2026年LangChain + DeepSeek 全流程开发详解

大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。

• Github 资料项目合集

• 50个 AI 开源项目合集• 80 款AI 开源合集

* 戳上方蓝字“牛皮糖不吹牛”关注我

大家好，我是牛皮糖！

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

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。

• 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。

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

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

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)

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

关键配置项：

安全建议：

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

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}") 
 ])

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 
 )

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

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

)

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

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

·················END·················

关于AI工具

Github开源文本转语音神器Spark-TTS开源了，克隆声音仅需3秒？

github开源B站UP主都在用的下载神器！Cobalt让你轻松搬运高清素材！

Github 26k Stars 开源换脸神器

Github 开源无代码的 Web 数据提取平台，2分钟内训练机器人自动抓取网页数据

每日更新，期待与你一起成长

欢迎围观副业知识星球

https://t.zsxq.com/Q0Gmu (二维码自动识别)

本文使用文章同步助手同步