环境准备

LangChain V1.x

1、基本要求

本课程需要新建虚拟环境，Python 版本为 3.10+。

2、conda、uv、pip、venv 到底是什么关系？

在正式搭建环境之前，先花一分钟理清这几个工具的关系——很多同学在这里被绕晕。

1、内建的模块不需要你手动的安装，只要你有python 的sdk 可以。 time /os...
2、第三方的模块，需要手动的安装（用什么安装什么...可控） lanchain/langchain-deepseek/langchain-openai/langchain-an...
3、自己的模块，不需要手动安装，只需要引入就可以。 app.a.py from app.a import

开发 Python 项目，你需要解决两个问题：① 环境隔离（不同项目用不同的 Python 版本和依赖，互不干扰）和 ② 包安装（把 numpy、langchain 这些库装进来）。市面上的工具就是围绕这两件事做的，只不过各自覆盖的范围不同：

简单说：venv + pip 是 Python 自带的"原始组合"，能用但体验一般；conda 是"什么都管的瑞士军刀"，功能全但体积大、速度慢；uv 是"新一代替代品"，速度极快、功能覆盖 venv + pip 的全部能力，还能管理 Python 版本。

本课程为什么选 uv 而不是 conda？

对比维度	conda	uv
安装包速度	较慢（依赖解析复杂）	极快（Rust 编写，快 10-100 倍）
管理 Python 版本	✅	✅（`uv python install 3.12`）
虚拟环境	✅	✅（`uv init` 自动创建）
依赖锁定	`environment.yml`（不精确）	`uv.lock`（精确锁定，可复现）
包来源	conda 仓库 + PyPI	PyPI（LangChain 全生态都在这里）
安装非 Python 库（CUDA等）	✅ 这是 conda 的独特优势	❌ 只管 Python 包
体积	较大（Anaconda ~3GB）	极小（单个二进制文件）

结论：LangChain 的所有包都在 PyPI 上，不需要 conda 仓库。uv 在速度、依赖管理、环境复现上全面优于 conda。本课程统一使用 uv，不再需要 conda/pip/venv。

什么时候还需要 conda？ 如果你做深度学习项目，需要安装 CUDA、cuDNN 等非 Python 的 C/C++ 库，conda 仍然有价值。但这不在本课程范围内，遇到时再单独处理即可。

3、LangChain 包结构

在安装之前，先了解一下 LangChain 的包是怎么组织的——它不是一个"大而全"的单一包，而是按职责拆分成多个小包，按需安装：

分类	包名	说明
核心包	`langchain`	核心包（必须安装）
	`langchain-core`	核心抽象和基础类（随 langchain 自动安装）
	`langchain-cli`	命令行工具（可选）
模型集成	`langchain-openai`	OpenAI 集成（GPT-4 等）
	`langchain-anthropic`	Anthropic 集成（Claude 系列）
	`langchain-google-genai`	Google Gemini 集成
	`langchain-ollama`	Ollama 本地模型集成
	`langchain-deepseek`	DeepSeek 集成
	`langchain-community`	社区维护的集成包
功能扩展	`langchainhub`	提示词和链的共享仓库
	`langchain-chroma`	Chroma 向量数据库集成
	`langchain-elasticsearch`	Elasticsearch 集成
	`langchain-redis`	Redis 缓存集成

原则：只安装你用到的包。uv 的依赖解析很快，随时 uv add 新包即可，不用一次装全。

4、安装 uv

bash

# Windows（PowerShell）
powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

# macOS / Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

安装完成后验证：

bash

uv --version

也可以用 pip install uv 快速安装，但推荐上面的官方方式（更快、不依赖已有 Python）。

5、创建项目环境并安装 LangChain

bash

# 1. 创建项目目录
mkdir langchain-course && cd langchain-course

# 2. 用 uv 初始化项目（自动创建虚拟环境 + pyproject.toml）
uv init

# 3. 指定 Python 版本（推荐 3.12）
uv python pin 3.12

# 4. 安装 LangChain 核心包
uv add langchain

# 5. 按需安装模型提供商集成（选你要用的）
uv add langchain-openai           # OpenAI（GPT-4 等）
uv add langchain-anthropic        # Anthropic（Claude 系列）
uv add langchain-google-genai     # Google Gemini
uv add langchain-deepseek         # DeepSeek
uv add langchain-ollama           # Ollama 本地模型

# 6. 按需安装功能扩展包
uv add langchain-chroma           # Chroma 向量数据库
uv add python-dotenv              # .env 环境变量加载

为什么用 uv add 而不是 uv pip install？ uv add 会自动将依赖写入 pyproject.toml 并生成 uv.lock 锁文件，方便团队协作和环境复现。uv pip install 也能用，但不会记录依赖关系。

