Langchain+DeepSeek R1从入门到精通

最新推荐文章于 2025-04-16 15:56:26 发布

小敢摘葡萄

最新推荐文章于 2025-04-16 15:56:26 发布

阅读量1.3k

点赞数 21

文章标签： langchain microsoft 知识图谱人工智能自动化前端运维

本文链接：https://blog.youkuaiyun.com/xiaoganbuaiuk/article/details/146064618

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 os``os.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 ChatOllama``from 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 LLM``response = 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 ConversationBufferMemory``from langchain.chains import ConversationChain``from  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 LLMChain``from langchain.prompts import PromptTemplate``from 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_agent``from langchain.tools import Tool``from 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 TextLoader``from langchain.text_splitter import CharacterTextSplitter``from langchain.vectorstores import FAISS``from 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 FastAPI``from 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