LangChain 实战 | 快速搭建 Python 开发环境

介绍 uv

uv 是一个用 Rust 编写的 极快的 Python 包管理器和项目管理器。

它整合了 Python 开发者常用的多种工具到一个 CLI 中，非常像 Node.js 生态里的 npm/pnpm。

• Rust 写的，速度比 pip 快 10～80 倍
• 一个工具替代多个工具（pip、virtualenv、pip-tools、pyenv、poetry…）
• 和 Ruff 同一个团队，专业度高
• 配置统一在 pyproject.toml
• 兼容 pip，不需要迁移成本

uv 命令速查表：

安装 uv

我们需要依据 uv 官网给我们提供的安装方法将 uv 安装到计算机中。

powershell -ExecutionPolicy ByPass -c "irm | iex"

以 Windows 为例，将上述命令输入到终端后等待几秒就会安装完成。

初始化环境

学习 langchain 我们要创建一个 Python 项目环境。

首先，创建 langchain 项目目录 learn-langchain，在目录下的终端命令行输入 uv init。

此时，uv 就会帮我们初始化开发环境，会生成如下初始文件：

其中，pyproject.toml 是 Python 项目的“总配置中心 + 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 = []

可以把它类比成前端项目中的 package.json 文件，下面我们详细解释这个文件中各个字段的含义。

• [project] ：这是一个 Python 项目的元数据声明，uv 会从这里读取项目信息。
• name：项目的官方名称。
• version：项目版本号。
• description：项目的一句话描述。
• readme：指定项目的 README 文件。
• requires-python：声明项目能运行的 Python 版本范围。
• dependencies：项目的运行时依赖，后续安装的依赖都会存到这里。

安装项目依赖

首先，安装 langchain 核心依赖，在项目跟目录终端输入：

uv add langchain langchain-core langchain-classic langchain-community

此时，新的依赖会声明在 pyproject.toml 文件的 dependencies 中。

同时，在项目中会生成 uv.lovk 文件和 .venv 文件：

• uv.lovk： uv 自动生成的依赖锁文件， 记录每个依赖的最终版本。
• .venv： uv 为当前项目创建的 Python 虚拟环境目录，避免全局 Python 环境污染。

激活虚拟环境

如果是 Windows 系统，在项目终端命令行输入：

.venvScriptsactivate

如果是 macOS / Linux 系统，在项目终端命令行输入：

source .venv/bin/activate

虚拟环境激活后，会在终端命令行前端显示 (learn-langchain) 表示当前激活的 Python 虚拟环境名称。

创建项目示例

安装依赖

首先，安装必要的依赖，在项目跟目录终端输入：

uv add python-dotenv langchain-openai langchain-deepseek

• python-dotenv是一个用于读取 .env 文件并将环境变量加载到 Python 运行时的工具。
• langchain-openai 提供对 OpenAI 官方模型 的接口封装。
• langchain-deepseek 提供对 DeepSeek 平台（OpenAI-compatible）的接口 封装。

配置环境变量

在项目根目录创建 .env 文件，输入如下内容：

OPENAI_API_KEY=sk-c97afa925b1745f79225c904dff53cba
OPENAI_API_BASE=

在学习 LangChain 的前期阶段，我们暂时使用 DeepSeek 作为我们的大语言模型。

因为 DeepSeek 兼容 OpenAI API 协议， 所以我们可以使用其 API key 赋值给 OPENAI_API_KEY。

访问 DeepSeek 开放平台，创建 API key 保存起来，然后赋值给 .env 中的 OPENAI_API_KEY。

使用官网提供的兼容 OpenAI 的base_url 赋值给 OPENAI_API_BASE。

创建示例

创建第一个示例，在项目根目录创建 01-hello-world 文件夹，在其文件夹内创建 01-chat.py 文件。

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)

上述代码的含义是：

1. 导入依赖

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

• from langchain_openai import ChatOpenAI
  • 从 LangChain 的 OpenAI 适配器包里导入 ChatOpenAI 类
  • 这个类封装了对 OpenAI 或兼容 API（DeepSeek）的对话模型调用
  • 本质上是一个 LLM（Large Language Model）客户端
• from dotenv import load_dotenv
  • 从 python-dotenv 导入 load_dotenv
  • 用来加载 .env 文件中的环境变量到 Python 的 os.environ

2. 加载环境变量

• load_dotenv()
  • 读取项目根目录下的 .env 文件
  • 将其中的内容（例如 OPENAI_API_KEY、OPENAI_API_BASE）导入环境变量
  • 这样 ChatOpenAI 就可以自动读取 Key 和 API Base，无需在代码中硬编码

3. 初始化 LLM

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

• 创建一个 ChatOpenAI 对象，用于发送消息给 LLM
• model="deepseek-chat" ：
  • 因为 DeepSeek 兼容 OpenAI API，这里可以直接指定 DeepSeek 提供的模型
• temperature=0：
  • 控制生成文本的随机性， 0 → 最确定、最稳妥， 越大 → 输出越多样化

4. 调用 LLM

• response = llm.invoke("你是谁")
  • invoke() 是 ChatOpenAI 的核心方法
  • 输入参数 "你是谁" 是 prompt，告诉 LLM 你希望它做什么
  • 返回值 response 是一个对象，通常包含：response.content → LLM 的文本输出

结语

最终，在终端命令行输入：python .1-hello-world1-chat.py 等待几秒就会在控制台打印内容。

这说明，我们第一个 LangChain 示例运行成功，后续，我们将开始系统学习 LangChain 提供的强大的能力。