---

0. 课程与环境说明（Notebook 开头信息）

• 这是《LangChain 1.0 入门实战》的 Part 2：各类模型接入 LangChain 流程

• 环境要求：

  • LangChain >= 1.0.0

  • Python >= 3.11

  • 若版本过低，建议用升级命令（示例）：

    pip install -U <包名>
    

---

1. LangChain 1.0 接入 DeepSeek 模型流程

这一节的核心：先验证 API 可用 → 再用 LangChain 封装调用 →（可选）读取推理链 reasoning_content。

1.1 安装 LangChain & 查看版本

• 安装（Notebook 中是注释写法）：

  pip install langchain
  

• 查看版本：

  import langchain
  langchain.__version__
  

---

1.2 准备 DeepSeek API Key（.env）

Notebook 的建议做法：

1. 在项目同级目录创建 .env 文件

2. 写入（示意）：

DEEPSEEK_API_KEY=你的key

Notebook 中用截图演示了创建 .env 文件与写入方式。

---

1.3 用 python-dotenv 加载 .env 到环境变量

安装依赖：

pip install python-dotenv

加载并读取：

import os
from dotenv import load_dotenv 
load_dotenv(override=True)

DeepSeek_API_KEY = os.getenv("DEEPSEEK_API_KEY")
# print(DeepSeek_API_KEY)  # 可以通过打印查看

---

1.4 不用 LangChain：先用 DeepSeek 的 OpenAI 风格接口测试连通性

目的：排除 Key/网络/base_url 等问题（确保能“直接打通”再谈 LangChain）

安装 OpenAI SDK：

pip install openai

调用测试代码（Notebook 原代码）：

from openai import OpenAI

# 初始化DeepSeek的API客户端
client = OpenAI(api_key=DeepSeek_API_KEY, base_url="https://api.deepseek.com")

# 调用DeepSeek的API，生成回答
response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "你是乐于助人的助手，请根据用户的问题给出回答"},
        {"role": "user", "content": "你好，请你介绍一下你自己。"},
    ],
)

# 打印模型最终的响应结果
print(response.choices[0].message.content)

✅ 如果能正常返回，说明：

• DEEPSEEK_API_KEY 有效

• 网络可访问 https://api.deepseek.com

• OpenAI SDK 版本/调用方式 OK

---

1.5 用 LangChain 接入 DeepSeek（langchain-deepseek）

安装 LangChain 的 DeepSeek 集成包：

pip install langchain-deepseek

初始化与调用（Notebook 原代码）：

from langchain_deepseek import ChatDeepSeek

model = ChatDeepSeek(model="deepseek-chat")

调用：

question = "你好，请你介绍一下你自己。"

result = model.invoke(question)
print(result.content)

1.5.1 invoke() 返回值是什么？

result 通常是一个消息对象（类似 AIMessage），常用字段：

• result.content：模型最终输出文本

• result.additional_kwargs：额外信息（不同模型/厂商会塞不同结构）

---

1.6 调用 deepseek-reasoner 并读取推理过程（reasoning_content）

切换模型为推理模型：

model = ChatDeepSeek(model="deepseek-reasoner")

result = model.invoke(question)
print(result.content)

查看完整对象与附加字段：

result
result.additional_kwargs
result.additional_kwargs['reasoning_content']

✅ 这一步的意义：

• result.content：最终“答复”

• result.additional_kwargs['reasoning_content']：推理链/思考过程（如果该模型与 SDK 返回了该字段）

注意：并非所有模型都提供推理内容；字段名也可能因厂商实现而不同。

---

1.7 “一键切模型”的核心思想（Notebook 文本说明）

Notebook 解释了一个重要观念：
LangChain 能支持很多模型（OpenAI / Qwen / Gemini 等），一般路径是：

1. 选定模型提供方

2. 安装对应集成包

3. 初始化对应 ChatXXX 类

4. 调用 invoke()

并提示：可在 LangChain 的 integrations 文档里查支持的模型与接入方式（Notebook 给了链接与截图）。

---

2. LangChain 1.0 接入 OpenAI 模型流程

核心：安装 langchain-openai + 配置 API KEY +（必要时）处理网络/代理/base_url。

2.1 安装集成包

pip install langchain-openai

2.2 配置 .env

Notebook 提示：在 .env 中写入 OpenAI 的 API Key（示意）：

OPENAI_API_KEY=你的key

2.3 初始化与调用（Notebook 原代码）

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-5-nano",base_url="https://ai.devtool.tech/proxy/v1")

question = "你好，请你介绍一下你自己。"

result = model.invoke(question)
print(result.content)

