一、LangChain 到底是啥，为啥要学？

在介绍LangChain是啥前，我们把LangChain的应用场景进行梳理，让大家了解一下LangChain到底能干啥？利用 LangChain 框架，基于大语言模型（LLMs）可开发的各类端到端应用，具体场景如下：

1. 聊天机器人（Chatbots）

借助 LangChain ，能构建可与用户自然对话的机器人，适配 客服（自动答疑、解决问题）、娱乐（闲聊、故事互动 ）、教育（知识问答、学习陪伴 ） 等场景，让交互更智能、自然。

2. 文档分析和摘要（Document Analysis and Summarization）

针对海量文本（论文、报告、新闻等 ），自动 提取关键信息、总结核心内容 ，省得人工逐字阅读，快速抓住重点，适合信息筛选、知识整理场景。

3.知识库和问答系统（Knowledge Bases and Q&A Systems）

创建能够回答特定领域问题的智能问答系统。

4. 个人助理（Personal Assistants）

可开发智能助手，帮用户 管理日程（提醒会议、安排行程 ）、回答问题（知识查询、生活建议 ）、执行任务（自动发邮件、订外卖 ） ，像私人小管家，提升生活 / 工作效率。

5. 内容创作（Content Creation）

利用语言模型生成创意内容，比如写 文章（博客、资讯 ）、故事（小说片段、童话 ）、诗歌（抒情、叙事 ）、广告文案（产品推广、品牌宣传 ） ，为创作者提供灵感或直接产出素材。

6. 代码分析和生成（Code Analysis and Generation）

面向开发者，能 自动生成代码片段（比如写函数、接口 ）、做代码审查（找 Bug、优化逻辑 ）、给优化建议（提升性能、规范写法 ） ，辅助编程，降低开发成本。

7. 工作流自动化（Workflow Automation）

把日常重复任务 / 流程（数据填报、文件整理、流程审批触发 ）自动化，减少人工操作，加快流程速度 ，比如自动汇总日报、触发跨部门协作流程，提升职场效率。

8. 教育和学习辅助（Educational and Learning Aids）

可开发工具辅助教学 / 学习，比如 答疑辅导（解答学科问题 ）、知识点讲解（用通俗语言讲复杂概念 ）、模拟练习（生成练习题、批改反馈 ） ，当学习好帮手，适配课堂、自学场景。

9. 自定义搜索引擎（Custom Search Engines）

结合语言模型理解自然语言的能力，让搜索引擎能 “听懂” 人类提问（比如 “找 2025 年 AI 趋势相关资料” ），精准检索、返回结果 ，比传统关键词搜索更智能。

二、LangChain 介绍

LangChain 是一个开源框架，旨在帮助开发者使用大型语言模型（LLMs）和聊天模型构建端到端的应用程序。它提供了一套工具、组件和接口，以简化创建由些模型支持的应用程序的过程。LangChain 的核心概念包括组件（Components）、链（Chains）、模型输入 / 输出（Model I/O）、数据连接（Data Connection）、内存（Memory）和代理（Agents）等。

• 英文官方主站：LangChain 。

• 中文官网：LangChain中文网 - 跟着LangChain学AI开发 。

 

三、LangChain 学习

环境安装：

pip3 install openai
pip3 install langchain
pip3 install langchain-openai
pip3 install langchain-deepseek

1.调用DeepSeek大模型-【init_chat_model】方式

安装环境：

pip3 install langchain

利用init_chat_model 库调用 DeepSeek 模型代码如下：

from langchain.chat_models import init_chat_model
# 获取环境变量、操作文件路径等，这里主要用它来获取环境变量
import os
# 从环境变量中读取API KEY
api_key = os.getenv('DEEPSEEK_API_KEY')
base_url = "https://api.deepseek.com/"

model=init_chat_model(
    model='deepseek-chat',  # 指定使用的模型名称，需与平台支持的模型名匹配
    # 以下为传入 DeepSeek 模型需要的额外参数，比如 api_key、base_url 等
    api_key=api_key,
    base_url=base_url,
    temperature=0.8,  # 示例参数，控制生成文本的随机性
    max_tokens=512,  # 示例参数，控制生成文本的最大 token 数
)
print("mode:",type(model))
responses = model.invoke("中国的新能源汽车品牌有哪些？举三个最著名的，不用介绍")
print(responses.content)

DEEPSEEK_API_KEY 是DeepSeek的API key 可以到DeepSeek官网去创建：

第一步进入API开放平台

创建API key：

第二步创建API key

复制里面API key：

第三步复制里面key

 

第四步，需要查看自己的deepseek账户是有有余额，没有是会报错的

 

如果没有余额，会报“余额不足”的错误如下： openai. APIStatusError: Error code: 402 - {'error': {'message': 'Insufficient Balance', 'type': 'unknown_error', 'param': None, 'code': 'invalid_request_error'}}

最后一步，执行获取大模型结果：

 

2.调用DeepSeek大模型-【ChatOpenAI】方式

安装环境：

pip3 install langchain
pip3 install langchain-openai

使用langchain_openai库也可以调用deepSeek模型：

from langchain_openai import ChatOpenAI
import os

api_key = os.getenv('DEEPSEEK_API_KEY')
base_url = "https://api.deepseek.com/"
ll1= ChatOpenAI(
    model="deepseek-chat",
    api_key=api_key,
    base_url=base_url
)
print("type:",type(ll1))
responses =ll1.invoke("北京最著名的景点有哪些，举三个？不用具体介绍")
print(responses.content)

测试结果

ChatOpenAI默认调用openai大模型，但是可以指定调用模型，如果指定deepSeek，即可调用deepSeek模型。

3.调用DeepSeek大模型-【ChatDeepSeek】方式

langchain框架 为调用DeepSeek专门写的API，需要安装对应环境即：

pip3 install langchain-deepseek

代码：

from langchain_deepseek import ChatDeepSeek

llm1 = ChatDeepSeek(model="deepseek-chat")
print("type:",type(llm1))
result = llm1.invoke("北京最著名的CBD在哪，具体是哪个？不需要介绍")
print(result.content)

执行结果：

ok，到这里你已经学会了三种使用LangChain+DeepSeek搭建一个最基础的本地agent方法。