LangChain实战：快速搭建Python开发环境全攻略

uv 工具链概览

Python 生态的包管理长期以来碎片化严重，直到 uv 改变了局面。这款基于 Rust 构建的工具，执行效率碾压 pip——实测提速 10 到 80 倍。更关键的是，它不再只解决单一痛点，而是像 Node.js 的 npm 或 pnpm 一样，把 Python 领域里散落的常用工具全部统一到了一套体系内。

核心优势一目了然：

• Rust 驱动下的极致性能，重新定义了 Python 包管理的速度标杆
• 一个命令搞定 pip、virtualenv、pip-tools、pyenv、poetry 等多条工具链的典型操作
• 与 Ruff 同团队出品，技术功底和长期维护都有保障
• 所有配置集中到 pyproject.toml，终结了零散的配置文件和混乱的脚本
• 完全兼容 pip 生态，迁移几乎零成本

日常高频操作浓缩成一张速查表：

安装 uv

安装流程极其简洁，uv 官方提供了统一的脚本。以 Windows 为例，打开终端后直接粘贴下面一行命令，几秒即可完成：

初始化项目环境

安装完毕后，我们创建一个项目目录来实践 LangChain。新建一个名为 learn-langchain 的文件夹，在终端中进入该目录，执行 uv init。

uv 会快速生成一套初始开发环境文件，其中最核心的是 pyproject.toml——它相当于 Python 项目的“总配置枢纽 + 依赖声明入口”。

[project]
name = "learn-langchain"
version = "0.1.0"
description = "Add your description here"
readme = "README.md"
requires-python = ">=3.13"
dependencies = []

可以把这份文件类比为前端项目的 package.json。下面拆解每个字段的作用：

• [project]：声明项目元数据，uv 据此读取项目信息
• name：项目的标识名称
• version：当前版本号
• description：项目的简要说明
• readme：指向项目说明文档
• requires-python：规定项目兼容的 Python 版本范围
• dependencies：项目运行时依赖清单，后续安装的所有包都会写入这里

安装项目依赖

接下来安装 LangChain 核心库。在项目根目录的终端中执行：

安装完成后，项目目录下会多出两个关键产物：

• uv.lock：由 uv 自动生成的依赖锁文件，将每个依赖的版本固定下来，确保跨环境一致性
• .venv：uv 为当前项目创建的虚拟环境目录，用于隔离依赖，避免污染全局 Python 环境

激活虚拟环境

Windows 与 macOS/Linux 的激活命令略有差异，请根据你的操作系统选择对应指令：

• Windows： .venv\Scripts\activate
• macOS / Linux： source .venv/bin/activate

激活成功后，终端提示符前会出现 (learn-langchain) 字样，表明你已进入该虚拟环境。

创建项目示例

安装额外依赖

基础环境就绪后，我们来搭建第一个真实的 LangChain 项目。在项目根目录继续安装几个必要的扩展包：

• python-dotenv：专用于读取 .env 文件，将敏感的环境变量自动注入运行时，杜绝密钥硬编码
• langchain-openai：提供与 OpenAI 官方模型交互的接口封装
• langchain-deepseek：提供与 DeepSeek 平台（兼容 OpenAI 协议）交互的接口封装

配置环境变量

在项目根目录创建 .env 文件，填入以下内容：

OPENAI_API_KEY=sk-c97afa925b1745f79225c904dff53cba
OPENAI_API_BASE=https://api.deepseek.com/v1

学习 LangChain 初期，推荐先用 DeepSeek 作为大语言模型——因为它完全兼容 OpenAI 的 API 协议。只需将你在 DeepSeek 开放平台申请的 API key 赋值给 OPENAI_API_KEY，并将官方提供的兼容 base_url 赋值给 OPENAI_API_BASE 即可。

创建示例脚本

在项目根目录下新建 01-hello-world 文件夹，在其中创建 01-chat.py 文件，编写如下代码：

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 初始化聊天模型
llm = ChatOpenAI(
    model="deepseek-chat",
    temperature=0,
)

# 调用模型
response = llm.invoke("你是谁")
print(response.content)

这段逻辑清晰，拆解为四个步骤：

1. 导入依赖

   from langchain_openai import ChatOpenAI —— 从 LangChain 的 OpenAI 适配器引入 ChatOpenAI 类，本质是一个 LLM 客户端，用于与模型对话。

   from dotenv import load_dotenv —— 从 python-dotenv 导入 load_dotenv，用于读取 .env 文件并注入环境变量。

2. 加载环境变量

   load_dotenv() —— 读取项目根目录下的 .env 文件，将 OPENAI_API_KEY 和 OPENAI_API_BASE 注入系统环境变量，ChatOpenAI 会自动获取，无需手动传参。

3. 初始化 LLM

   llm = ChatOpenAI(model="deepseek-chat", temperature=0)

   创建 ChatOpenAI 实例。model 参数指定所用模型（DeepSeek 兼容 OpenAI API，直接使用 deepseek-chat）；temperature=0 保证输出确定性最高，数值越高输出越多样。

4. 调用 LLM

   response = llm.invoke("你是谁") 是核心调用。传入 prompt 后返回响应对象，response.content 存储模型返回的文本内容。

结语

所有准备就绪后，在终端执行 python 01-hello-world/01-chat.py，等待几秒，控制台会打印出模型的问候语。这意味着第一个 LangChain 示例已经顺利跑通。接下来，我们将系统性地深入 LangChain 那些真正强大的能力——这仅仅是一个起点。

来源：互联网