【AI大模型】 Langchain+DeepSeek R1从入门到精通，收藏这一篇就够了！！

本文链接：https://blog.csdn.net/2401_85327249/article/details/147629035

前言

LangChain 是一个专为构建基于大语言模型（LLMs）的应用而设计的强大框架。它可以帮助开发者高效地创建智能对话、搜索、数据处理、代码生成等 AI 相关应用。

本文将从基础概念入手，逐步深入，帮助你全面掌握 LangChain 的核心能力。

1. LangChain 简介

1.1 什么是 LangChain？

LangChain 是一个 Python 和 JavaScript（TypeScript）库，旨在简化 LLM 的开发流程。它主要提供以下功能：

LLM 封装：支持 OpenAI、Anthropic、Google Gemini、本地 LLM（如 Llama、ChatGLM、DeepSeek、QianWen）
Prompt 模板：管理和优化 Prompt 设计
记忆（Memory）：让 LLM 具有“短期记忆”能力
链（Chains）：将多个调用组合成复杂任务
代理（Agents）：让 LLM 具备自主决策能力，调用 API、搜索信息
工具（Tools）：与外部系统交互，如数据库、搜索引擎、Python 代码执行
文档加载 & 知识库：集成向量数据库，如 FAISS、Chrome、Weaviate、Pinecone 等

2. 安装与环境配置

2.1 安装 LangChain

pip install langchain langchain_community

如果你要使用本地模型：

pip install langchain_ollama

2.2 配置 API Key

如果使用 OpenAI，需要设置 API Key：

import osos.environ["OPENAI_API_KEY"] = "your-api-key"

本文使用的是本地部署的DeepSeek R1大模型，不需要配置API Key。

3. 快速入门：使用 LLM 进行简单对话

3.1 调用本地部署DeepSeek R1

from langchain_ollama import ChatOllamafrom langchain.schema import HumanMessage
# 初始化 LLM 实例，指定模型（例如：deepseek-r1:7b）llm = ChatOllama(model="deepseek-r1:7b")
# 构造一条用户消息并发送给 LLMresponse = llm([HumanMessage(content="你好，LangChain 是什么？")])
# 输出 LLM 的回复 print(response.content)

4. Prompt 设计与优化

4.1 使用 Prompt 模板

from langchain.prompts import PromptTemplate
template = PromptTemplate(    input_variables=["name"],    template="你好 {name}，请介绍一下 LangChain。")
prompt = template.format(name="小明")print(prompt)

5. Memory：让对话具有记忆

from langchain.memory import ConversationBufferMemoryfrom langchain.chains import ConversationChainfrom  langchain_ollama import ChatOllama
llm = ChatOllama(model="deepseek-r1:7b")memory = ConversationBufferMemory()  # 使用内存缓冲区记录对话conversation = ConversationChain(llm=llm, memory=memory)
# 第一轮对话，模型记住用户信息print(conversation.predict(input="你好，我叫小明。"))
# 第二轮对话，模型可以回忆用户先前的内容print(conversation.predict(input="我刚才说我叫什么名字？"))

6. Chains：组合多个 LLM 调用

from langchain.chains import LLMChainfrom langchain.prompts import PromptTemplatefrom langchain_ollama import  ChatOllama
template = PromptTemplate(    input_variables=["question"],    template="请用简洁的方式回答：{question}")
llm = ChatOllama(model="deepseek-r1:7b")chain = LLMChain(llm=llm, prompt=template)response = chain.run("LangChain 可以做什么？")print(response)

7. Agents：让 AI 具备决策能力

from langchain.agents import AgentType, initialize_agentfrom langchain.tools import Toolfrom langchain_ollama import ChatOllama

def get_weather(location: str):    return f"{location} 的天气是晴天，气温 25°C"

weather_tool = Tool(name="Weather", func=get_weather, description="提供天气信息")
agent = initialize_agent(    tools=[weather_tool],    llm=ChatOllama(model="deepseek-r1:7b"),    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,    verbose=True)
response = agent.run("广州的天气如何？")print(response)

8. 知识库：向量数据库检索

8.1 加载文档并转换为向量

from langchain.document_loaders import TextLoaderfrom langchain.text_splitter import CharacterTextSplitterfrom langchain.vectorstores import FAISSfrom langchain.embeddings.openai import OpenAIEmbeddings
loader = TextLoader("example.txt")documents = loader.load()
splitter = CharacterTextSplitter(chunk_size=500, chunk_overlap=50)texts = splitter.split_documents(documents)
vectorstore = FAISS.from_documents(texts, OpenAIEmbeddings())query = "LangChain 是什么？"retrieved_docs = vectorstore.similarity_search(query)print(retrieved_docs[0].page_content)

