在上一篇文章中，我们聊到了 LangChain 的整体架构演进。今天，我们正式进入实战部分——搭建 LangChain 1.x 开发环境，并手把手完成基于 DeepSeek 及其他主流大模型的统一接口调用。

一、为什么首选 DeepSeek 开展开发？

在目前的 LLM 应用开发中，DeepSeek 凭借极高的性价比与优秀的推理能力，成为了众多团队和个人开发者的首选。

对于 LangChain 开发者来说，DeepSeek 还有一个极大的优势：官方 API 完美兼容 OpenAI 接口格式。

这意味着，只要一个 SDK 或框架支持 OpenAI 的协议规范，我们只需修改三个核心参数，就能无缝切换到 DeepSeek：

1. API Key：你的 DeepSeek 密钥

2. Base URL：[https://api.deepseek.com](https://api.deepseek.com)

3. Model Name：如 deepseek-v4-flash（根据官方最新模型选

首先我们进入DeepSeek官网页面打开API开放平台

然后创建API key，创建好的api key一定要复制下来，因为没有办法二次查看。

二、理解 OpenAI 兼容 API 规范

所谓的“OpenAI 兼容 API”，已经成为了目前 LLM 行业事实上的标准。无论是 DeepSeek、硅基流动（SiliconFlow）、Moonshot 还是开源模型服务（vLLM, Ollama），基本都遵循这套 JSON 交互格式。

标准的 Chat Completions 调用结构通常如下：

基于Python

client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {"role": "user", "content": "你好"}
    ],
)

LangChain 底层也是在这一规范之上，将模型封装成了统一的接口组件，方便后续与 Prompt Template、Output Parser、RAG Retriever 以及 Agent Tools 进行链式或图式编排。

三、开发环境准备

1. Python 版本推荐

建议使用 Python 3.10 或 3.11。

• 3.10 / 3.11：LangChain 1.x 生态兼容性最好、第三方集成包适配最完整的版本，踩坑率最低；

• 3.12：可正常使用；

• 3.13：由于版本较新，部分小众社区扩展包可能存在适配延迟。

2. 依赖安装与国内镜像配置

在项目虚拟环境中运行以下命令安装核心依赖：

Bash

pip install langchain langchain-openai openai python-dotenv

如果下载速度较慢，可临时指定清华镜像源：

Bash

pip install langchain langchain-openai openai python-dotenv -i https://pypi.tuna.tsinghua.edu.cn/simple

3. 配置密钥与环境变量

为了保证代码安全，严禁将 API Key 硬编码在 Python 源码中。

在项目根目录下创建 .env 文件：

代码段

DEEPSEEK_API_KEY=your_actual_deepseek_api_key
DEEPSEEK_BASE_URL=https://api.deepseek.com

同时，一定要创建 .gitignore 文件，防止敏感密钥被意外提交到 Git 仓库：

代码段

.env
.venv/
__pycache__/
*.pyc

在代码中，我们可以使用 python-dotenv 库读取环境变量：

Python

import os
from dotenv import load_dotenv

load_dotenv() # 加载 .env 文件中的配置
print("API Key 已成功加载:", os.getenv("DEEPSEEK_API_KEY")[:8] + "******")

四、从原生 SDK 到 LangChain 1.x 的代码演进

为了彻底搞懂 LangChain 的封装机制，我们按“原生 SDK -> LangChain ChatOpenAI -> LangChain 1.x init_chat_model”的顺序逐一讲解。

阶段一：用 OpenAI 原生 SDK 调通 DeepSeek

在接入 LangChain 之前，推荐先用原生的 openai 库验证 API Key 和网络联通性。

创建 01_openai_compatible.py：

Python

import os
from dotenv import load_dotenv
from openai import OpenAI

load_dotenv()

# 实例化 OpenAI 客户端，但指向 DeepSeek 的 Base URL
client = OpenAI(
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)

response = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[
        {"role": "user", "content": "请用一句话介绍 LangChain 是什么。"}
    ],
)

print(response.choices[0].message.content)

注意：这里的 client.chat.completions 是原生 SDK 的方法，不要与 LangChain 的 ChatOpenAI 类混化。如果能正常打印回答，说明密钥和网络环境一切正常！

阶段二：使用 LangChain 的 ChatOpenAI 显式类

这是早期 LangChain 教程中最常见的写法：

Python

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

load_dotenv()

# 创建模型实例
model = ChatOpenAI(
    model="deepseek-v4-flash",
    temperature=0.7,
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
)

# 1. 单次同步调用 (.invoke)
response = model.invoke("请解释 LangChain 模型接口的统一性。")
print("【Invoke 返回】\n", response.content)

# 2. 流式响应输出 (.stream)
print("\n【Stream 输出】")
for chunk in model.stream("请用一句话总结人工智能的意义："):
    print(chunk.content, end="", flush=True)

知识点补充：temperature 超参数的选择策略

阶段三：使用官方推荐的 init_chat_model 工厂函数（最佳实践）

在 LangChain 0.2/1.0 时代，官方大幅改动了模型实例化的机制，引入了统一工厂方法 init_chat_model。

它允许我们通过参数配置动态加载不同厂商的模型，真正实现了代码层面的解耦。

创建 02_langchain_first_call.py：

Python

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

# 使用 1.x 推荐的工厂函数创建模型实例
model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="openai",  # 表示使用 OpenAI 兼容的 API 规范
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
    temperature=0.7,
)

print("流式输出中：")
for chunk in model.stream("什么是 Deep Agent？"):
    print(chunk.content, end="", flush=True)

