LangChain入门指南:调用DeepSeek api

1. 什么是LangChain？

• 定义：LangChain是一个用于构建大语言模型（LLM）应用的开发框架，支持链式调用、记忆管理、工具集成等。
• 核心功能：
  • 连接LLM（如GPT-4、DeepSeek）与外部数据/工具
  • 构建多步骤任务的工作流（如问答、摘要、数据分析）
  • 支持对话记忆和上下文管理

2. 核心组件

• Models（模型），LangChain支持几乎所有的主流LLM
• Prompts（提示词），动态生成提示模板
• Chains（任务链），多步骤任务串联
• Memory（记忆），管理对话历史，甚至支持没有记忆能力的LLM
• Agents（智能代理），能自动选择工具执行相应的任务

3. 为什么选择LangChain？

场景	传统方法痛点	LangChain解决方案
多工具调用	需手动拼接API	通过Agent自动选择工具
长文本处理	上下文丢失	分块+摘要链式处理
对话系统	状态管理复杂	内置Memory组件

4. 实战案例

安装

pip install langchain
pip install -U langchain-deepseek

简单chat案例

from langchain.chat_models import init_chat_model
from langchain_core.messages import SystemMessage, HumanMessage
from langchain_core.prompts import ChatPromptTemplate# 这里只是示意，工程中建议使用getpass.getpass()来获取API密钥
api_key = "your DeepSeek API key"
api_base = "https://api.deepseek.com/"def simpleDemo():"""简单的Langchain使用示例"""model = init_chat_model(model="deepseek-chat",api_key=api_key,api_base=api_base,temperature=0.8,max_tokens=1024,model_provider="deepseek",)messages = [SystemMessage("Translate the following English text to Chinese"),HumanMessage("Hello, how are you?")]response = model.invoke(messages)print(response)if __name__ == "__main__":simpleDemo()

流式交互

你在使用各种LLM的时，看见LLM一个字一个字往外蹦字，是不是都惊呆了！别急，用LangChain十分容易的实现这种功能

def streamDemo():"""流式输出的Langchain使用示例"""model = init_chat_model(model="deepseek-chat",api_key=api_key,api_base=api_base,temperature=0.8,max_tokens=1024,model_provider="deepseek",)messages = [SystemMessage("Translate the following English text to Chinese"),HumanMessage("Hello, how are you?")]for token in model.stream(messages):print(token.content, end="", flush=True)print("\n\n")if __name__ == "__main__":streamDemo()

是不是代码非常简单！赶快换上你的API key体验一下吧！

Prompt模板

def promptTemplateDemo():"""使用PromptTemplate的Langchain使用示例"""model = init_chat_model(model="deepseek-chat",api_key=api_key,api_base=api_base,temperature=0.8,max_tokens=1024,model_provider="deepseek",)prompt = ChatPromptTemplate.from_messages([SystemMessage("Translate the following English text to {language}"),HumanMessage("{text}")])messages = prompt.invoke({"language": "Chinese", "text":"Hello, how are you?"})response = model.invoke(messages)print(response)if __name__ == "__main__":promptTemplateDemo()

5. 简单总结

LangChain大幅降低了LLM应用开发门槛，确实是相当简单易用。并且为我们快速替换LLM提供了非常便利的基础。