6、理解项目文件：pyproject.toml 和 uv.lock

执行完上面的命令后，你会发现项目目录里多出了几个文件：

langchain-course/
├── .venv/              # 虚拟环境（uv 自动创建）
├── pyproject.toml      # 项目配置 + 依赖清单（你手动管理）
├── uv.lock             # 依赖锁文件（uv 自动生成）
└── main.py             # 入口文件

这三个东西各自的角色，用一个比喻来理解：

pyproject.toml          uv.lock                 .venv/
  "购物清单"              "收银小票"               "冰箱"
你写的：我要牛奶≥3瓶    uv算的：牛奶3.2瓶        实际安装的包
                        酸奶1.1瓶（牛奶的依赖）
                        糖0.5袋（酸奶的依赖）

  你手动管理              uv 自动生成              uv 自动安装
  ✅ 提交到 git           ✅ 提交到 git            ❌ 不提交（加进 .gitignore）

pyproject.toml — "我需要什么"

这是项目的配置文件，记录了项目名称、Python 版本要求、以及你手动安装的依赖列表。每次执行 uv add langchain 时，uv 就往这个文件的 dependencies 里加一条记录：

toml

[project]
name = "langchain-demo"
version = "0.1.0"
requires-python = ">=3.10"
dependencies = [
    "langchain>=1.2.15",
    "langchain-openai>=1.1.15",
    "langchain-anthropic>=1.4.1",
    "langchain-ollama>=1.1.0",
    "openai>=2.32.0",
    "python-dotenv>=1.1.0",
    "notebook>=7.5.5",
]

版本号后面的 >=1.2.15 表示"至少要这个版本"，是一个宽松的约束。你不需要手动编辑这个文件，uv add / uv remove 会自动维护它。

uv.lock — "我实际装了什么"

这是 uv 自动生成的锁文件，记录了每个包及其所有间接依赖的精确版本号。你永远不需要手动编辑它。

它解决的核心问题是可复现性——把 pyproject.toml 和 uv.lock 发给同事，同事执行一条命令就能得到和你完全一致的环境：

bash

# 同事拿到你的项目后，一条命令还原环境
uv sync

不会再出现"在我电脑上能跑、在你电脑上报错"的问题。

常见小坑：python-dotenv 和 dotenv 是两个不同的包。代码里 from dotenv import load_dotenv 实际依赖的是 python-dotenv。如果你不小心装成了 dotenv，用以下命令修正：
bash
uv remove dotenv
uv add python-dotenv

7、验证安装

bash

# 在项目目录下运行
uv run python -c "import langchain; print(langchain.__version__)"

或进入 Python 交互环境：

python

import langchain
print(langchain.__version__)  # 应显示版本号

8、常用大模型服务平台

LangChain 的核心优势之一是模型无关性——切换模型只需改一行配置。但前提是你得有一个能用的 API。下面按使用场景整理了主流平台，帮你快速找到适合自己的方案。

海外模型官方平台（需科学上网 + 海外支付）

平台	地址	代表模型	说明
OpenAI	https://platform.openai.com/	GPT-4o、GPT-4.1、o3	最主流的闭源模型，需 Visa/Master 信用卡
Anthropic	https://console.anthropic.com/	Claude Sonnet 4、Claude Opus 4	长上下文、代码能力强，需海外信用卡
Google AI Studio	https://aistudio.google.com/	Gemini 2.5 Pro/Flash	免费额度较多，注册门槛低

国内代理/中转平台（国内直连、支付宝付费）

如果你没有海外支付手段，或者网络环境不方便直连，可以使用以下代理平台。它们提供与官方完全兼容的 API 接口，只需替换 base_url 即可，代码无需任何修改：

平台	地址	可用模型	特点
CloseAI	https://platform.closeai-asia.com/	OpenAI、Claude、Gemini 全系列	亚洲最大的 API 中转平台，企业级稳定性，支持支付宝，100% 官方转发
OpenRouter	https://openrouter.ai/	350+ 模型（闭源+开源）	统一接口切换任意模型，美元计费，部分免费模型可用

本课程推荐：使用 CloseAI 作为代理平台。注册后用支付宝充值即可获取 API Key，base_url 设置为 https://api.closeai-asia.com/v1，其余代码与直连 OpenAI 完全一致。

国产模型平台（国内直连、部分有免费额度）

平台	地址	代表模型	特点
DeepSeek	https://platform.deepseek.com/	DeepSeek-V3、DeepSeek-R1	性价比极高，推理能力强，兼容 OpenAI 接口格式
阿里云百炼	https://bailian.console.aliyun.com/	通义千问 Qwen 系列	一站式大模型开发平台，企业级服务
硅基流动	https://www.siliconflow.cn/	DeepSeek、Qwen、GLM 等 50+ 开源模型	开源模型推理加速平台，新用户送 2000 万 Token，兼容 OpenAI 接口格式
智谱 AI	https://open.bigmodel.cn/	GLM-4、GLM-5 系列	GLM-4-Flash 永久免费，中文能力强