核心参数说明： model_provider="openai" 并不是指定使用 OpenAI 官方的 GPT 模型，而是告诉 LangChain：“请使用 OpenAI 兼容协议 来解析这个接口”。

五、实战案例：构建一个简易的 AI 答疑助手

我们利用刚刚实例化的 init_chat_model，编写一个带有格式约束的控制台答疑工具。

创建 03_course_assistant.py：

Python

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

# 1. 统一初始化模型
model = init_chat_model(
    model="deepseek-v4-flash",
    model_provider="openai",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_BASE_URL"),
    temperature=0.7,
)

# 2. 构造 Prompt 渲染函数
def build_prompt(user_question: str) -> str:
    return f"""
你是一名专业的 AI 技术助教。
请使用最简洁、通俗的语言回答问题，适合初学者理解。

回答格式必须满足以下要求：
1. 先给出核心结论；
2. 举一个生活或开发中的实际例子；
3. 全文控制在 200 字以内。

学生的问题是：{user_question}
"""

if __name__ == '__main__':
    question = input("请输入你的技术问题：")
    prompt_content = build_prompt(question)
    
    print("\n--- AI 助教回答中 ---")
    for chunk in model.stream(prompt_content):
        print(chunk.content, end="", flush=True)
    print("\n--------------------")

六、横向拓展：快速接入其他主流大模型

在实际业务开发中，我们不可能只依赖一家模型供应商。得益于 LangChain 的统一抽象，接入其他厂商的模型也变得极其简单。

1. 接入第三方 OpenAI 代理（如 CloseAI / 自建 API 网关）

如果你使用的是类似 CloseAI 或第三方聚合网关服务，只需修改 base_url 与 api_key：

Python

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0.7,
    api_key="sk-your-proxy-key",
    base_url="https://api.openai-proxy.org/v1"  # 代理服务商提供的 URL
)

for chunk in model.stream("请用一句话总结人工智能的意义："):
    print(chunk.content, end="", flush=True)

2. 接入阿里通义千问（Qwen / DashScope）

当我们直接在 init_chat_model 中传入 model_provider="dashscope" 时，目前 LangChain 可能会抛出错误：

Plaintext

ValueError: Unsupported model_provider='dashscope'.

这是因为阿里云 DashScope 平台尚未完全内置进 LangChain 的 Core 注册表中。

解决方案：借助 langchain-community 包

1. 安装阿里云官方 SDK 与社区包：

   Bash

   pip install -U dashscope langchain_community
   

2. 使用社区封装的 Tongyi 适配器：

   Python

   from langchain_community.llms.tongyi import Tongyi
   
   model = Tongyi(
       model="qwen-plus",
       temperature=0.3,
       api_key="your_dashscope_api_key"
   )
   
   for chunk in model.stream("LangChain 由哪几部分组成？"):
       print(chunk, end="", flush=True)
   

3. 接入硅基流动（SiliconFlow）

硅基流动同样提供了标准的 OpenAI 兼容接口，可以直接复用 init_chat_model：

Python

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model

load_dotenv()

# .env 中配置：
# GUIJI_BASE_URL=https://api.siliconflow.cn/v1
# GUIJI_API_KEY=sk-xxxx

model = init_chat_model(
    base_url=os.getenv("GUIJI_BASE_URL"),
    api_key=os.getenv("GUIJI_API_KEY"),
    model="deepseek-ai/DeepSeek-V4-Flash",  # 硅基流动托管的模型标识符
    model_provider="openai",
    temperature=0.7
)

for chunk in model.stream("什么是 Deep Agent？"):
    print(chunk.content, end="", flush=True)

七、多模型接入的最佳实践法则

在企业级项目开发中，建议遵循以下接入层策略：

Plaintext

       ┌─────────────────────────────────────────┐
       │   优先使用 init_chat_model 工厂函数    │
       └────────────────────┬────────────────────┘
                            │
              ┌─────────────┴─────────────┐
              ▼                           ▼
      【支持 OpenAI 规范】        【不支持规范 / 官方集成】
   设置 model_provider="openai"  使用 langchain-community 
   填入 base_url / api_key       专属适配器 (如 Tongyi)

1. 首选 init_chat_model：它统一了各厂家的加载逻辑，使你的业务代码具备极高的平滑迁移能力（只需要修改配置文件中的环境变量即可切换底层模型）；

2. 社区包兜底：若遇到暂未接入注册表的服务商，优先去 langchain-community 查找对应的集成包；

3. 保持 SDK 版本一致：定期升级 langchain 与各厂商底层 SDK（如 dashscope、openai），避免因为 API 变更导致的序列化报错。

八、常见排坑指南

1. API Key 加载不到 / NoneType 报错：

   • 检查 .env 文件是否准确存放在项目根目录；

   • 检查代码顶部是否显式执行了 load_dotenv()。

2. 连接超时（Timeout / Connection Refused）：

   • 确认 DEEPSEEK_BASE_URL 拼写无误（注意是否有尾部斜杠或多余的 /v1）；

   • 检查企业内网环境是否开启了严格的 HTTP/HTTPS 代理阻断。

3. HTTP 401 / 403 错误：

   • 401：API Key 无效或过期；

   • 403：通常为账户余额不足（如聚合平台未充值）或请求已被服务端风控识别。

总结与后续预告

通过本文，我们完成了 LangChain 1.x 开发环境的搭建，理解了 OpenAI 兼容规范的底层逻辑，并学会了如何通过 init_chat_model 实现跨模型供应商的统一调用。

在接下来的文章中，我们将深入讲解 LangChain 的核心工程化组件：Prompt Template 模板化管理与 Output Parsers 结构化输出解析。敬请关注！