摘要： LangServe是LangChain官方推出的高性能服务框架，基于FastAPI构建，可一键将LangChain应用（如Agent、Chain）部署为RESTful API。通过add_routes自动生成接口与Swagger文档，支持同步调用（/invoke）和流式输出（/stream），同时保留FastAPI的灵活性，可添加认证（如Token验证）或自定义路由。适用于快速部署AI服务，尤其适合学生或开发者专注AI逻辑而无需手动封装接口。

前言

上一篇文章中，我们刚刚领略了 FastAPI 的高性能与优雅，学会了如何利用 Python 类型提示构建现代化的 Web 接口。

然而，在 AI 开发的道路上，我们不仅需要构建接口，更需要将复杂的 LangChain 应用（如 Agent、Chain）快速部署为生产环境可用的服务。如果手动编写 FastAPI 代码来封装每一个 Chain，不仅繁琐，还容易出错。

今天，就让我们进入 LangServe 的世界。它是 LangChain 官方推出的高性能服务框架，能够让我们仅用一行代码，就将本地的 LLM 应用转换为带有交互式文档的 RESTful API。

---

一、 核心回顾：从 FastAPI 到 LangServe

在上一章中，我们通过 FastAPI 手动构建了路由和 Pydantic 模型。虽然那能让我们深刻理解底层原理，但在实际开发中，LangChain 的组件（如 Chain、Agent）结构复杂，手动封装序列化逻辑是一项巨大的工程。

LangServe 的价值在于：

1. 自动化：它基于 FastAPI 构建，自动处理了输入/输出的序列化与反序列化。
2. 开箱即用：自动生成 Swagger UI 文档，原生支持流式输出（Streaming）。
3. 高性能：继承了 FastAPI 的异步特性，支持高并发。

简而言之，LangServe = LangChain + FastAPI + 自动化魔法。

---

二、 环境准备

LangServe 的安装非常简单，它是一个独立的 Python 包。如果你已经安装了 LangChain 和 FastAPI，只需要补充安装 langserve 即可。

pip install langserve

前置要求：

• Python 3.8+
• 已安装 FastAPI 和 Uvicorn（上一篇已安装）
• 已安装 LangChain 相关组件（如 OpenAI 等）

---

三、 核心实战：三步部署你的第一个 AI 服务

让我们通过一个简单的例子，看看如何将一个 LLMChain 直接变成 Web API。

1. 编写 main.py

这一步你会感到非常熟悉，因为我们直接复用了 FastAPI 的 App，但不需要手动写路由逻辑。

from fastapi import FastAPI
from langchain.prompts import PromptTemplate
from langchain_openai import OpenAI  # 请确保已安装 langchain_openai
from langchain.chains import LLMChain
from langserve import add_routes  # 核心导入

# --- 1. 定义你的 LangChain 组件 ---
prompt = PromptTemplate.from_template("请用通俗的语言解释：{topic}")
llm = OpenAI(temperature=0.7)
chain = LLMChain(llm=llm, prompt=prompt)

# --- 2. 创建 FastAPI 应用 ---
app = FastAPI(
    title="LangChain Server",
    version="1.0",
    description="使用 LangServe 部署的 AI 服务",
)

# --- 3. 关键一步：使用 add_routes 自动挂载 ---
# 这行代码会自动将 chain 挂载到 /rag 路径下，并生成所有端点
add_routes(app, chain, path="/rag")

# 启动命令：uvicorn main:app --reload

2. 运行服务

uvicorn main:app --reload

3. 零代码体验交互式文档

启动后，你不需要写任何 @app.get() 代码，直接访问 http://127.0.0.1:8000/docs。

你会发现，LangServe 已经根据你的 Chain 自动生成了 API 文档！你可以直接在网页上点击“Try it out”进行调试。

---

四、 深入理解：LangServe 自动创建的端点

LangServe 为每一个挂载的组件自动生成了两个核心端点，这与我们手动写 FastAPI 逻辑是一致的：

端点路径	功能	适用场景
/rag/invoke	同步调用	获取完整的最终结果（阻塞直到生成结束）
/rag/stream	流式输出	获取生成的 Token 流，适合构建类似 ChatGPT 的逐字输出体验

💡 流式调用的魅力：
在前端开发中，直接调用 /stream 接口，你可以实现文字像打字机一样逐个出现的效果，而不需要等待漫长的思考时间。

---

五、 进阶用法：添加安全认证与自定义路由

虽然 LangServe 帮我们省去了繁琐的路由编写，但它并没有限制我们对 FastAPI 的控制权。我们可以像操作普通 FastAPI 应用一样，添加中间件和依赖。

1. 添加 Token 认证

为了防止你的 API 被滥用，可以轻松添加依赖注入：

from fastapi import Depends, HTTPException
from fastapi.security import HTTPBearer

security = HTTPBearer()

def verify_token(credentials: HTTPBearer = Depends(security)):
    if credentials.credentials != "MySecretToken123":
        raise HTTPException(status_code=401, detail="Unauthorized")
    return credentials.credentials

# 在 add_routes 中传入 dependencies 参数
add_routes(
    app,
    chain,
    path="/secure-rag",
    # 这里的依赖会应用到 /secure-rag 下的所有子路径
    dependencies=[Depends(verify_token)]
)

2. 混合自定义路由

你依然可以在同一个文件中，既使用 LangServe 部署 AI 能力，又手动编写普通业务逻辑：

@app.get("/health")
async def health_check():
    return {"status": "ok"}

---

六、 总结

通过这篇文章，我们完成了从 LangChain 逻辑代码 到 生产级 API 服务 的跨越。

LangServe 的核心价值在于：

1. 极简开发：add_routes 一行代码解决了一切。
2. 类型安全：利用 Pydantic 确保了数据的完整性。
3. 无缝集成：它不是替代 FastAPI，而是 FastAPI 的强力插件。

对于大学生做毕设或大作业来说，LangServe 是完美的解决方案。它让你专注于核心的 AI 逻辑（Prompt Engineering、Chain 设计），而不用在后端繁琐的接口封装上浪费时间。