9. LangChain 在实际项目中的应用场景

智能客服系统（结合 Memory & Agents）
AI 搜索引擎（结合知识库 & 向量数据库）
自动化办公助手（结合 LangChain Tools & Agents）
代码生成 & 调试助手（结合 LLM & Prompt Engineering）
金融、法律文档问答系统（结合 RAG 检索增强生成）

10. 进阶优化：LangChain 加载本地 LLM，不通过ollama代理

如果你想用本地 LLM（如 ChatGLM、Llama2），可以使用 llama-cpp-python：

pip install llama-cpp-python

案例：

from langchain.llms import LlamaCpp
llm = LlamaCpp(model_path="path/to/llama2.gguf", n_ctx=2048)response = llm("请介绍一下 LangChain")print(response)

11. 结合 Web 应用：LangChain + FastAPI

from fastapi import FastAPIfrom langchain_ollama import ChatOllama
app = FastAPI()llm=ChatOllama(model="deepseek-r1:7b")
@app.get("/chat")def chat(query: str):    return {"response": llm.predict(query)}

启动命令：

uvicorn main:app --reload

12. 结合 Vue3/Flutter 构建 LangChain 前端应用

Vue3 案例

这个示例是一个单文件组件，它包含一个输入框、一个按钮和一个显示回复的区域。用户输入问题后，点击按钮即可调用后端 API 获取回复。

<template>  <div class="app">    <h1>LangChain Chat</h1>    <input type="text" v-model="query" placeholder="输入你的问题..." />    <button @click="sendQuery">发送</button>    <p v-if="response">AI 回复：{{ response }}</p>  </div></template>
<script>import { ref } from 'vue';
export default {  name: "LangChainChat",  setup() {    const query = ref('');    const response = ref('');
    const sendQuery = async () => {      if(query.value.trim() === '') return;      try {        const res = await fetch(`http://127.0.0.1:8000/chat?query=${encodeURIComponent(query.value)}`);        const data = await res.json();        response.value = data.response;      } catch(e) {        response.value = "请求出错：" + e.message;      }    }
    return {      query,      response,      sendQuery    }  }}</script>
<style>.app {  max-width: 600px;  margin: 0 auto;  padding: 2em;  font-family: Arial, sans-serif;}
input {  width: calc(100% - 100px);  padding: 0.5em;  margin-right: 10px;}
button {  padding: 0.5em 1em;  cursor: pointer;}
p {  margin-top: 20px;  font-size: 1.1em;  color: #333;}</style>

Flutter 案例

下面的 Flutter 示例展示了一个简单的应用，包含一个文本输入框、一个按钮和一个显示回复的区域。点击按钮后，应用通过 HTTP 请求 FastAPI 接口，并在界面上展示 AI 回复。

import 'package:flutter/material.dart';import 'package:http/http.dart' as http;import 'dart:convert';
void main() => runApp(LangChainChatApp());
class LangChainChatApp extends StatelessWidget {  @override  Widget build(BuildContext context) {    return MaterialApp(      title: 'LangChain Chat',      theme: ThemeData(        primarySwatch: Colors.blue,      ),      home: ChatScreen(),    );  }}
class ChatScreen extends StatefulWidget {  ChatScreen({Key? key}) : super(key: key);
  @override  _ChatScreenState createState() => _ChatScreenState();}
class _ChatScreenState extends State<ChatScreen> {  final TextEditingController _controller = TextEditingController();  String _response = '';  bool _loading = false;
  Future<void> _sendQuery() async {    final query = _controller.text;    if(query.isEmpty) return;
    setState(() {      _loading = true;      _response = '';    });
    final url = 'http://127.0.0.1:8000/chat?query=${Uri.encodeComponent(query)}';
    try {      final response = await http.get(Uri.parse(url));      if (response.statusCode == 200) {        final data = json.decode(response.body);        setState(() {          _response = data['response'];        });      } else {        setState(() {          _response = '请求失败，状态码：${response.statusCode}';        });      }    } catch (e) {      setState(() {        _response = '请求错误：$e';      });    }
    setState(() {      _loading = false;    });  }
  @override  void dispose() {    _controller.dispose();    super.dispose();  }
  @override  Widget build(BuildContext context) {    return Scaffold(      appBar: AppBar(        title: Text('LangChain Chat'),      ),      body: Padding(        padding: const EdgeInsets.all(16.0),        child: Column(          children: [            TextField(              controller: _controller,              decoration: InputDecoration(                labelText: '输入你的问题',                border: OutlineInputBorder(),              ),            ),            const SizedBox(height: 10),            ElevatedButton(              onPressed: _loading ? null : _sendQuery,              child: _loading                   ? CircularProgressIndicator(color: Colors.white)                   : Text('发送'),            ),            const SizedBox(height: 20),            if (_response.isNotEmpty)              Text(                'AI 回复：\n$_response',                style: TextStyle(fontSize: 16),              ),          ],        ),      ),    );  }}