LangChain框架入门02：环境搭建

在上一篇文章中，我们系统地了解了 LangChain 是什么、能做什么、核心模块有哪些，现在你可能有以下疑问：

项目环境该怎么搭建？
各个包之间有什么依赖关系？
第一个 LangChain 应用应该从哪里写起？

本文将带你从零开始，搭建一个基于 LangChain 的 Python 开发环境，带你写出第一个 支持 OpenAI 模型的聊天机器人程序。

一、LangChain包依赖关系

1.1 LangChain中的包

LangChain 框架被划分为多个独立包，用户可以根据实际需求自由选择所需模块，如果想要安装LangChain主包可以运行：

pip install langchain

LangChain主包虽然涵盖了框架的大部分功能，但其最大价值在于能够与各类模型提供商和主流数据库无缝集成，LangChain 主包本身并不包含这些第三方集成包的内容，下图表示了LangChain包之间的依赖关系。

langchain-core：除 langsmith 外，LangChain 中的其他所有包都依赖于该核心包，它提供了所有模块共享的基础类。

langchain：包含了langchain-core。

langchain-openai：OpenAI 相关工具的集成包

langchain-community：尚未独立拆分的第三方集成包。

langgraph：基于图的任务流程管理工具包，可以和LangChain无缝集成，也可以不使用LangChain单独安装

langsmith：LLM 应用的全生命周期管理平台，既可以与 LangChain 配合使用，也可以独立用于非 LangChain 的大模型应用场景。

二、项目搭建

2.1 Python环境

使用Python 版本为 3.10.11

python --version

Python 3.10.11

将pip的镜像源设置为腾讯云镜像，加快下载速度

pip config set global.index-url https://mirrors.cloud.tencent.com/pypi/simple

Writing to /Users/apple/.config/pip/pip.conf

pip config list

global.index-url='https://mirrors.cloud.tencent.com/pypi/simple'

2.2 创建虚拟环境

在开发 Python 项目时，首先创建项目文件夹：

mkdir langchain-study

创建虚拟环境，虚拟环境可隔离项目依赖，避免版本冲突

cd langchain-study

python -m venv env

激活虚拟环境

source env/bin/activate

2.3 PyCharm设置虚拟环境

打开项目，在 Settings 中配置 Python 虚拟环境，创建本地解释器。

选择之前创建的Python虚拟环境。

选择之前创建的虚拟环境中的Python解释器。

2.4 依赖版本管理

首先，创建依赖管理文件 requirements.txt

touch requirements.txt

在 requirements.txt 中添加 LangChain 所需依赖，其中 python-dotenv 用于加载 .env 环境变量配置。

langchain==0.2.17

langchain-community==0.2.19

langchain-core==0.2.43

python-dotenv==1.0.1

导入依赖

pip install -r requirements.txt

2.5 创建配置文件

在项目根目录下创建 .env 文件，添加 OpenAI 的 API 地址和密钥

# OpenAI大模型

OPENAI_API_KEY=**

OPENAI_API_BASE=https://api.***.***/v1

三、第一个聊天机器人

新建一个 Python 文件，就可以开始编写第一个聊天机器人程序了。

代码如下：

import dotenv

from langchain_core.output_parsers import StrOutputParser

from langchain_core.prompts import ChatPromptTemplate

from langchain_openai import ChatOpenAI

# 读取env配置

dotenv.load_dotenv()

# 1.创建提示词模板

prompt = ChatPromptTemplate.from_template("{question}")

# 2.构建GPT-3.5模型

llm = ChatOpenAI(model="gpt-3.5-turbo")

# 3.创建输出解析器

parser = StrOutputParser()

# 4.执行链

chain = prompt | llm | parser

print(chain.invoke({"question": "请以表格的形式返回三国演义实力最强的十个人，并进行简要介绍"}))

执行结果：

四、总结

本文介绍了LangChain框架的包依赖结构及其模块划分，明确了主包 langchain 与核心包 langchain-core、第三方集成包如 langchain-openai 和 langchain-community 之间的关系，并简要介绍了 langgraph 和 langsmith 这两个生态工具的功能与使用场景。

在项目实操部分，我们从零开始搭建了一个LangChain开发环境，涵盖了虚拟环境的创建、依赖版本管理、PyCharm解释器配置及.env配置文件的设置，并通过一个简单的聊天机器人示例，展示了 LangChain 与 OpenAI 模型的基础集成流程。

通过本文，相信你应该已经掌握了如何快速构建一个基于LangChain的Python开发环境，构建自己的第一个AI应用。后续将继续深入介绍LangChain的核心模块和高级用法，敬请期待。