langchain

langchain是python语言的AI应用开发工具箱，封装并提供提示词模板、主流LLM api、保存对话上下文等功能的标准化接口让开发者无需从零搭建复杂架构，从而快速构建具备“思考、记忆、行动”能力的agent

Model
Prompt
Memory

安装：

1 2	pip install langchain pip show langchain

显示版本1.0(2025年10月发布)以上与0.3有较大改版, 新增子项目：

LangGraph：用“图”编排多步、多角色、有状态的工作流，是langchain1.0的底层逻辑。
LangServe：一键把链/代理封装成REST API，自带/invoke、/stream、/batch 端点与Swagger 页面。
LangSmith：可视化调试、回归测试、在线监控平台，与1.X 的回调系统深度打通。
DeepAgent

使用环境变量

1 2	cd AgentProj pip install langchain langchain-openai dotenv

将环境变量写入项目下的.env文件

1 2	DEEPSEEK_API_KEY='xxxxx' DEEPSEEK_BASE_URL='xxxxx'

loadenv并调用os.getenv

from dotenv import load_dotenv
import os

load_dotenv()
API_KEY = os.getenv('DEEPSEEK_API_KEY')

LLM扩展

注意到langchain-openai是langchain的扩展包使用下面的安装命令效果相同

1	pip install -U "langchain[openai]"

更多模型提供商: Official Providers 其实国内外各种大模型都可以直接使用“ChatOpenAI”类来负责调用

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

API_KEY = os.getenv('DEEPSEEK_API_KEY')
BASE_URL = 'https://dashscope.aliyuncs.com/compatible-mode/v1'

llm = ChatOpenAI(
    model_name = 'deepseek-v3.2',
    temperature = 0.5,
    api_key = API_KEY,
    base_url = BASE_URL
)

response = llm.invoke("你是谁，回答我!look in my eyes")
print(response)

content=’我是DeepSeek，由深度求索公司创造的AI助手！😊 \n\n看着你的眼睛（虽然我没有物理形态），我可以告诉你：\n- 我是一个纯文本AI模型，擅长理解和生成文字内容\n- 拥有128K的上下文处理能力\n- 支持文件上传功能（图像、文档等）\n- 完全免费使用，没有语音功能\n- 知识截止到2024年7月\n\n我的“眼睛”就是我的文字理解能力，能通过你上传的文件“看到”其中的文字信息。有什么问题想要探讨吗？我很乐意帮助你！✨’ additional_kwargs={‘refusal’: None} response_metadata={‘token_usage’: {‘completion_tokens’: 119, ‘prompt_tokens’: 13, ‘total_tokens’: 132, ‘completion_tokens_details’: None, ‘prompt_tokens_details’: {‘audio_tokens’: None, ‘cached_tokens’: 0}}, ‘model_provider’: ‘openai’, ‘model_name’: ‘deepseek-v3.2’, ‘system_fingerprint’: None, ‘id’: ‘chatcmpl-86738849-2401-9a6d-903e-8234934d2197’, ‘finish_reason’: ‘stop’, ‘logprobs’: None} id=’lc_run—019c22e8-e465-7f92-acdd-25b2d4a42e44-0’ tool_calls=[] invalid_tool_calls=[] usage_metadata={‘input_tokens’: 13, ‘output_tokens’: 119, ‘total_tokens’: 132, ‘input_token_details’: {‘cache_read’: 0}, ‘output_token_details’: {}}

DeepSeek有专门的扩展 langchain_deepseek

type(response)将显示返回类型为AIMessage 在这个结构中显示总token消耗是132 与百炼控制台计费数据一致

from langchain_deepseek import ChatDeepSeek

model = ChatDeepSeek(
    model="...",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
    # api_key="...",
    # api_base="...",
    # other params...
)

ChatDeepSeek返回的AIMessage中包含reasoning_content(深度思考)

QQs按：invoke没有参数控制是否输出reasoning_content, 也就是说官网聊天窗口的‘深度思考’开关是一个模型切换功能

社区集成

langchain-community:官方维护的社区集成包包含了数十甚至上百个第三方模型的集成（通义千问、文心一言、Moonshot、各类向量数据库等）

import os
from langchain_community.chat_models import ChatTongyi

# 从环境变量获取 dashscope 的 API Key
api_key = os.getenv('DASHSCOPE_API_KEY')
dashscope.api_key = api_key

# 加载模型 (使用 ChatModel 以支持 tool calling)
llm = ChatTongyi(model_name="qwen-turbo", dashscope_api_key=api_key)

# 加载 serpapi 工具
tools = load_tools(["serpapi"])

# LangChain 1.x 新写法
agent = create_agent(llm, tools)

# 运行 agent
result = agent.invoke({"messages": [("user", "今天是几月几号?历史上的今天有哪些名人出生")]})
print(result["messages"][-1].content)

