本文是一篇面向小白和程序员的LangChain快速入门教程。文章介绍了如何使用Python通过LangChain框架集成OpenAI、DeepSeek等主流大模型或本地Ollama模型。通过实战代码演示了从基础调用到构建具备工具调用能力的AI Agent如停车场查询助手并进一步讲解了如何实现结构化数据输出。文末还提供了模型选择建议及常见报错的解决方案帮助开发者快速上手大模型应用开发。LangChain是一个用于构建智能体的开源框架可以集成任何模型或者工具。它由大语言模型驱动只需要不到10行代码就可以连接OpenAI、Anthropic、谷歌等世界最先进的模型为你工作。准备工作首先LangChain支持Python和Typescript在本系列文章中主要使用python进行演示安装LangChainpip install -U langchain # Python版本要求在3.10以上集成大模型LangChain支持了目前主流的各大AI平台如OpenAI、谷歌、Anthropic、DeepSeek等等你可以到下面这个地址看到所有支持的模型https://docs.langchain.com/oss/python/integrations/providers/overview# 安装openai相关支持 pip install -U langchain-openai # 安装DeepSeek相关支持 pip install -U langchain-deepseek当然也支持本地部署的大模型如Ollama、vLLM、SGLang等本地在开始使用LangChain写我们的第一行代码之前我们首先需要准备一个大模型的API通常来说有两种途径你可以在OpenAI,DeepSeek等官方网站上去申请一个账号获取一个api-key使用本地的服务器、电脑来部署一个本地的大模型使用Ollama、vLLM、SGLang等快速开始从调用一个DeepSeek开始from langchain_core.messages import HumanMessage from langchain_deepseek import ChatDeepSeek # api_base可以用于特定的代理地址或本地地址不填则默认使用DeepSeek官方# api_key来自DeepSeek官方申请得到model ChatDeepSeek(modeldeepseek-chat, # api_basehttp://localhost:8000/v1, api_keysk-xxxxx) result model.invoke(你好 DeepSeek!) print(result.content)运行可以看到输出代码如下我们就成功调用了 DeepSeek 。可以看到使用 LangChain 从创建项目到成功调用大模型大概只需要几分钟时间是非常简单的。LangChain 让我们可以节省出更多的时间来专注业务的构建不用再去重复造轮子了。如果你的电脑或服务器还不错也可以使用本地的 ollama 运行一个 Qwen3 来进行测试model ChatOllama(modelqwen3) result model.invoke(你好 Qwen3! \\no_think) print(result.content)在基础模型之上构建智能体我们使用 LangChain 主要是需要构建一个专属领域的智能体比如在一个 IDE 里创建一个 AI 编程助手在医生看诊时的一个写病历、下诊断助手公司内部的一个停车场查询助手等等假设我们实际的业务中有一个接口# 停车场车位信息 def get_parkinglot_info() - str: 获取停车场车位信息 # 我们可以假设系统中有 3 个停车场分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return (停车场车位信息如下\n1号车位已满 \n2号停车场剩余 20 个车位 \n3号停车场剩余 30 个车位)我们基于上述 DeepSeek 模型创建一个Agent让其可以帮我们在接口里自动查询出哪个停车场车位充足。from langchain.agents import create_agent from langchain_core.messages import HumanMessage, AIMessage from langchain_deepseek import ChatDeepSeek # 调用一个DeepSeek model ChatDeepSeek(modeldeepseek-chat, # 可以使用搭建的DeepSeek不填写则可以使用DeepSeek的公开API api_basehttp://localhost:8000/v1, api_key1) # 停车场车位信息 def get_parkinglot_info() - str: 获取停车场车位信息 # 我们可以假设系统中有 3 个停车场分别用 mock 的数据模拟 # 实际业务中可以通过接口查询 return (停车场车位信息如下\n1号车位已满 \n2号停车场剩余 20 个车位 \n3号停车场剩余 30 个车位) agent create_agent(model, system_prompt你是一个停车场车位查询助手, tools[get_parkinglot_info] ) result agent.invoke({messages: [HumanMessage(content哪个停车场还有车位)]}) for message in result.get(messages, []): if isinstance(message, AIMessage): print(message.content)查询结果如下为了更有效地对接系统让 AI 可以帮我们将非结构化的数据整理成结构化的数据方便进行处理再比如让 AI 帮我们找到车位最多的停车场并结构化成我们希望的样式class ParkinglotInfo(BaseModel): name: str Field(description停车场名称) num: int Field(description剩余车位数量)structured_agent create_agent(model, system_prompt你是一个停车场车位查询助手。