如何选择？

你的情况是？
│
├─ 有科学上网 + 海外信用卡
│   └──▶ 直连 OpenAI / Anthropic 官方（延迟最低、最稳定）
│
├─ 国内网络 + 只有支付宝
│   └──▶ CloseAI 代理（本课程推荐方案，改一行 base_url 搞定）
│
├─ 想省钱 / 学习用途
│   └──▶ DeepSeek（超便宜）或 硅基流动（有免费额度）
│
└─ 想用国产模型
    └──▶ 阿里云百炼（Qwen）或 智谱AI（GLM）

9、配置环境变量

使用时只需要注册、充值并创建API-Key，之后即可使用API-Key与BASE_URL来调用平台提供的相应的模型的服务。

通过.env文件配置

适用于实际项目当中：

在项目根目录中创建.env文件
添加环境变量（以OPENAI_BASE_URL和OPENAI_API_KEY为例）：

env

# OpenAI配置（使用CloseAI代理）
OPENAI_API_KEY=sk-your-api-key
OPENAI_BASE_URL=https://api.closeai-asia.com/v1

# Anthropic配置（可选）
ANTHROPIC_API_KEY=sk-ant-your-api-key

# DeepSeek配置（可选）
DEEPSEEK_API_KEY=sk-your-deepseek-key

在代码中读取环境变量：

python

# pip install python-dotenv
from dotenv import load_dotenv
import os

# 通过load_dotenv()将.env中的变量加载为环境变量
# override=True表示：无论你当前的操作系统、终端或者虚拟环境中是否已经存在同名的环境变量，
# 都会强行用 .env 文件里写的值去覆盖它
load_dotenv(override=True)

# 读取环境变量
api_key = os.getenv("OPENAI_API_KEY")
base_url = os.getenv("OPENAI_BASE_URL")
print(api_key)

注意：不要将.env放在git管理目录当中，避免数据泄露。建议将.env添加到.gitignore文件中。

通过Windows全局环境变量配置

适用于学习环境下，经常需要使用到的某些环境变量。

本课程当中，会将部分环境变量，通过Windows做全局配置，避免重复执行load_dotenv操作。

设置步骤：

右键"此电脑" → "属性" → "高级系统设置"
点击"环境变量"
在"用户变量"中新建：
- 变量名：OPENAI_API_KEY
- 变量值：你的API密钥

在代码中使用环境变量

python

import os
from langchain_openai import ChatOpenAI

# 从环境变量读取配置
llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

10、快速上手：第一个LangChain程序

在开始深入学习之前，让我们创建一个简单的Agent来感受LangChain的强大！

简单的模型调用

python

# pip install langchain-openai
import os
from langchain_openai import ChatOpenAI

# 创建模型实例（确保已设置环境变量）
llm = ChatOpenAI(
    model="gpt-4",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL", "https://api.openai.com/v1")
)

# 调用模型
response = llm.invoke("你好，请用一句话介绍Python")
print(response.content)

实际开发中使用.env方式

环境准备 ​

1、基本要求 ​

2、conda、uv、pip、venv 到底是什么关系？ ​

本课程为什么选 uv 而不是 conda？ ​

3、LangChain 包结构 ​

4、安装 uv ​

5、创建项目环境并安装 LangChain ​

6、理解项目文件：pyproject.toml 和 uv.lock ​

7、验证安装 ​

8、常用大模型服务平台 ​

海外模型官方平台（需科学上网 + 海外支付） ​

国内代理/中转平台（国内直连、支付宝付费） ​

国产模型平台（国内直连、部分有免费额度） ​

如何选择？ ​

9、配置环境变量 ​

通过.env文件配置 ​

通过Windows全局环境变量配置 ​

在代码中使用环境变量 ​

10、快速上手：第一个LangChain程序 ​

简单的模型调用 ​

环境准备

1、基本要求

2、conda、uv、pip、venv 到底是什么关系？

本课程为什么选 uv 而不是 conda？

3、LangChain 包结构

4、安装 uv

5、创建项目环境并安装 LangChain

6、理解项目文件：pyproject.toml 和 uv.lock

7、验证安装

8、常用大模型服务平台

海外模型官方平台（需科学上网 + 海外支付）

国内代理/中转平台（国内直连、支付宝付费）

国产模型平台（国内直连、部分有免费额度）

如何选择？

9、配置环境变量

通过.env文件配置

通过Windows全局环境变量配置

在代码中使用环境变量

10、快速上手：第一个LangChain程序

简单的模型调用