一.介绍

1.1 定义

LangChain：开源 LLM 应用开发框架（Python/JS 双版本），用来串联大模型、私有文档、向量库、工具、API，快速搭建 RAG、对话机器人、Agent 智能体。

LangChain官网https://www.langchain.comhttps://www.langchain.comhttps://www.langchain.comhttps://www.langchain.com

1.2 Agent

1.2.1 定义

Agent = 会思考、能自主规划、主动调用工具完成复杂任务的大模型。

1.2.2 四要素

• 感知（观察） 拿到用户目标、历史对话、工具返回结果。
• 思考（推理 / Thought） 我现在拥有哪些信息？信息够不够回答？缺什么？
• 行动（Action） 调用工具：搜索、读取文件、执行代码、查询数据库、调用 API。
• 记忆（Memory） 记住之前做过什么、工具返回了什么，避免重复操作。

1.2.3 agent工作流程图

1.3 LangChain、Chain、Agent 的核心区别

概念	LangChain	Chain	Agent
角色	舞台（提供场地、灯光、道具）	剧本（固定的台词和走位）	演员（根据剧情即兴发挥）
决策权	无（是环境）	无（按剧本走）	有（自主决定）
灵活性	高（提供各种组件）	低（步骤固定）	极高（动态规划）
复杂度	框架复杂度	任务复杂度	智能体复杂度
关键区别	是什么（框架）	怎么做（固定流程）	谁来做+怎么做（自主流程）

二.开发准备

2.1 Langchain

uv add langchain

 不同模型的安装依赖

# 集成 DeepSeek
uv add langchain-deepseek
集成 OpenAI
uv add langchain-openai
集成 Anthropic
uv add langchain-anthropic

包名	作用
langchain	LangChain 核心框架，提供 Chain、Agent、Memory 等功能
langchain-openai	接入 OpenAI 接口
python-dotenv	读取 .env 文件里的 API Key，不用把密钥写死在代码里
jupyterlab	网页版笔记本，可以边写边跑代码，适合学习和实验

2.2 uv

uv 是一个用 Rust 编写的极速 Python 包管理器和解析器，由 Astral 团队开发（也是 Ruff 的开发者）。它旨在替代 pip、pip-tools、pipenv、poetry、virtualenv 等工具，提供更快的依赖安装和虚拟环境管理。

为什么选择 uv？

• 极速安装：比 pip 快 10-100 倍，比 poetry 快 5-50 倍

• 统一工具链：一个工具替代多个 Python 包管理工具

• 兼容性好：完全兼容 pip 和 pip-tools 的工作流

• 跨平台：支持 Windows、macOS、Linux

• 现代化设计：内置虚拟环境管理、依赖锁定、项目脚手架等功能

2.2.1 安装方法

方法一：使用 pip 安装（推荐）

# 使用 pip 安装 uv
pip install uv
验证安装
uv --version

方法二：使用安装脚本（Linux/macOS）

# 使用 curl 安装
curl -LsSf https://astral.sh/uv/install.sh | sh
或者使用 wget
wget -qO- https://astral.sh/uv/install.sh | sh
安装后需要重启终端或运行
source ~/.bashrc  # 或 source ~/.zshrc

方法三：Windows 安装

# 使用 pip（推荐）
pip install uv
或者使用 PowerShell
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

Windows 用安装脚本装完后，当前终端的 PATH 不会立即生效，可以新开一个终端

2.2.2 uv 与 pip 命令对比

功能	pip 命令	uv 命令	说明
安装包	pip install langchain	uv add langchain	uv add 会自动更新 pyproject.toml
批量安装	pip install -r requirements.txt	uv pip install -r requirements.txt	uv 兼容 pip 命令
创建虚拟环境	python -m venv .venv	uv venv	uv 更简洁快速
列出依赖	pip list	uv pip list	uv 通过 uv pip 子命令兼容
生成锁文件	pip freeze > requirements.txt	uv lock	uv 生成 uv.lock 文件

三.项目创建

3.1 创建项目目录

首先，目录下右键创建文件并命名：

PyCharm 打开项目的正确方式

PyCharm 新建项目向导不支持 uv，正确流程是：

• 先在终端用 uv init 创建项目

• 再用 PyCharm → File → Open → 打开项目文件夹

• 配置解释器：选 .venv\Scripts\python.exe

3.2 初始化 uv 项目

uv init --python 3.12

3.3 安装相应的包

uv add langchain langchain-openai python-dotenv jupyterlab

3.4 配置 API Key

3.4.1 创建.env文件

右键创建时容易建成文件夹。确认 .env 是一个文件，不是文件夹。

3.4.2 输入相应信息

OPENAI_API_KEY=sk-你的key
OPENAI_BASE_URL=https://api.openai.com/v1

DEEPSEEK_API_KEY=sk-你的deepseek-key

ANTHROPIC_API_KEY=sk-你的claude-key

 .gitignore 里有这两行，防止密钥泄露：

.env

.ipynb_checkpoints/

3.5 启动 JupyterLab 

uv run jupyter lab

3.5 代码实例

# 1.加载环境变量（自动找项目根目录的 .env）
from pathlib import Path
from dotenv import load_dotenv
from datetime import datetime
import os

load_dotenv(Path(__file__).parent.parent / ".env")

# 检查 key 是否加载成功
if not os.getenv("OPENAI_API_KEY"):
    raise SystemExit("❌ 未找到 OPENAI_API_KEY，请确认项目根目录下有 .env 文件")

# 2.导入依赖
from langchain_core.tools import tool
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI


# 3.定义工具

@tool
def get_current_time() -> str:
    """获取当前系统时间"""
    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")


# 4.创建模型（用 DeepSeek 走 OpenAI 兼容接口，key 和 base_url 从 .env 读取）
llm = ChatOpenAI(model="deepseek-v4-flash")

# 5.定义Agent（工具必须在创建 Agent 之前定义好）
agent = create_agent(
    llm,  # 传入 LLM 对象
    tools=[get_current_time],  # 工具集
)

# 6.调用模型
print("🚀 正在调用大模型...")
response = agent.invoke({
    "messages": [
        {"role": "user", "content": "今天几月几日"}
    ]
})

# 7.打印结果（只输出最终回复，不输出内部调试信息）
print(response["messages"][-1].content)

结果：