langchain docs
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
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 AgentProjpip 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
1 2 3 4 5 from dotenv import load_dotenvimport osload_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
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 from langchain_openai import ChatOpenAIfrom dotenv import load_dotenvimport osload_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
1 2 3 4 5 6 7 8 9 10 11 12 from langchain_deepseek import ChatDeepSeekmodel = ChatDeepSeek( model="..." , temperature=0 , max_tokens=None , timeout=None , max_retries=2 , )
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）
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 import osfrom langchain_community.chat_models import ChatTongyiapi_key = os.getenv('DASHSCOPE_API_KEY' ) dashscope.api_key = api_key llm = ChatTongyi(model_name="qwen-turbo" , dashscope_api_key=api_key) tools = load_tools(["serpapi" ]) agent = create_agent(llm, tools) 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 1 2 3 4 5 6 7 8 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)。__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。 .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。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 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 chain = prompt | llm | StrOutputParser() result = chain.invoke({"topic" : "猫" })
agent 1 2 3 4 5 6 7 8 9 10 11 from langchain.agents import create_agentagent = create_agent( model="claude-sonnet-4-5-20250929" , tools=[get_weather], system_prompt="You are a helpful assistant" , ) agent.invoke( {"messages" : [{"role" : "user" , "content" : "what is the weather in sf" }]} )
模块和常用库函数 init_chat_model
with_structured_output
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
1 2 3 4 5 6 7 8 from langchain_community.agent_toolkits.load_tools import load_toolstools = load_tools(["serpapi" ]) agent = create_agent(llm, tools) 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 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 @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。""" 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)) serpapi_tools = load_tools(["serpapi" ]) tools = serpapi_tools + [calculator] agent = create_agent(llm, tools) 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
langchain agent vs qwen agent vs LlamaIndex
