本课程指导你完成LangChain开发环境的搭建，重点介绍如何使用国内可访问的AI模型（阿里云百炼、DeepSeek等）。你将学会安装必要的依赖包、配置API密钥、理解模型参数，并运行第一个AI程序。课程包含完整的错误处理示例，确保你能顺利完成环境配置。
🎯 学习目标
- 安装LangChain和相关依赖
- 配置国内可用的AI模型（通义千问、DeepSeek等）
- 运行第一个AI程序
- 理解API调用的基本原理
📦 环境准备
1. Python环境（你应该已经有了）
2. 创建虚拟环境
1
2
3
4
5
6
7
8
|
cd /Users/t-yuhaiyang/PycharmProjects/demo/demo_15
uv venv
source .venv/bin/activate
|
3. 安装依赖包
1
2
3
4
5
|
uv pip install langchain langchain-openai langchain-community
uv pip install python-dotenv pydantic httpx
|
🔑 获取API密钥
方案1：阿里云百炼平台（推荐）
为什么选择阿里云百炼？
- ✅ 国内访问快速稳定
- ✅ 新用户有免费额度
- ✅ 兼容OpenAI接口，可以直接用LangChain
- ✅ 模型性能好（通义千问）
获取步骤：
- 访问：https://bailian.console.aliyun.com/
- 注册/登录阿里云账号
- 开通”百炼”服务
- 进入”API-KEY管理”
- 创建API Key（免费）
可用模型：
qwen-plus: 通用模型，性能好，适合大多数场景qwen-turbo: 快速模型，响应快，成本低qwen-max: 最强模型，复杂任务
方案2：DeepSeek（经济实惠）
特点：
- ✅ 价格便宜（输入0.001元/千tokens）
- ✅ 性能不错
- ✅ 兼容OpenAI接口
获取步骤：
- 访问：https://platform.deepseek.com/
- 注册账号
- 充值（最低10元，可以用很久）
- 创建API Key
可用模型：
方案3：本地模型（进阶）
后续课程会介绍如何使用Ollama运行本地模型，完全免费但需要较好的电脑配置。
🔧 配置环境变量
创建配置文件
在 项目 目录下创建 .env 文件：
1
2
3
4
5
6
7
8
9
10
11
12
|
ALIBABA_API_KEY=your_api_key_here
ALIBABA_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1
DEEPSEEK_API_KEY=your_deepseek_key_here
DEEPSEEK_BASE_URL=https://api.deepseek.com/v1
DEFAULT_PLATFORM=alibaba
|
⚠️ 安全提示：
- 不要把
.env文件提交到Git仓库 - API Key是敏感信息，要妥善保管
创建 .gitignore
1
2
3
4
5
|
echo ".env" >> .gitignore
echo ".venv/" >> .gitignore
echo "__pycache__/" >> .gitignore
echo "*.pyc" >> .gitignore
|
💻 第一个AI程序
示例1：Hello AI（基础版）
创建 01_hello_ai.py：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
| """
第一个AI程序：Hello AI
演示：如何调用AI模型进行简单对话
"""
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os
load_dotenv()
def create_llm() -> ChatOpenAI:
"""
创建语言模型实例
Returns:
ChatOpenAI: 配置好的模型实例
"""
return ChatOpenAI(
base_url=os.getenv("ALIBABA_BASE_URL"),
api_key=os.getenv("ALIBABA_API_KEY"),
model="qwen-plus",
temperature=0.7,
)
def main() -> None:
"""主函数"""
print("=== Hello AI 示例 ===\n")
llm = create_llm()
print("✅ 模型创建成功")
response = llm.invoke("你好，请用一句话介绍你自己")
print(f"\nAI回复：{response.content}")
response = llm.invoke("用一句话解释什么是LangChain")
print(f"\nAI回复：{response.content}")
if __name__ == "__main__":
main()
|
运行：
1
2
| cd /Users/t-yuhaiyang/PycharmProjects/demo/demo_15/lesson_02
python 01_hello_ai.py
|
预期输出：
1
2
3
4
5
6
7
| === Hello AI 示例 ===
✅ 模型创建成功
AI回复：我是通义千问，是阿里云开发的大语言模型，可以帮助你回答问题、创作内容。
AI回复：LangChain是一个开发框架，帮助开发者更容易地构建基于大语言模型的应用程序。
|
示例2：理解参数（进阶版）
创建 02_parameters.py：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
| """
理解模型参数
演示：不同参数对输出的影响
"""
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os
from typing import Any
load_dotenv()
def create_llm_with_params(temperature: float, max_tokens: int) -> ChatOpenAI:
"""
创建带自定义参数的模型
Args:
temperature: 温度参数(0-1)，控制输出随机性
max_tokens: 最大输出长度
Returns:
配置好的模型实例
"""
return ChatOpenAI(
base_url=os.getenv("ALIBABA_BASE_URL"),
api_key=os.getenv("ALIBABA_API_KEY"),
model="qwen-plus",
temperature=temperature,
max_tokens=max_tokens,
)
def test_temperature() -> None:
"""测试temperature参数的效果"""
print("=== 测试 temperature 参数 ===\n")
question = "给我讲一个3句话的故事"
print("🔵 Temperature = 0.1 (保守模式)")
llm_low = create_llm_with_params(temperature=0.1, max_tokens=100)
response = llm_low.invoke(question)
print(f"回答：{response.content}\n")
print("🔴 Temperature = 0.9 (创意模式)")
llm_high = create_llm_with_params(temperature=0.9, max_tokens=100)
response = llm_high.invoke(question)
print(f"回答：{response.content}\n")
def test_max_tokens() -> None:
"""测试max_tokens参数的效果"""
