LangChain 快速入门

本文章只写了快速入门的内容，如果想要参数配置/自定义模型，那么迁移到这篇文章中

环境准备

1. OPENAI_API_KEY 配置，以 阿里云百炼平台 为例

   1. 获取 API_KEY

      

      LangChain 调用-环境准备-OPEN_API_KEY 配置-获取API_KEY

   2. 配置环境变量（Window电脑）进入环境变量配置
      1. 键是 OPENAI_API_KEY，值是 获取到的 API_KEY
      2. 重启IDE，（如果是通过 FlowLauncher 启动的，FlowLauncher 也要重新启动后再启动IDE）
   3. 获取 url 地址

      1. 

         LangChain 调用-环境准备-OPEN_API_KEY 配置-获取 url 地址

         点击模型广场-选择全部模型-选择DeepSeek-选择API参考
      2. 往下滑动，找到示例代码 即可获取到 url 地址

2. 环境依赖下载 pip install -U langchain-openai

LangChain 调用 LLM

1. 配置模型

   # 没有 API_KEY 是因为在之前的环境变量中就已经配置过了（链式组件1）
   model = ChatOpenAI(
       model='deepseek-v4-flash', # 模型选择
       # url 配置，还可以是另一个根据业务空间的 
       # 在这个路径下面 https://bailian.console.aliyun.com/cn-beijing?tab=model#/model-market/detail/deepseek-v4-flash?serviceSite=asia-pacific-china 
       # base_url = https://${work_id}.cn-beijing.maas.aliyuncs.com/compatible-mode/v1
       base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
   )
2. 配置发送信息

   # SystemMessage 是系统消息，一般存储 环境/目的 等内容
   # HumanMessage 是用户消息，存储用户需要发送的内容
   messages = [
       SystemMessage("请把下列的英文翻译为中文"),
       HumanMessage("Hello world!")
   ]

3. 信息发送 & 接收结果

   # invoke 表示调用模型，messages 里面存储发送给模型的消息
   result = model.invoke(messages)
   print(result) # 输出包括但不限于 执行结果/执行消耗token 等

4. 处理结果的字符串

   # 设置输出解析器（链式组件2）
   parser = StrOutputParser()
   print(parser.invoke(result)) # 输出 content 内容：我喜欢你！

LangChain 链式调用

步骤大体一致，只是中途过程中是没有执行 invoke，只有最后才执行

# 设置模型
model = ChatOpenAI(
    model='deepseek-v4-flash',
    base_url = "https://dashscope.aliyuncs.com/compatible-mode/v1"
)

# 定义消息
messages = [
    SystemMessage("请把下列的英文翻译为中文"),
    HumanMessage("I love you!")
]

# 设置输出解析器
parser = StrOutputParser()

# 链式调用
chain = model | parser # 使用 | 来表示链接
print(chain.invoke(messages)) # 只需要执行一次 invoke 即可

LangChain 底层逻辑

1. 为什么各个组件之间调用都是 invoke() 来调用？

   它们依赖与 Runnable 这个接口 的，Runnable 里面有 invoke() 这个函数，所以各个组件都有 invoke() 这个函数

2. 组件之间如何调用呢？

   它们是把上一个组件执行的结果作为下一个组件的参数传入，类型与 Linux 中的管道符 |