LangChain + DeepSeek 详解

原创

已于 2025-06-23 09:08:27 修改 · 2.2k 阅读

37 ·

CC 4.0 BY-SA版权

文章标签：

#langchain

于 2025-06-20 16:58:43 首次发布

该文章已生成可运行项目，

LangChain

最近看了很多的 Agent 项目，如果想要自己开发发现还是 Langchain 框架最适合我这样的小白。记录一下今天跑的一个 Demo

基础介绍

LangChain 旨在简化 AI 应用开发，通过标准化接口将 LLM 与外部系统（数据源、工具、向量数据库等）无缝连接，帮助开发者构建可扩展、模块化的智能应用。
主要功能如下

Prompt templates：Prompt templates 是不同类型提示的模板。例如“ chatbot ”样式模板、ELI5 问答等
LLMs：像 GPT-3、BLOOM 等大型语言模型
Agents：Agents 使用 LLMs 决定应采取的操作。可以使用诸如网络搜索或计算器之类的工具，并将所有工具包装成一个逻辑循环的操作。
Memory：短期记忆、长期记忆。

生态系统

LangSmith：用于监控、调试和评估 LLM 应用性能（如跟踪 Agent 轨迹）。
LangGraph：构建长期记忆和复杂状态控制的 Agent 工作流（被 LinkedIn、Uber 等企业采用）。
LangGraph Platform：可视化部署和扩展 Agent 的云平台。

在这里插入图片描述

快速开始

安装 LangChain 只有官方只支持Python 和 js 两个版本，我用的是Python 版本。

安装依赖

安装调用基础的依赖

	pip install -U langchain  # 安装最新版
	pip install -U langchain-core langchain-community langchain-openai # 安装核心库
	pip install python-dotenv

使用新版 LangChain 语法（兼容 DeepSeek）


from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI  # 虽然叫 OpenAI，但可兼容 DeepSeek
from langchain.memory import ConversationBufferMemory
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

# 初始化DeepSeek LLM

# # 创建提示模板
# prompt = PromptTemplate(
#     input_variables=["product"],
#     template="为{product}写一个创意广告文案:",
# )

# 注意：这里使用 ChatOpenAI 但指向 DeepSeek 的 API
llm = ChatOpenAI(
    api_key="sk-xxxxxx",
    base_url="https://api.deepseek.com/v1",  # 注意 /v1 路径
    model="deepseek-chat"
)

# 新版链式调用
prompt = ChatPromptTemplate.from_template("{input}")
chain = prompt | llm  # 使用管道操作符替代旧版 LLMChain

# 调用流式返回
for chunk in chain.stream({
   
   "input": "AI编程助手"}):
    print(chunk.content, end="", flush=True)

下面是整体的流程简介

from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain.memory import ConversationBufferMemory
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings