LangChain 环境搭建 – Prayer#的小窝

环境要求

Python
- 最低版本：3.10
pip
- 最低版本：220.
操作系统：macOS / Linux / Windows 均可

检查python版本：

 python --version

安装 LangChain

LangChain 采用模块化设计，核心功能和第三方集成分开安装。

安装核心包：

 pip install langchain

这个命令会安装 langchain 主包，它包含了 init_chat_model()、create_agent() 等核心 API，同时会自动安装 langchain-core 作为依赖。

安装模型提供商包

LangChain 本身不包含记忆体的模型实现，需要根据使用的模型安装对应的提供商包

#OpenAI：GPT-4、GPT-5 等
pip install langchain-openai

#Anthropic：Claude 系列
pip install langchain-anthropic

#DeepSeek：DeepSeek-V3、R1 等
pip install langchain-deepseek

#Google：Gemini 系列
pip install langchain-google-genai

#Ollama：Llama、Qwen 等本地模型
pip install langchain-ollama

#xAI：Grok 系列
pip install langchain-xai

配置 API Key

获取 API Key

以 OpenAI 为例，你需要先注册账号并获取 API Key：

访问 https://platform.openai.com 注册或登录
进入 API Keys 页面，点击 “Create new secret key”
复制生成的 Key（格式为 sk-xxxxxxxx）

设置环境变量

推荐使用 .env 文件管理 API Key。在项目根目录创建 .env 文件：

# 文件路径：.env
# 填入你的 API Key
OPENAI_API_KEY=sk-your-api-key-here

# 如果使用其他模型，也在这里配置
# ANTHROPIC_API_KEY=sk-ant-your-key
# DEEPSEEK_API_KEY=sk-your-key

然后创建 .gitignore 文件，确保 .env 不会被提交：

# .gitignore
.env
__pycache__/
*.pyc

通常推荐使用 python-dotenv 来读取当前目录中的 .env 配置文件。

pip install python-dotenv

在代码中加载

# 文件路径：config.py
# 在程序开头加载 .env 文件
import os
from dotenv import load_dotenv

# 加载 .env 文件中的环境变量
load_dotenv()

# 验证 API Key 是否加载成功
api_key = os.getenv("OPENAI_API_KEY")
if api_key:
    # 只显示前8位和后4位，避免泄露完整 Key
    print(f"API Key 已加载: {api_key[:8]}...{api_key[-4:]}")
else:
    print("警告：未找到 OPENAI_API_KEY，请检查 .env 文件")

验证安装

运行以下脚本验证安装是否成功：

# 文件路径：verify_install.py
# 验证 LangChain 安装和 API Key 配置
from dotenv import load_dotenv
load_dotenv()

# 测试 1：验证 langchain 导入
try:
    import langchain
    print(f"langchain 版本: {langchain.__version__}")
except ImportError:
    print("错误：langchain 未安装，请运行 pip install langchain")

# 测试 2：验证 langchain-openai 导入
try:
    import langchain_openai
    print("langchain-openai 已安装")
except ImportError:
    print("错误：langchain-openai 未安装，请运行 pip install langchain-openai")

# 测试 3：验证 API Key 配置
import os
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    print("错误：OPENAI_API_KEY 未配置，请在 .env 文件中设置")
else:
    print(f"API Key 配置成功: {api_key[:8]}...{api_key[-4:]}")

# 测试 4：发送一条测试请求
from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-4o-mini")
response = model.invoke("用一句话介绍菜鸟教程（RUNOOB）")
print(f"\n模型回复: {response.content}")

运行结果：

langchain 版本: 1.3.0
langchain-openai 已安装
API Key 配置成功: sk-proj-z...xxxx
模型回复: 菜鸟教程（RUNOOB）是一个面向编程初学者的中文技术学习平台。

初始化模型

安装完成后，可以通过 ChatDeepSeek 初始化模型：

import os

from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

# 加载 .env
load_dotenv()

# 获取 API KEY
api_key = os.getenv("DEEPSEEK_API_KEY")

# 创建模型
llm = ChatDeepSeek(
    api_key=api_key,  #设置你申请的 API key，例如 "sk-xxx"
    model="deepseek-v4-flash",  #指定模型名称，例如 deepseek-v4-flash
    temperature=0,  #控制随机性，越低结果越稳定
    max_tokens=None,  #限制生成最大 Token 数量
    timeout=None,  #请求超时时间
    max_retries=2  #失败后的最大重试次数
)

# 调用模型
response = llm.invoke("你好，请介绍 LangChain")

print(response.content)

也可以用init_chat_model()函数来调用模型：

import os

from dotenv import load_dotenv

# 加载当前目录 .env 文件
load_dotenv()
from langchain.chat_models import init_chat_model

# 指定了 model，返回固定模型
model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("介绍菜鸟教程 RUNOOB")
print(response.content)

LangChain完整测试实例（以DeepSeek 为例）

下面演示一个完整可运行的 LangChain + DeepSeek 示例：

from langchain_deepseek import ChatDeepSeek
from langchain_core.messages import HumanMessage, SystemMessage

# =========================
# 配置 DeepSeek API Key
# =========================

apiKey = "sk-xxx" # 设置你的 DeepSeek API Key

# =========================
# 创建 DeepSeek 模型
# =========================

llm = ChatDeepSeek(
    api_key=apiKey,
    model="deepseek-v4-flash",
    temperature=0.7,
    max_tokens=1024,
    timeout=60,
    max_retries=3
)

# =========================
# 构造聊天消息
# =========================

messages = [
    SystemMessage(
        content="你是一名专业 Python 教师。"
    ),

    HumanMessage(
        content="请解释什么是 LangChain，并给出简单示例。"
    )
]

# =========================
# 调用模型
# =========================

response = llm.invoke(messages)

# =========================
# 输出结果
# =========================

print("AI 回复：")
print(response.content)

在终端执行：

python test.py

输出如下：

代码说明：

ChatDeepSeek：LangChain 的 DeepSeek 聊天模型类

SystemMessage：系统提示词，用于设定 AI 身份

HumanMessage：用户输入消息

llm.invoke()：调用 DeepSeek 模型

response.content：获取 AI 返回内容