LangChain + DeepSeek 全流程开发详解

AI-智能

955人浏览 · 2025-07-15 16:22:57

AI-智能 · 2025-07-15 16:22:57 发布

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

# 向量数据库和嵌入
embeddings = OpenAIEmbeddings(model="text-embedding-3-large")
vector_store = InMemoryVectorStore(embeddings)
# 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

这段导入语句展示了 LangChain 的模块化架构设计：

• langchain_core：包含框架基础类和接口
• langchain_openai：提供与 OpenAI 兼容的接口（可适配 DeepSeek）
• langchain：集成高级功能如内存管理

版本提示：建议使用 langchain-core ≥0.1.0 和 langchain-openai ≥0.0.5

2. 向量数据库配置

2.1 嵌入模型初始化

embeddings = OpenAIEmbeddings(model="text-embedding-3-large")

关键参数解析：

• model="text-embedding-3-large"：指定嵌入模型版本
- • 虽然使用 OpenAIEmbeddings 类，但可通过 base_url 重定向到 DeepSeek
- • 实际部署时应替换为 DeepSeek 的嵌入模型（如可用）

技术原理：

• 将文本转换为 3072 维向量（text-embedding-3-large 的默认维度）
• 支持余弦相似度等向量运算

2.2 内存向量数据库

vector_store = InMemoryVectorStore(embeddings)

特性说明：

• InMemoryVectorStore：轻量级内存向量数据库
- • 优点：零配置、快速原型开发
- • 缺点：重启后数据丢失，不适合生产环境

• 生产替代方案：

from langchain_community.vectorstores import Chroma
vector_store = Chroma.from_documents(docs, embeddings)

3. 大语言模型集成

3.1 DeepSeek 适配配置

llm = ChatOpenAI(
    api_key="sk-xxxxx",
    base_url="https://api.deepseek.com/v1",
    model="deepseek-chat"
)

关键配置项：

参数	说明	注意事项
api_key	DeepSeek API 密钥	应从环境变量读取，避免硬编码
base_url	API 端点	必须包含 /v1 路径
model	模型标识	deepseek-chat 为对话优化版本

安全建议：

import os
llm = ChatOpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url="https://api.deepseek.com/v1"
)

4. 对话链构建

4.1 提示词模板

prompt = ChatPromptTemplate.from_template("{input}")

模板系统进阶用法：

from langchain_core.prompts import (
    SystemMessagePromptTemplate,
    HumanMessagePromptTemplate
)

prompt = ChatPromptTemplate.from_messages([
    SystemMessagePromptTemplate.from_template("你是一个{role}"),
    HumanMessagePromptTemplate.from_template("{input}")
])

4.2 链式组合

chain = prompt | llm

管道操作符 (|) 的等效实现：

from langchain_core.runnables import RunnableSequence
chain = RunnableSequence(first=prompt, last=llm)

扩展链示例（带记忆）：

from langchain_core.runnables import RunnablePassthrough

memory = ConversationBufferMemory()
chain = (
    RunnablePassthrough.assign(
        history=memory.load_memory_variables
    ) 
    | prompt 
    | llm
)

5. 流式输出处理

5.1 流式调用

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

技术细节：

• chunk 对象结构：

class AIMessageChunk:
    content: str
    additional_kwargs: dict

• 网络优化：使用 Server-Sent Events (SSE) 协议

• 延迟对比：流式 vs 非流式

模式	首字节时间	适用场景
流式	200-500ms	实时交互
批处理	1-2s	数据分析

6. 生产环境建议

6.1 性能优化

llm = ChatOpenAI(
    ...,
    max_retries=3,
    timeout=30.0,
    streaming=True
)

6.2 监控集成

from langsmith import Client

client = Client()
client.create_feedback(
    run_id="...",
    key="accuracy",
    score=0.9
)

6.3 错误处理

from tenacity import (
    retry,
    stop_after_attempt,
    wait_exponential
)

@retry(
    stop=stop_after_attempt(3),
    wait=wait_exponential(multiplier=1, min=4, max=10)
)
def safe_invoke(input_text):
    return chain.invoke({"input": input_text})

通过上面内容完成了基础的Python调用介绍