LangChain 安装与环境搭建保姆级教程，手把手带你调用OpenAI与Ollama本地大模型

大模型零基础教程

于 2025-04-09 11:51:53 发布

阅读量858

点赞数 12

文章标签： langchain agi 人工智能算法自然语言处理

本文链接：https://blog.csdn.net/h1453586413/article/details/147090147

版权

一、引言

1、什么是LangChain

如果把大语言模型（LLM）比作一个强大的“智能大脑”，那么 LangChain 就像是它的“手和脚”——帮助这个大脑连接外部世界，完成更复杂的任务。

🌟 LangChain 是什么？

LangChain 是一个用于构建智能应用的框架，它让大语言模型（如 ChatGPT、Llama、Claude 等）能够更好地记忆、思考、规划，并与各种外部工具（数据库、API、搜索引擎等）进行交互。

🚀 为什么要用 LangChain？

单独使用 ChatGPT，你只能进行简单的对话；但如果你想让 AI 变得更智能，比如：

记住你上次的聊天记录（记忆能力）

访问数据库查询信息（数据能力）

自动执行任务，比如帮你查天气、发邮件（行动能力）

进行复杂的推理，比如分步规划解决问题（思考能力）
在这里插入图片描述

在这里插入图片描述

3、LangChain应用场景

LangChain 让大语言模型（LLM）不再只是一个“聊天机器人”，而是一个能执行任务、调用工具、与外部世界交互的智能 AI 助手。

1️⃣ 智能问答系统（企业知识库 / 客服机器人） 🏢💬

📌 场景：
公司有大量文档（如产品手册、政策文件、FAQ），用户或员工想快速查询答案。

💡 LangChain 解决方案：

向量数据库（如 FAISS、Chroma）存储企业文档，LangChain 通过 RAG（检索增强生成）获取精准答案。

结合 Memory 记忆，客服机器人可以记住用户的上下文对话，提高体验。

✅ 应用示例：

企业内部 FAQ 查询助手

电商智能客服（解答订单、物流、退货问题）

IT 技术支持（帮助用户解决软件或硬件问题）

2️⃣ 智能搜索 & 文档分析 📖🔍

📌 场景：
需要在海量文档、PDF、数据库中查找信息，并进行分析总结。

💡 LangChain 解决方案：

结合向量数据库，支持模糊匹配搜索（即使问题表述不完全一致）。

支持多模态，不仅能查文本，还能处理表格、代码、图片等数据。

结合 LLM 进行摘要，快速提炼关键信息。

✅ 应用示例：

法律助手（快速查找法规、案例）

学术搜索（从大量论文中提炼关键信息）

金融数据分析（从财报中提取核心指标）

3️⃣ 智能运维（AIOps） 🖥️⚙️

📌 场景：
运维工程师需要随时监控服务器状态，发现异常并快速处理。

💡 LangChain 解决方案：

结合 Agent 代理，让 AI 根据指令选择执行不同任务（如查看 CPU 使用率、磁盘空间、网络流量）。

结合 API 工具，让 AI 直接调用 Prometheus、Grafana、Elasticsearch 进行监控。

自动异常检测 & 预警，AI 主动发现异常并给出建议。

✅ 应用示例：

服务器健康检查（比如：“帮我看看服务器 192.168.1.1 运行状态”）

日志分析（查找系统日志、过滤特定错误）

自动化运维（执行运维任务，如重启某个服务）

在这里插入图片描述

二、安装前准备

1、硬件与系统要求
硬件：
CPU：>4C
内存：>8G
硬盘：最好使用SSD，机械硬盘也
系统：Win10/Win11
2、依赖项
python版本：3.12
pip版本：最新版（示例版本为 25.0.1）
编辑器：PyCharm

三、LangChain 安装

1、pip 安装 LangChain
创建虚拟环境（可选）

python -m venv langchain_env
source langchain_env/bin/activate  # Mac/Linux
langchain_env\Scripts\activate     # Windows