请调用工具获取停车场信息然后按照用户要求的格式组织数据。, tools[get_parkinglot_info], response_formatToolStrategy(ParkinglotInfo))structure_result structured_agent.invoke({messages: [HumanMessage(请告诉我哪个停车场的车位最多并按照 {name:停车场名称,num:数量} 的格式进行组织)]}) print(f) print(f结构化输出结果{structure_result[structured_response]})# 输出结果# # 结构化输出结果name3号停车场 num30Tip值得注意的是在最后输出结构化时很可能出现报错如果排除了网不通/代码写错等等问题后依然出现那么通常有两种可能性小规模模型的指令跟随能力、文档总结能力、结构化能力有缺陷即使是最先进的模型如 DeepSeek-V3.2也会因为提供厂商的工程能力官方和第三方差异导致输出结果不符合预期1。在初学时极容易遇到这个问题卡主解决方案如下财力够建议尽量使用官方提供的模型如 DeepSeek 官方、OpenAI 官方等等避免使用第三方。资金有限尽量使用 Qwen3系列 这种指令跟随能力较强的小模型会减少很多因为模型能力不足导致的问题结语本篇文章中我们了解到了在 AI 应用开发中如何使用 LangChain 快速连接一个大语言模型构建一个简单的 Agent使用大语言模型进行工具调用以及结构化输出。参考文献1. https://docs.langchain.com/oss/python/langchain/overview附注1. DeepSeek-v3.2 指令跟随缺陷导致的 Agent 输出不符合预期如果你在使用 DeepSeek-V3.2 这种旗舰模型时出现了类似下面的问题那么恭喜你通常这是一个本地部署/第三方提供的 DeepSeek 缺陷导致的问题解决方法使用官方提供的 DeepSeek 接口将你部署的 SGLang 版本升级到 0.5.7写稿时暂未发布以上版本来解决这个问题2. 有没有比较价廉物美小模型测试方案这里我推荐使用qwen3:4b-instruct-2507-fp16这个模型你可以直接使用ollama run qwen3:4b-instruct-2507-fp16来运行这个模型即使性能较差的电脑也可以顺利运行。如果你的电脑还不错那么qwen3:30b-instruct这个模型也可以尝试一下性能会好很多。qwen3 系列模型包括语音、图像、视频等多模态模型在应对LangChain学习的任务上应该都可以胜任最后我在一线科技企业深耕十二载见证过太多因技术更迭而跃迁的案例。那些率先拥抱 AI 的同事早已在效率与薪资上形成代际优势我意识到有很多经验和知识值得分享给大家也可以通过我们的能力和经验解答大家在大模型的学习中的很多困惑。我整理出这套 AI 大模型突围资料包✅AI大模型学习路线图✅Agent行业报告✅100集大模型视频教程✅大模型书籍PDF✅DeepSeek教程✅AI产品经理入门资料完整的大模型学习和面试资料已经上传带到CSDN的官方了有需要的朋友可以扫描下方二维码免费领取【保证100%免费】为什么说现在普通人就业/升职加薪的首选是AI大模型人工智能技术的爆发式增长正以不可逆转之势重塑就业市场版图。从DeepSeek等国产大模型引发的科技圈热议到全国两会关于AI产业发展的政策聚焦再到招聘会上排起的长队AI的热度已从技术领域渗透到就业市场的每一个角落。智联招聘的最新数据给出了最直观的印证2025年2月AI领域求职人数同比增幅突破200%远超其他行业平均水平整个人工智能行业的求职增速达到33.4%位居各行业榜首其中人工智能工程师岗位的求职热度更是飙升69.6%。AI产业的快速扩张也让人才供需矛盾愈发突出。麦肯锡报告明确预测到2030年中国AI专业人才需求将达600万人人才缺口可能高达400万人这一缺口不仅存在于核心技术领域更蔓延至产业应用的各个环节。资料包有什么①从入门到精通的全套视频教程⑤⑥包含提示词工程、RAG、Agent等技术点② AI大模型学习路线图还有视频解说全过程AI大模型学习路线③学习电子书籍和技术文档市面上的大模型书籍确实太多了这些是我精选出来的④各大厂大模型面试题目详解⑤ 这些资料真的有用吗?这份资料由我和鲁为民博士共同整理鲁为民博士先后获得了北京清华大学学士和美国加州理工学院博士学位在包括IEEE Transactions等学术期刊和诸多国际会议上发表了超过50篇学术论文、取得了多项美国和中国发明专利同时还斩获了吴文俊人工智能科学技术奖。目前我正在和鲁博士共同进行人工智能的研究。所有的视频教程由智泊AI老师录制且资料与智泊AI共享相互补充。这份学习大礼包应该算是现在最全面的大模型学习资料了。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。智泊AI始终秉持着“让每个人平等享受到优质教育资源”的育人理念通过动态追踪大模型开发、数据标注伦理等前沿技术趋势构建起前沿课程智能实训精准就业的高效培养体系。课堂上不光教理论还带着学员做了十多个真实项目。学员要亲自上手搞数据清洗、模型调优这些硬核操作把课本知识变成真本事如果说你是以下人群中的其中一类都可以来智泊AI学习人工智能找到高薪工作一次小小的“投资”换来的是终身受益应届毕业生无工作经验但想要系统学习AI大模型技术期待通过实战项目掌握核心技术。零基础转型非技术背景但关注AI应用场景计划通过低代码工具实现“AI行业”跨界。业务赋能 突破瓶颈传统开发者Java/前端等学习Transformer架构与LangChain框架向AI全栈工程师转型。获取方式有需要的小伙伴可以保存图片到wx扫描二v码免费领取【保证100%免费】**