Langchain 快速入门: 一行代码实现流式输出

作者：AI时代的一滴水

2025-04-20
北京
本文字数：1487 字
阅读完需：约 5 分钟

1. 什么是 LangChain？

定义：LangChain 是一个用于构建大语言模型（LLM）应用的开发框架，支持链式调用、记忆管理、工具集成等。
核心功能：
连接 LLM（如 GPT-4、DeepSeek）与外部数据/工具
构建多步骤任务的工作流（如问答、摘要、数据分析）
支持对话记忆和上下文管理

2. 核心组件

Models（模型），LangChain 支持几乎所有的主流 LLM
Prompts（提示词），-态生成提示模板
Chains（任务链），多步骤任务串联
Memory（记忆），管理对话历史，甚至支持没有记忆能力的 LLM
Agents（智能代理），能自动选择工具执行相应的任务

3. 为什么选择 LangChain？

4. 实战案例

安装

pip install langchainpip install -U langchain-deepseek

复制代码

简单 chat 案例

from langchain.chat_models import init_chat_modelfrom langchain_core.messages import SystemMessage, HumanMessagefrom langchain_core.prompts import ChatPromptTemplate
# 这里只是示意，工程中建议使用getpass.getpass()来获取API密钥api_key = "your DeepSeek API key"api_base = "https://api.deepseek.com/"
def simpleDemo():    """    简单的Langchain使用示例    """
    model = init_chat_model(        model="deepseek-chat",        api_key=api_key,        api_base=api_base,        temperature=0.8,        max_tokens=1024,        model_provider="deepseek",    )
    messages = [        SystemMessage("Translate the following English text to Chinese"),        HumanMessage("Hello, how are you?")    ]
    response = model.invoke(messages)    print(response)
if __name__ == "__main__":    simpleDemo()

复制代码

运行结果

# python ./langchain_demo.pyquestion: Hello, how are you?你好，最近怎么样？

复制代码

流式交互

你在使用各种 LLM 的时，看见 LLM 一个字一个字往外蹦字，是不是都惊呆了！别急，用 LangChain 十分容易的实现这种功能

def streamDemo():    """    流式输出的Langchain使用示例    """    model = init_chat_model(        model="deepseek-chat",        api_key=api_key,        api_base=api_base,        temperature=0.8,        max_tokens=1024,        model_provider="deepseek",    )
    messages = [        SystemMessage("Translate the following English text to Chinese"),        HumanMessage("Hello, how are you?")    ]
    for token in model.stream(messages):        print(token.content, end="", flush=True)    print("\n\n")
if __name__ == "__main__":    streamDemo()

复制代码

是不是代码非常简单！赶快换上你的 API key 体验一下吧！

Prompt 模板

def promptTemplateDemo():    """    使用PromptTemplate的Langchain使用示例    """    model = init_chat_model(        model="deepseek-chat",        api_key=api_key,        api_base=api_base,        temperature=0.8,        max_tokens=1024,        model_provider="deepseek",    )
    prompt = ChatPromptTemplate.from_messages([        SystemMessage("Translate the following English text to {language}"),        HumanMessage("{text}")    ])
    messages = prompt.invoke({"language": "Chinese", "text":"Hello, how are you?"})    response = model.invoke(messages)    print(response)
if __name__ == "__main__":    promptTemplateDemo()

复制代码

5. 简单总结

LangChain 大幅降低了 LLM 应用开发门槛，确实是相当简单易用。并且为我们快速替换 LLM 提供了非常遍历的基础。

发布于: 刚刚阅读数: 4

原文链接:【http://xie.infoq.cn/article/d3c0bc3af83df110dcf919d7a】。

AI时代的一滴水

关注

路虽远，行则必至；事虽难，做则必成 2020-07-21 加入

还未添加个人简介

发布

暂无评论

创作场景

Langchain 快速入门: 一行代码实现流式输出

1. 什么是 LangChain？

2. 核心组件

3. 为什么选择 LangChain？

4. 实战案例

安装

简单 chat 案例

流式交互

Prompt 模板

5. 简单总结

AI时代的一滴水

评论