LangChain 环境搭建以及简单实践

一、用 Anaconda 配置环境

不懂什么是anaconda？
详见文章：https://www.moshiqiqian.top/post/f795ecf0.html

1. 环境导入命令汇总

本项目的 Python 环境已经导出为 environment-langchain_env.yml，直接用 conda 导入即可。

powershell

1
2
conda env create -f environment-langchain_env.yml
conda activate langchain_env

2. 该 yml 中关键包及用途

包名 用途
langchain LangChain 核心框架，提供链、提示词模板、输出解析器等基础组件
langchain-core LangChain 的核心抽象，被其他 LangChain 包依赖
langchain-openai OpenAI 适配器，提供 ChatOpenAI。兼容 OpenAI API 的服务（DeepSeek、通义千问等）都通过它调用
langchain-community 社区集成包，包含 PDF/Word/网页加载器、向量库适配器、第三方工具
langchain-text-splitters 文本分割器，LangChain 1.x 之后从主包拆出的独立包
langchain-classic 兼容包，存放 LangChain 1.x 移除的旧 API，例如旧版 AgentExecutor
langgraph LangChain 生态的工作流编排库，用于构建状态机、多节点、并行分支、循环 Agent
langsmith LangSmith SDK，负责把 LangChain / LangGraph 的调用过程上传到 LangSmith 平台
python-dotenv 从 .env 读取 API Key，避免密钥硬编码
faiss-cpu 本地向量索引，用于 RAG 检索
fastembed 本地嵌入模型，用于把 PDF 切块转成向量，无需调用远程 embedding 接口
pypdf PDF 解析，用于 RAG 读取 islr.pdf
ddgs DuckDuckGo 搜索，用于 Agent 联网查询
grandalf LangGraph 图形可视化辅助包
requests HTTP 客户端，被多数包依赖

二、文件夹中的操作

1. 创建项目文件夹

在桌面创建项目目录：

Plaintext

1
C:\Users\yurui\Desktop\LangChain

这个文件夹将存放所有项目代码和配置文件。

2. 创建 .env 配置文件

在 LangChain 文件夹中创建 .env 文件，内容如下：

代码段

1
2
OPENAI_API_KEY=***
OPENAI_API_BASE=https://api.deepseek.com/v1
  • 文件作用：
    • OPENAI_API_KEY：你的 DeepSeek API 密钥，用于身份认证
    • OPENAI_API_BASE：API 服务地址，DeepSeek 的接口地址
  • 重要： 文件名必须是 .env

3. 创建基础测试代码文件 (test.py)

在 LangChain 文件夹中创建 test.py 文件，写入以下代码测试基础大模型连通性：

Python

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 加载 .env 文件中的环境变量
load_dotenv()

# 初始化 DeepSeek 大模型
llm = ChatOpenAI(
    model="deepseek-chat",                      # DeepSeek 模型名称
    temperature=0.7,                            # 控制回答的随机性
    api_key=os.getenv("OPENAI_API_KEY"),        # 从 .env 读取 Key
    base_url=os.getenv("OPENAI_API_BASE"),      # 从 .env 读取 API 地址
)

# 调用模型
response = llm.invoke("用一句话介绍什么是LangChain")
print(response.content)

会得到以下结果：
image

4. 创建 LangGraph 工作流测试文件 (graph_test.py)

在 LangChain 文件夹中创建 graph_test.py 文件，体验用 LangGraph 编排一个最简单的状态图工作流：

Python

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
import os
from typing import TypedDict
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END

# 加载环境变量
load_dotenv()

# 初始化大模型
llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0.7,
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
)

# 定义 LangGraph 的状态结构 (State)
class State(TypedDict):
    message: str
    response: str

# 定义一个处理节点：调用大模型
def call_model(state: State):
    res = llm.invoke(state["message"])
    return {"response": res.content}

# 构建 LangGraph 工作流图
workflow = StateGraph(State)

# 添加节点
workflow.add_node("model_node", call_model)

# 设置流向：从开始 -> 进入模型节点 -> 结束
workflow.add_edge(START, "model_node")
workflow.add_edge("model_node", END)

# 编译工作流
app = workflow.compile()

# 运行 LangGraph 应用
result = app.invoke({"message": "用一句话介绍什么是LangGraph"})
print("LangGraph 运行结果：")
print(result["response"])

得到以下结果
image

进入最下面的网址可以查看自己的相关的逻辑。