print("=== 测试 max_tokens 参数 ===\n")
question = "请详细解释什么是人工智能"
print("📏 Max Tokens = 50 (简短回答)")
llm_short = create_llm_with_params(temperature=0.7, max_tokens=50)
response = llm_short.invoke(question)
print(f"回答：{response.content}\n")
print("📏 Max Tokens = 200 (详细回答)")
llm_long = create_llm_with_params(temperature=0.7, max_tokens=200)
response = llm_long.invoke(question)
print(f"回答：{response.content}\n")
def main() -> None:
"""主函数"""
test_temperature()
print("\n" + "="*50 + "\n")
test_max_tokens()
if __name__ == "__main__":
main()
|
示例3：错误处理（生产级）
创建 03_error_handling.py：
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
| """
错误处理示例
演示：如何优雅地处理API调用中的错误
"""
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os
from typing import Optional
import time
load_dotenv()
class AIService:
"""AI服务封装类"""
def __init__(self) -> None:
"""初始化AI服务"""
self.llm: Optional[ChatOpenAI] = None
def initialize(self) -> bool:
"""
初始化模型连接
Returns:
是否初始化成功
"""
try:
api_key = os.getenv("ALIBABA_API_KEY")
base_url = os.getenv("ALIBABA_BASE_URL")
if not api_key:
raise ValueError("未找到API Key，请检查.env文件")
if not base_url:
raise ValueError("未找到Base URL，请检查.env文件")
self.llm = ChatOpenAI(
base_url=base_url,
api_key=api_key,
model="qwen-plus",
temperature=0.7,
timeout=30,
)
print("✅ AI服务初始化成功")
return True
except ValueError as e:
print(f"❌ 配置错误：{e}")
return False
except Exception as e:
print(f"❌ 初始化失败：{e}")
return False
def chat(self, message: str, max_retries: int = 3) -> Optional[str]:
"""
发送消息，带重试机制
Args:
message: 用户消息
max_retries: 最大重试次数
Returns:
AI的回复，失败返回None
"""
if not self.llm:
print("❌ AI服务未初始化")
return None
for attempt in range(max_retries):
try:
response = self.llm.invoke(message)
return response.content
except TimeoutError:
print(f"⏱️ 请求超时（尝试 {attempt + 1}/{max_retries}）")
if attempt < max_retries - 1:
time.sleep(2)
except Exception as e:
print(f"❌ 请求失败：{e}（尝试 {attempt + 1}/{max_retries}）")
if attempt < max_retries - 1:
time.sleep(2)
print("❌ 达到最大重试次数，请求失败")
return None
def main() -> None:
"""主函数"""
print("=== AI服务错误处理示例 ===\n")
service = AIService()
if not service.initialize():
print("服务初始化失败，程序退出")
return
print("\n--- 测试正常调用 ---")
response = service.chat("你好")
if response:
print(f"AI回复：{response}")
print("\n--- 测试复杂问题 ---")
response = service.chat("请详细解释量子计算的原理")
if response:
print(f"AI回复：{response[:100]}...")
if __name__ == "__main__":
main()
|
📊 参数说明对照表
| 参数 | 类型 | 说明 | 推荐值 | 使用场景 |
|---|
| temperature | float | 输出随机性
0=确定
1=随机 | 0.7 | 创意写作用0.8-0.9
事实查询用0.1-0.3 |
| max_tokens | int | 最大输出长度 | 1000 | 根据需求调整
简短回答用100
详细回答用2000 |
| timeout | int | 请求超时时间(秒) | 30 | 网络不稳定时增大 |
| model | str | 使用的模型 | qwen-plus | plus平衡性能和成本
turbo更快更便宜
max性能最好 |
🔍 常见问题
Q1: 报错 “API Key is invalid”
原因：
- API Key填写错误
- 没有正确加载.env文件
- API Key已过期
解决：
1
2
3
4
5
6
7
|
ls -la .env
cat .env
|
Q2: 报错 “Connection timeout”
原因：
解决：
1
2
3
4
5
|
llm = ChatOpenAI(
timeout=60,
max_retries=3,
)
|
Q3: 输出结果不理想
调整策略：
1
2
3
4
5
6
7
8
9
10
11
|
llm = ChatOpenAI(temperature=0.1)
llm = ChatOpenAI(temperature=0.9)
llm = ChatOpenAI(max_tokens=2000)
llm = ChatOpenAI(model="qwen-max")
|
Q4: 如何查看API使用量和费用？
阿里云百炼：
- 登录百炼控制台
- 查看”用量统计”
- 查看”账单明细”
DeepSeek：
- 登录DeepSeek平台
- 查看”Usage”页面
📝 练习任务
完成以下练习，巩固本课知识：
练习1：基础调用
编写程序，让AI：
- 介绍它自己
- 讲一个笑话
- 用Python写一个Hello World
练习2：参数实验
尝试不同的temperature值（0.1, 0.5, 0.9），观察输出差异：
- 让AI写一首诗
- 每个temperature运行3次
- 对比结果
练习3：实用工具
编写一个”AI翻译助手”：
- 输入中文，翻译成英文
- 输入英文，翻译成中文
- 带错误处理
- 可以连续使用
🎯 检查清单
完成本课后，你应该能够：
📚 下一步
现在你已经搭建好环境，可以开始学习LangChain的核心组件了！
继续学习： 第3课：LangChain核心组件 →