2.3.1 关键点：base_url 与网络环境

Notebook 的注释要点：

• 使用 OpenAI 模型需要设置好网络环境

• 或者使用代码中这种“国内反向代理地址”（base_url=...）

实际工程中：base_url 走第三方代理要格外注意安全与合规（key 的保护、日志、数据出境等）。

---

3. LangChain 1.0 接入 DashScope（阿里百炼）平台模型流程

这一节给了两条路线：

1. OpenAI 兼容模式（直接用 OpenAI SDK 调用 DashScope endpoint）

2. LangChain 内部集成（langchain_community 的 ChatTongyi）

---

3.1 DashScope / 百炼平台基本信息（Notebook 文本）

• DashScope（百炼）提供大量模型（含开源模型与在线商业模型）

• 需要注册阿里云账号并获取 API Key

• Notebook 强调：把 DASHSCOPE_API_KEY 写到本地 .env 文件中

---

3.2 路线 A：OpenAI 兼容模式调用（Notebook 原代码）

import os
from openai import OpenAI


client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

completion = client.chat.completions.create(
    # 模型列表：https://help.aliyun.com/zh/model-studio/getting-started/models
    model="qwen-plus",
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你是谁？"},
    ],
)
print(completion.model_dump_json())

✅ 这条路线的优点：

• 统一 OpenAI SDK 的调用方式（对接成本低）

• 便于把“不同厂商”包装成一致调用接口

---

3.3 路线 B：LangChain 接入 DashScope（ChatTongyi）

Notebook 给出的安装与调用顺序：

安装/升级 dashscope（清华源示例）：

pip install --upgrade dashscope -i https://pypi.tuna.tsinghua.edu.cn/simple

安装 langchain_community（清华源示例）：

pip install langchain_community -i https://pypi.tuna.tsinghua.edu.cn/simple

使用 ChatTongyi：

from langchain_community.chat_models.tongyi import ChatTongyi
model = ChatTongyi()

调用：

question = "你好，请你介绍一下你自己。"

result = model.invoke(question)
print(result.content)

说明：ChatTongyi() 默认会从环境变量/配置中读取 key；生产环境里建议用更明确的配置方式（如统一配置管理/密钥管理）。

---

4. LangChain 1.0 接入 Ollama 本地模型流程

核心：本地推理前提是 Ollama 已启动 + 本地已有模型，然后用 langchain-ollama 封装调用。

4.1 背景（Notebook 文本）

• 除了在线模型，也可以用本地推理框架：Ollama、vLLM 等

• Notebook 用 Ollama 演示

4.2 安装集成包

pip install langchain-ollama

4.3 初始化与调用（Notebook 原代码）

from langchain_ollama import ChatOllama

确保 Ollama 已开启，并确认模型名称（Notebook 用截图提示通过 ollama list 等方式查看）。

初始化：

model = ChatOllama(model="deepseek-r1")

调用：

question = "你好，请你介绍一下你自己。"

result = model.invoke(question)
print(result.content)

---

5. 通用接入套路总结（可当“Checklist”）

无论 DeepSeek / OpenAI / DashScope / Ollama，本 Notebook 体现的“最通用流程”基本是：

1. 安装对应集成包

   • DeepSeek：langchain-deepseek

   • OpenAI：langchain-openai

   • DashScope：dashscope + langchain_community（或 OpenAI 兼容模式）

   • Ollama：langchain-ollama

2. 准备鉴权信息

   • 在线模型：.env 写入 XXX_API_KEY，用 python-dotenv 加载

   • 本地模型：确保服务已启动，模型已下载且名称正确

3. 初始化 Chat Model

   • ChatDeepSeek(...)

   • ChatOpenAI(...)

   • ChatTongyi()

   • ChatOllama(...)

4. 调用

   • 统一用 invoke(prompt_or_messages) 获取结果

   • 读结果主要看：

     • result.content

     • result.additional_kwargs（可能含推理、token、工具调用等扩展信息）

---

6. Notebook 中提到的参考入口（按原文保留为代码块，避免“裸 URL”）

DeepSeek 平台（Notebook 文本中给出）：
https://platform.deepseek.com/usage

LangChain Chat Integrations（Notebook 文本中给出）：
https://python.langchain.com/docs/integrations/chat/

DashScope / 百炼（Notebook 文本中给出）：
https://bailian.console.aliyun.com/

LangChain OSS integrations（Notebook 文本中给出）：
https://docs.langchain.com/oss/python/integrations/chat