首页 > AI教程 >LangChain实战：快速搭建Python开发环境

LangChain实战：快速搭建Python开发环境

来源：互联网 2026-07-15 18:44:08

python资讯合集

uv用Rust编写，比pip快10-80倍，整合pip、virtualenv等工具链。安装后运行uvinit初始化项目，通过uvadd安装LangChain核心依赖，配置.env文件调用DeepSeek模型，成功运行首个聊天示例。该工具显著提升Python包管理效率。

介绍 uv

在 Python 生态中，包管理一直是开发者面临的痛点，而 uv 的出现有效解决了这一问题。uv 由 Rust 编写，运行速度相比 pip 提升了 10 到 80 倍，性能优势非常明显。与 pip 仅解决单一功能不同，uv 借鉴了 Node.js 生态中 npm 或 pnpm 的理念，将 Python 常用的零散工具整合到一起，形成一站式解决方案。

uv 的核心亮点包括：

长期稳定更新的攒劲资源： >>>点此立即查看<<<

基于 Rust 的超高执行速度，显著提升 Python 包管理体验
整合 pip、virtualenv、pip-tools、pyenv、poetry 等多个常用工具链
与 Ruff 同团队开发，专业度和持续维护有保障
所有配置统一在 pyproject.toml 中，告别零散配置文件和混乱脚本
完全兼容 pip，迁移成本几乎为零

日常操作只需一张速查表即可掌握：

功能	命令
创建虚拟环境	`uv venv`
使用虚拟环境运行脚本	`uv run main.py`
安装依赖	`uv pip install fastapi`
安装到项目（写入 pyproject）	`uv add fastapi`
安装 Python 版本	`uv python install 3.12`
运行工具	`uv run uvicorn app:app`
解析依赖锁定	`uv pip compile`

安装 uv

安装过程非常简便。uv 官网提供了统一的脚本调用方式。以 Windows 为例，打开终端，粘贴以下命令，等待几秒即可完成安装：

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

初始化环境

安装完成后，需要创建一个项目环境来学习 LangChain。以学习为例，新建一个名为 learn-langchain 的目录，在目录下的终端运行 uv init。

此时 uv 会快速初始化一个开发环境，生成如下初始文件。其中最关键的是 pyproject.toml，它相当于 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 = []

可以将其类比为前端项目中的 package.json。字段含义如下：

[project]：项目的元数据声明，uv 据此读取项目信息
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：声明项目可运行的 Python 版本范围
dependencies：项目的运行时依赖，后续所有的依赖安装都会写入此处

安装项目依赖

接下来需要安装 LangChain 核心依赖。在项目根目录的终端输入以下命令：

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

安装完成后，项目目录中会新增两个关键文件：

uv.lock：uv 自动生成的依赖锁文件，锁定每个依赖的具体版本，确保不同机器上依赖完全一致
.venv：uv 为当前项目创建的 Python 虚拟环境目录，用于隔离依赖，避免污染全局 Python 环境

激活虚拟环境

Windows 与 macOS/Linux 的激活命令略有不同，根据您的系统选择对应的命令：

Windows： .venv\Scripts\activate
macOS / Linux： source .venv/bin/activate

激活成功后，终端命令行前方会出现 (learn-langchain) 字样，表示当前处于该虚拟环境中。

创建项目示例

安装依赖

基础环境搭建完成后，可以尝试第一个真正的 LangChain 项目。在项目根目录安装额外的依赖：

uv add python-dotenv langchain-openai langchain-deepseek

python-dotenv：用于读取 .env 文件，自动将敏感环境变量挂载到 Python 运行时，避免密钥硬编码
langchain-openai：提供对 OpenAI 官方模型的接口封装
langchain-deepseek：提供对 DeepSeek 平台（OpenAI 兼容）的接口封装

配置环境变量

在项目根目录创建 .env 文件，写入以下内容：

OPENAI_API_KEY=sk-c97afa925b1745f79225c904dff53cba
OPENAI_API_BASE=https://api.deepseek.com/v1

学习 LangChain 初期，可以先使用 DeepSeek 作为大语言模型，因为它完全兼容 OpenAI 的 API 协议。只需将 DeepSeek 开放平台申请的 API key 赋值给 OPENAI_API_KEY，并提供官方兼容的 base_url 赋值给 OPENAI_API_BASE 即可。

创建示例

在项目根目录新建 01-hello-world 文件夹，在其中创建 01-chat.py 文件，代码如下：

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)

此代码逻辑清晰，分为四个步骤：

导入依赖

from langchain_openai import ChatOpenAI —— 从 LangChain 的 OpenAI 适配器包导入 ChatOpenAI 类，本质是一个 LLM 客户端，用于与模型对话。

from dotenv import load_dotenv —— 从 python-dotenv 导入 load_dotenv，用于读取 .env 文件内容并注入环境变量。
加载环境变量

load_dotenv() —— 读取项目根目录下的 .env 文件，将 OPENAI_API_KEY 和 OPENAI_API_BASE 挂到系统环境变量中，ChatOpenAI 即可自动获取，无需显式传参。
初始化 LLM

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

创建 ChatOpenAI 实例，model 参数指定模型名称（DeepSeek 兼容 OpenAI API，此处使用 deepseek-chat）。temperature=0 表示输出确定性最强，数值越高输出越多样。
调用 LLM

response = llm.invoke("你是谁") 是核心调用。输入 prompt 后，返回响应对象，response.content 为模型返回的文本内容。