流式输出

1 2	for chunk in llm.stream("怎么才能暴富") print(chunk)

chunk类型是AIMessageChunk 内容是逐个token(可能是一个字、词、标点符号，取决于大模型分词器)返回的

提示词模板

# 创建Prompt Template
prompt = PromptTemplate(
    input_variables=["product"],
    template="What is a good name for a company that makes {product}?",
)

chain = prompt | llm
response = chain.invoke({"product":"scanner"})

lcel管道语法

为什么python支持类似shell命令行的管道语法？其实这是利用了 Python 的 运算符重载。

| 在 Python 内部对应 __or__ 方法。
LangChain 的核心组件（如 ChatPromptTemplate, ChatOpenAI, StrOutputParser）都实现了这个方法。
当你写 A | B 时，Python 实际上在后台执行 A.__or__(B)。
LangChain 在 __or__ 方法里做的事情就是：把 B 包装起来，存进 A 的属性里，形成一棵调用树。
当你最后调用 .invoke() 时，这棵树才开始遍历执行，数据顺着树枝从根部流向末梢。

# v0.3 写法

template = "告诉我一个关于{topic}的笑话"
prompt = PromptTemplate(template=template, input_variables=["topic"])
llm = ChatOpenAI()

formatted_prompt = prompt.format(topic="猫")
response_message = llm.invoke(formatted_prompt)
final_text = response_message.content

# lcel 写法

# 新写法：声明式，一眼看穿数据流向
chain = prompt | llm | StrOutputParser()
result = chain.invoke({"topic": "猫"})

agent

from langchain.agents import create_agent
agent = create_agent(
    model="claude-sonnet-4-5-20250929",
    tools=[get_weather],
    system_prompt="You are a helpful assistant",
)

# Run the agent
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

模块和常用库函数

init_chat_model

rate_limiter 限制调用速率

with_structured_output

pydentic格式化输出

StrOutputParser

工具调用

serpapi 联网搜索

主流联网搜索工具可以让大模型突破训练数据时效的限制检索互联网

所选llm需具备调用工具能力如ChatTongyi
serpapi 也是注册计费api

from langchain_community.agent_toolkits.load_tools import load_tools
# 加载 serpapi 工具
tools = load_tools(["serpapi"])
agent = create_agent(llm, tools)

# 运行 agent
result = agent.invoke({"messages": [("user", "今天是几月几号?历史上的今天有哪些名人出生")]})
print(result["messages"][-1].content)

自定义本地计算

# 使用@tool装饰器自定义一个工具
@tool
def calculator(expression: str) -> str:
    """计算数学表达式。只接受数字和运算符，例如: 2+2, 100/4, 32*1.8+32。不要使用变量名或占位符。"""
    # 只允许数字、运算符和括号
    import re
    if not re.match(r'^[\d\s\+\-\*\/\.\(\)]+$', expression):
        return f"错误: 表达式 '{expression}' 包含无效字符。请只使用数字和运算符(+,-,*,/)"
    return str(eval(expression))
# 加载 serpapi 工具 + 自定义计算器
serpapi_tools = load_tools(["serpapi"])
tools = serpapi_tools + [calculator]

# LangChain 1.x 新写法
agent = create_agent(llm, tools)

# 运行 agent
result = agent.invoke({"messages": [("user", "当前北京的温度是多少华氏度？这个温度的1/4是多少")]})

匹配提示词中的数字和运算符计算结果

QQs按：需记得能被llm接收的只有prompt，对于支持工具调用的llm，prompt会重新组装，并多次调用，首先提交的prompt告诉llm有以下工具可以调用，根据用户提问让llm判断是否使用、使用哪些工具，如果llm决定调用，要再提交一次包含工具调用结果的prompt并要求llm将工具调用结果整合到回答中

容错处理（暂略）

ReAct范式

Reason + Action 就是让 LLM 像人类一样思考：先观察问题，推理出需要做什么动作，执行动作（调用工具），观察结果，最后得出结论

Memory

中间件

before/after钩子

QQs'Note