使用 pip 安装：

pip install langchain

验证安装

import langchain
print(langchain.__version__)  # 显示 LangChain 版本

如果成功输出版本号，说明安装完成 ✅。

在这里插入图片描述

2、安装OpenAI API 相关依赖
运行以下命令安装 OpenAI 官方 SDK 及相关库：

pip install openai tiktoken langchain-openai langchain-ollama

openai：用于调用 OpenAI API（GPT-4、GPT-3.5）。

tiktoken：用于优化 Token 计算，提高处理效率。

3、安装本地 LLM Ollama（可选）
下载安装包，Download Ollama on Windows

下载完成后，直接点击下一步安装

然后拉取大模型到本地，这里拉取的是 deepseek-r1:32b

ollama pull deepseek-r1:32b

拉取后查看版本信息

ollama list

四、环境配置

1、获取OpenAI Key
我们没有办法直接访问到OpenAI，所以这里使用香港代理，大家注册一个账户，然后登录，购买一个套餐即可，如果是自己学习使用，买一个10元的基本就够用了

GPT4.0 API KEY By OPENAI HK 中转ChatGPT

购买完成后，到控制台获取一个Key
在这里插入图片描述

2、配置环境变量
配置我们刚刚申请的Key

setx OPENAI_BASE_URL "https://api.openai-hk.com/v1"
setx OPENAI_API_KEY "hx-*************************"

五、运行 LangChain 示例代码

1、调用 OpenAI API 进行对话
from openai import OpenAI
import os

初始化 OpenAI 服务。

client = OpenAI()
completion = client.chat.completions.create(
    model="gpt-4o",
    messages=[
        {"role": "system", "content": "assistant"},
        {"role": "user", "content": "你好，你是谁"}
    ]
)
print(completion.choices[0].message)

client = OpenAI()：这一行初始化了一个 OpenAI 客户端对象，允许通过该对象与 OpenAI 的 API 进行交互。此时，client 将是一个可以调用 OpenAI API 的对象。
completion = client.chat.completions.create(…)：这一行调用了 client 对象的 chat 属性中的 completions.create() 方法，用于向 OpenAI 的 API 发送一个聊天请求，并获取聊天补全（chat completion）结果。具体来说：
model=“gpt-4o”：指定使用的模型是 gpt-4o，即 GPT-4 的一个版本。
messages=[…]：定义了聊天的对话历史，格式为一系列字典对象，每个字典包含 role 和 content 字段。
role 指明消息的角色，可以是 system（系统消息）、user（用户消息）、assistant（助手消息）。
content 是消息的实际内容。
在这个例子中：
第一条消息的角色是 system，内容是 “assistant”，意味着这是一个系统消息，指示助手的身份。
第二条消息的角色是 user，内容是 “你好，你是谁”，即用户发送给助手的消息。在这里插入图片描述

2、调用Ollama本地模型进行对话

from langchain_ollama import OllamaLLM
# from langchain_core.output_parsers import StrOutputParser
# from langchain_core.prompts import ChatPromptTemplate
 
# 初始化本地 LLM
llm = OllamaLLM(base_url="http://192.168.0.99:11434", model="deepseek-r1:32b")
 
# 发送对话请求
response = llm.invoke("介绍一下 LangChain 的核心功能")
print(response)

llm = OllamaLLM(…)：这行代码创建了一个 OllamaLLM 对象（即本地语言模型），并将其赋值给变量 llm。该对象用于与本地的 Ollama 模型进行交互。
base_url=“http://192.168.0.99:11434”：这是 Ollama 服务的 URL 地址，指向本地运行的 Ollama 实例。这个地址会被用来发送请求到该服务。你需要将其替换为你的本地 Ollama 服务的 IP 地址和端口号。
model=“deepseek-r1:32b”：指定要使用的具体本地模型。在这里使用的是名为 deepseek-r1:32b 的模型。这个模型可以是任何已安装并运行的本地模型，具体的模型名称取决于本地环境中的配置。
print(response)：这行代码将打印模型返回的响应。response 是模型基于输入文本生成的回答，它会被输出到控制台。我们可以看到模型生成的对话内容或文本。

在这里插入图片描述