大模型应用开发入门：手把手用VSCode跑通第一个LangChain程序

最新推荐文章于 2025-05-15 22:25:12 发布

大模型微调实战

最新推荐文章于 2025-05-15 22:25:12 发布

阅读量1k

点赞数 30

文章标签： vscode langchain ide 人工智能大数据神经网络编辑器

本文链接：https://blog.csdn.net/2401_85373898/article/details/147579432

版权

我们在以前学习任何语言第一个入门小demo都是写一个Hell World！，同样我们在学习LangChain框架的时候，也以类似输出一个“Hell World！”的简单回复作为我们的入门demo案例

1. 环境配置

在正式开始LangChain的实战学习前，需要配置一下环境。LangChain框架目前支持Python和TypeScript两种语言，这里我们选用处理人工智能更主流的Python语言来进行学习，有关JavaScript LangChain库的文档，可以点击这里。LangChain目前已经更新到了v3版本，所以同样我们也以最新的v3版本来进行学习。

1.1 编辑器

编辑器推荐使VSCode，然后再对应的编辑器里安装python即可，再安装python插件之前，请确保自身机器已经安装了python。因为LangChain框架使用python写的，所以学习LangChain需要一点python基础，这里额就不再赘述python的环境安装了

1.2 安装Jupyter插件

数据科学，机器学习的开发一般是在Jupyter上进行，所以需要在VSCode或者Cursor上安装Jupyter插件

如上图所示，在插件中心，直接搜索Jupyter，然后install即可

1.3 LangChain安装

可以直接用python的包管理工具来安装LangChain，直接运行以下命令即可

pip install langchain

这个命令会把langchain做需要的所有依赖包都安装好

2. 通过LangChain跟DeepSeek对话

注：本教程的项目根目录为LangChain-Course，在实践的时候，自己随便创建一个目录作为根目录都是可以的

2.1 创建DeepSeek的API Key

要调用DeepSeek的API，首先需要有一个DeepSeek的API Key，可以前往https://platform.deepseek.com/api_keys去创建

创建完之后，需要记住这个key，因为后续我们在创建DeepSeek模型的时候会用到，这里我们将其保存到一个.env文件中，在python项目中，一般用.env文件来保存一些环境变量。我们在项目根目录下创建.env文件，然后在文件编辑如下代码，保存API Key

DEEPSEEK_API_KEY=sk-c3d343215a0d4336a86d4b3c******  #这里替换为你创建的API key

2.2 安装LangChain集成的DeepSeek模型

执行以下命令，安装DeepSeek模型依赖

pip install langchain-deepseek

2.3 代码实践

在根目录下创建hello-langchain.ipynb文件，在文件中编辑如下代码，创建一个DeepSeek 聊天模型实例，然后尝试跟DeepSeek聊天

# 导入 lanchain集成的 DeepSeek 聊天模型
from langchain_deepseek import ChatDeepSeek
# 导入环境变量加载工具
from dotenv import load_dotenv
# 导入操作系统相关功能
import os

# 加载 .env 文件中的环境变量
load_dotenv()

# 创建 DeepSeek 聊天模型实例
chat = ChatDeepSeek(
        temperature=0,  # temperature=0 表示输出更加确定性，不会随机性太强
        model="deepseek-chat",  # 指定使用的模型名称
        api_key=os.getenv("DEEPSEEK_API_KEY") # 从环境变量中获取 API 密钥
    )

# 定义对话消息列表，包含系统角色消息和用户角色消息
messages = [
    {"role": "system", "content": "你是一个有帮助的AI助手。"}, # system 消息定义了 AI 助手的角色和行为
    {"role": "user", "content": "你好！请介绍一下你自己。"} # user 消息是用户的实际输入
]

# 调用模型生成回复，invoke 方法接收消息列表作为输入，模型会根据系统角色和用户输入生成合适的回复
response = chat.invoke(messages)

# 打印 AI 助手的回复内容
print(response.content)

程序输出如下：

你好！我是一个由OpenAI开发的人工智能助手，旨在通过自然语言处理和机器学习技术来帮助用户解答问题、提供信息、执行任务和进行对话。我可以协助你完成各种任务，比如查找信息、学习新知识、解决问题、提供建议等。

我的知识库涵盖了广泛的主题，包括科学、技术、历史、文化、语言等，并且我会不断更新和学习新的信息。如果你有任何问题或需要帮助，随时可以问我！

代码中每行代码的都有清晰的注释，也很简单，这里就不再做代码拆解了

运行示例：