安装、配置LangChain并实现单次聊天 · 从零构建 LangChain AI 应用

1. LangChain的安装与API配置

1.1 环境搭建

首先，我们需要搭建项目所需用到的环境。在这里我使用了 python 3.12作为解释器，并采用 .venv 作为项目的基本环境。

在构建完基础环境之后，需要使用下方pip指令安装LangChain:

shell

pip install langchain_openai==1.7.0

静等pip指令安装完毕，基础环境就已经搭建完成。

1.2 API Key的配置

1.2.1 获取 DeepSeek 的 API Key

首先需要进入DeepSeek 开放平台，完成注册登陆之后点击「API Keys」，输入API Key对应的名称之后会得到对应的API Key。这个API Key后面会用到，可以先保存下来，且不可再二次查看key。

create-deepseek-api-key

1.2.2 获取 Qwen 的 API Key

首先，需要进入千问AI平台。在注册与登陆之后，同样点击「API Keys」，随后点击「创建 API Key」并输入名称，即可得到Qwen的对应key。

create-qwen-api-key

2. 项目代码搭建

2.1 创建模型对象

LangChain帮我们封装了请求各家模型的ChatOpenAI方法，千问和DeepSeek模型均支持通过OpenAI的接口进行调用，因此我们只需要指定base_url与model就可以快捷的切换调用的模型。

python

from langchain_openai import ChatOpenAI

 # 1.2 节拿到的 Key
API_KEY = "sk-xxxxx"     
# DeepSeek 换成 https://api.deepseek.com                                      
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
# DeepSeek 用 deepseek-chat
MODEL = "qwen3.7-plus"

llm = ChatOpenAI(model=MODEL, api_key=API_KEY, base_url=BASE_URL)

这里的llm只是最简易的配置参数，可以设定的常用参数如下：

参数	用途
model	模型名称，写错会在调用时报 404 或 model not found
api_key / base_url	认证与接口地址，base_url 决定了请求发给谁
temperature	0 到 2，越低回答越稳定，越高越发散，默认 1
max_tokens	限制一次回答的最大长度

2.2 三种消息类型

之前我们只是申明了需要调用的模型的相关参数，现在我们需要通过引入消息来给模型提供上下文。在一般的Agent系统中，消息的来源主要分为系统消息、人发送的消息、模型回复的消息，为了方便区分消息来源，这三种消息在LangChain中分别对应为：

名称	用处
`SystemMessage`	给模型的人设与回答的规则，例如身份、语气、回答语言、禁止事项，用户看不到这些，但是模型的回答会受到规则与人设的约束。
`HumanMessage`	用户实际输入的内容，也是我们要问的问题。
`AIMessage`	模型的回答。通常通过 `llm.invoke()`的方式去获得。保存模型的回答，可以让他知道之前说过的话。

python

from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

messages = [
    SystemMessage("你是一个高级的助手，需要友善地回答用户的问题。"),
    HumanMessage("你好，简单介绍下你自己吧"),
]

2.3 调用模型并读取结果

想要获取模型调用的结果，使用invoke即可拿到模型的全部返回内容。（逐词返回将在后续章节中介绍）

python

response = llm.invoke(messages)
print(response.content)

invoke 是 LangChain 里最基本的调用方式：传入消息列表，阻塞等待，返回一个 AIMessage。除了 content 以外，返回对象上还有几样有用的信息：

python

print(type(response).__name__)          # AIMessage
print(response.response_metadata)       # 模型名、结束原因等
print(response.usage_metadata)          # 本次输入 / 输出 token 数，用来估算费用

2.4 完整代码

python

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage

# 填入刚刚获取的sk开头的API KEY，注意不要用错了
API_KEY = "sk-xxxxx•••••••••••••••••••"
# 如果是DeepSeek，切换为 https://api.deepseek.com
BASE_URL = "https://dashscope.aliyuncs.com/compatible-mode/v1"
# qwen可选 qwen-plus, qwen3.7-max 等
# deepseek可选 deepseek-chat
MODEL = "qwen3.7-plus"

llm = ChatOpenAI(model=MODEL, api_key=API_KEY, base_url=BASE_URL)

user_messsage = input("输入以获取回答：")

messages = [
    SystemMessage("你是一个高级的助手，需要友善的回答用户的问题。"),
    HumanMessage(user_messsage),
]

response = llm.invoke(messages)
print(response.content)

示例输出：

text

输入以获取回答：你好，简单介绍下你自己吧
你好！很高兴和你交流。我是一个高级AI助手，随时准备为你提供专业、贴心且高效的帮助。

我的能力涵盖了很多方面，比如解答各类知识问题、协助文案创作、提供逻辑分析、制定计划，或者只是陪你聊聊天、分享日常。我致力于用准确的信息和友善的态度，成为你工作和生活中的得力伙伴。

请问今天有什么我可以为你效劳的吗？