、最稳定）
│
├─ 国内网络 + 只有支付宝
│   └──▶ CloseAI 代理（本课程推荐方案，改一行 base_url 搞定）
│
├─ 想省钱 / 学习用途
│   └──▶ DeepSeek（超便宜）或 硅基流动（有免费额度）
│
└─ 想用国产模型
    └──▶ 阿里云百炼（Qwen）或 智谱AI（GLM）

4.9 配置环境变量

使用时只需要注册、充值并创建API-Key，之后即可使用API-Key与BASE_URL来调用平台提供的相应的模型的服务。

通过.env文件配置

适用于实际项目当中：

1. 在项目根目录中创建.env文件
2. 添加环境变量（以OPENAI_BASE_URL和OPENAI_API_KEY为例）：

# OpenAI配置（使用CloseAI代理）
OPENAI_API_KEY=sk-your-api-key
OPENAI_BASE_URL=https://api.closeai-asia.com/v1

# Anthropic配置（可选）
ANTHROPIC_API_KEY=sk-ant-your-api-key

# DeepSeek配置（可选）
DEEPSEEK_API_KEY=sk-your-deepseek-key

1. 在代码中读取环境变量：

# pip install python-dotenv
from dotenv import load_dotenv
import os

# 加载.env文件
load_dotenv()

# 读取环境变量
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
print(api_key)

注意：不要将.env放在git管理目录当中，避免数据泄露。建议将.env添加到.gitignore文件中。

通过Windows全局环境变量配置

适用于学习环境下，经常需要使用到的某些环境变量。

本课程当中，会将部分环境变量，通过Windows做全局配置，避免重复执行load_dotenv操作。

设置步骤：

1. 右键"此电脑" → "属性" → "高级系统设置"
2. 点击"环境变量"
3. 在"用户变量"中新建：
   • 变量名：OPENAI_API_KEY
   • 变量值：你的API密钥

在代码中使用环境变量

import os
from langchain_openai import ChatOpenAI

# 从环境变量读取配置
llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

5、快速上手：第一个LangChain程序

在开始深入学习之前，让我们创建一个简单的Agent来感受LangChain的强大！

1. 简单的模型调用

# pip install langchain-openai
import os
from langchain_openai import ChatOpenAI

# 创建模型实例（确保已设置环境变量）
llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
)

# 调用模型
response = llm.invoke("你好，请用一句话介绍Python")
print(response.content)

6、课程预览

接下来我们将深入学习以下内容：

第一部分：基础篇

第二部分：进阶篇

第三部分：高级篇

学习路径建议

入门 → Model I/O → Prompts → Chains
                    ↓
进阶 → Memory → Tools → RAG
                    ↓
高级 → Agents → LangGraph → 部署

推荐学习资源

• 官方文档：https://docs.langchain.com/
• LangSmith：https://www.langchain.com/langsmith（调试追踪）
• GitHub仓库：https://github.com/langchain-ai/langchain
• 示例库：https://github.com/langchain-ai/langgraph/tree/main/examples
• LangChain Academy：官方教程和课程

让我们开始LangChain的学习之旅！