Langchain+DeepSeek R1从入门到精通

大靠山

于 2025-05-12 21:10:57 发布

阅读量514

点赞数 13

文章标签： langchain microsoft 人工智能开发语言 python 算法机器学习

本文链接：https://blog.csdn.net/m0_59235245/article/details/147905008

版权

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),              ),          ],        ),      ),    );  }}

总结

LangChain 是一个强大的 AI 框架，适用于 LLM 应用开发。
重点掌握 Prompt 设计、Memory、Chains、Agents、知识库（向量数据库）。
结合 FastAPI、Vue3、Flutter，可以打造 AI 助手、搜索引擎、智能客服等应用。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述