转型AI应用开发——LangChain 实战第一课：手把手跑通你的第一个大模型调用

今天开启AI应用开发技术分享的第一篇内容——开始你的第一次langchain调用大模型。

语言这块我们选择python，用来学习的api，选择deepseek。（自行去DeepSeek官网购买api额度和获取密钥）

然后我们准备下三个代码文件。

第一个文件，我们命名为**.env **，它是一个专门存环境变量的文件，我们主要存DeepSeek的API key，不要写在业务代码中，防止泄露

           
           
           
           deepseek_api_key=xxxxxxxxxxxxxxxxxxx

第二个文件，我们命名为 01_call_deepseek.py，这是deepseek提供的原生调用案例，我们稍微改动了下，使用读取环境变量的方式，获得deepseek_api_key。

调用大模型，主要是使用openai库，已经封装好了，我们按照格式填入参数就行。
从代码中我们可以看到，我们调用大模型，需要传入两个关键内容：

1. 1. 系统角色提示词
2. 2. 用户提问提示词

格式是固定的，我们自己DIY用户的content就行。

           
           
           
           from openai import OpenAIimport osfrom dotenv import load_dotenvload_dotenv()client = OpenAI(api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com")response = client.chat.completions.create(    model="deepseek-chat",    messages=[        {"role": "system", "content": "你是一个AI助手，你会回答用户的问题"},        {"role": "user", "content": "你好"},    ],    stream=False)print(response.choices[0].message.content)

第二个文件，我们命名为01_call_deepseek_langchain.py，这里调用大模型，不是用openai的库，而是经过langchain封装的langchain_openai库。

写法分三块：

1. 1. 大模型调用参数组装（llm = ChatOpenAI（...）)
2. 2. 调用提示词组装（SystemMessage、HumanMessage）
3. 3. 调用大模型的函数(llm.invoke)

           
           
           
           from langchain_openai import ChatOpenAIfrom langchain.schema import HumanMessage, SystemMessageimport osfrom dotenv import load_dotenvload_dotenv()# 使用LangChain的ChatOpenAI类调用DeepSeekllm = ChatOpenAI(    api_key=os.getenv("deepseek_api_key"),    base_url="https://api.deepseek.com/v1",    model="deepseek-chat",    temperature=0.7)# 创建消息messages = [    SystemMessage(content="你是一个AI助手，你会回答用户的问题"),    HumanMessage(content="你好")]# 调用模型response = llm.invoke(messages)print(response.content)

这里我用的工具是Trae，感兴趣又不知道怎么开始上手的同学，可以借助这类AI编程工具，让AI辅助生成代码，并且帮助我们运行起来。

先把代码跑起来，再反过来思考为什么，举一反三，这样学习是最快的。