企业官网建设流程全解析

LangChain 近期重磅官宣 V1.0 版本正式发布！这次更新最核心的亮点，就是将原本独立的 LangChain 核心框架与 LangGraph 工作流引擎进行了深度无缝整合，不仅完整保留了两者在 LLM 应用开发、复杂多智能体协作、状态管理等场景的核心能力，更通过更友好的 API 设计、更简洁的封装逻辑，彻底解决了过去多模块衔接繁琐、开发链路冗长的痛点，让 使用者上手体验丝滑度直接拉满。
作为AI使用者和开发者，我第一时间上手体验了 V1.0 的新特性，深刻感受到这次更新对生产级项目的实用性 —— 不管是快速搭建简单的问答链路，还是设计复杂的多智能体协作流程，都能少写不少重复代码，效率提升肉眼可见。
接下来我会把自己的学习历程、实操踩坑总结、核心功能拆解陆续分享出来，帮大家少走弯路、快速吃透 V1.0 的关键用法。如果你也在折腾 LangChain 相关开发，或者对新版本有疑问、有独家技巧，欢迎在评论区畅所欲言，咱们一起交流碰撞～

一、基础环境配置

推荐使用conda环境进行下面操作，如果不在conda环境下请忽略conda环境创建过程，conda下载链接

#conda环境创建conda create-nlangchaninpython=3.12#出现选项按y，等待安装完成后输入下列指令进入环境conda activate langchanin

下面开始安装必要的包

pipinstall--upgradelangchain pipinstall--upgradelangchain-community pipinstall--upgradelangchain-deepseek pipinstall--upgradelangchain-ollama pipinstall--upgradedashscope pipinstallipywidgets pipinstallopenai pipinstallpython-dotenv

二、大模型API调用

1、QWEN API

首先去qwen官网注册登录获取API QWEN API获取
该网站有详细的API获取流程，可以参考

我们在要运行的脚本的同级文件夹下创建.env文件，将申请的API放入，也可以将API放入系统环境中，具体步骤可以问AI或者CSDN搜索

运行如下脚本，先使用OpenAI进行测试

importosfromopenaiimportOpenAIfromdotenvimportload_dotenv#初始化大模型key 读取 .env文件中的keyload_dotenv(override=True)qwen_key=os.getenv("QWEN_API_KEY")qwen_base_url=os.getenv("QWEN_BASE_URL")client=OpenAI(api_key=qwen_key,base_url=qwen_base_url)completion=client.chat.completions.create(model="qwen-plus",messages=[{"role":"system","content":"你是一个问题回答助手，善于回答各种问题"},{"role":"user","content":"你是谁？"}],)print(completion.model_dump_json())

运行后等待片刻即可看到输出

成功后使用langchain进行调用

importosfromopenaiimportOpenAIfromdotenvimportload_dotenvfromlangchain_community.chat_models.tongyiimportChatTongyi load_dotenv(override=True)qwen_key=os.getenv("QWEN_API_KEY")qwen_base_url=os.getenv("QWEN_BASE_URL")model=ChatTongyi(api_key=qwen_key,base_url=qwen_base_url)question="请问俄罗斯的首都是哪里"result=model.invoke(question)print(result.content)

运行成功

1、DeepSeek API

首先去官网申请一个deepseek API deepseek API申请
写入.env 文件

进行API连接测试

importosfromopenaiimportOpenAIfromdotenvimportload_dotenv#初始化大模型key 读取 .env文件中的keyload_dotenv(override=True)deepseek_key=os.getenv("DEEP_API_KEY")deepseek_base_url=os.getenv("DEEP_BASE_URL")client=OpenAI(api_key=deepseek_key,base_url=deepseek_base_url)completion=client.chat.completions.create(model="deepseek-chat",messages=[{"role":"system","content":"你是一个问题回答助手，善于回答各种问题"},{"role":"user","content":"你是谁？"}],)print(completion.choices[0].message.content)

成功后使用langchain进行调用

importosfromopenaiimportOpenAIfromdotenvimportload_dotenvfromlangchain_deepseekimportChatDeepSeek load_dotenv(override=True)deepseek_key=os.getenv("DEEP_API_KEY")deepseek_base_url=os.getenv("DEEP_BASE_URL")model=ChatDeepSeek(model="deepseek-chat"api_key=deepseek_key,base_url=deepseek_base_url)question="俄罗斯的首都是哪个城市"result=model.invoke(question)print(result.content)

三、本地部署模型调用

1、ollama模型调用

首先安装完成ollama
使用ollama list查看模型

使用langchain调用本地部署ollama模型

fromlangchain_ollamaimportChatOllama model=ChatOllama(model="qwen3:latest")question="俄罗斯的首都是哪个城市"result=model.invoke(question)print(result)

成功

2、VLLM模型调用

本地部署完成VLLM模型
使用下列代码调用

fromlangchain_openaiimportChatOpenAI# 配置本地 vLLM 服务llm=ChatOpenAI(base_url="http://localhost:4788/v1",# vLLM 的 OpenAI 兼容 API 地址api_key="token-abc123",# vLLM 不验证 API key，但必须提供非空字符串model="qwen2vl8b",# 必须与 --served-model-name 一致，或使用实际模型路径名temperature=0.7,max_tokens=512,)# Running a simple queryprint(llm.invoke("俄罗斯的首都是哪个城市"))

上述就是目前主流的模型调用方式，希望可以帮到你，如果有疑问可以在评论区讨论。