用 LangChain 搭 DeepSeek 打造智能问答系统：教你一步步封装 API 搞定对话记忆

本文链接：https://blog.csdn.net/qq_36478920/article/details/147260985

在这里插入图片描述

网罗开发 （小红书、快手、视频号同名）

大家好，我是展菲，目前在上市企业从事人工智能项目研发管理工作，平时热衷于分享各种编程领域的软硬技能知识以及前沿技术，包括iOS、前端、Harmony OS、Java、Python等方向。在移动端开发、鸿蒙开发、物联网、嵌入式、云原生、开源等领域有深厚造诣。

图书作者：《ESP32-C3 物联网工程开发实战》
图书作者：《SwiftUI 入门，进阶与实战》
超级个体：COC上海社区主理人
特约讲师：大学讲师，谷歌亚马逊分享嘉宾
科技博主：华为HDE/HDG

我的博客内容涵盖广泛，主要分享技术教程、Bug解决方案、开发工具使用、前沿科技资讯、产品评测与使用体验。我特别关注云服务产品评测、AI 产品对比、开发板性能测试以及技术报告，同时也会提供产品优缺点分析、横向对比，并分享技术沙龙与行业大会的参会体验。我的目标是为读者提供有深度、有实用价值的技术洞察与分析。

展菲：您的前沿技术领航员
👋 大家好，我是展菲！
📱 全网搜索“展菲”，即可纵览我在各大平台的知识足迹。
📣 公众号“Swift社区”，每周定时推送干货满满的技术长文，从新兴框架的剖析到运维实战的复盘，助您技术进阶之路畅通无阻。
💬 微信端添加好友“fzhanfei”，与我直接交流，不管是项目瓶颈的求助，还是行业趋势的探讨，随时畅所欲言。
📅 最新动态：2025 年 3 月 17 日
快来加入技术社区，一起挖掘技术的无限潜能，携手迈向数字化新征程！

文章目录

摘要

这篇文章会带大家一步步用 LangChain 封装 DeepSeek 的 API，并构建一个带记忆和知识库检索能力的智能问答系统。哪怕你之前没接触过 LangChain，也能轻松跟上节奏，把 DeepSeek 变成你自己的 AI 小助手。

引言

在构建智能问答系统时，开发者往往会面临两个主要问题：一是如何快速集成大模型 API，二是如何让模型在对话中“记住”之前的内容，甚至还能实时从知识库中“查资料”。

LangChain 就是专门为这个场景生的。它提供了一整套封装机制，不仅能帮你轻松调用像 DeepSeek 这样的模型，还能搞定上下文记忆、知识库检索、工具调用等进阶玩法。

这篇文章，我们就用 LangChain + DeepSeek，做一个实战版本的问答助手出来。

准备工作

安装依赖

确保你本地环境中安装了 Python 3.9+，并安装以下包：

pip install langchain openai requests

如果你想使用知识库检索，还需要：

pip install faiss-cpu tiktoken

DeepSeek API 密钥

在 DeepSeek 平台申请 API Key，并记下你的接口地址和 key，备用。

封装 DeepSeek 成 LangChain 的 LLM

LangChain 默认是支持 OpenAI 接口规范的模型。DeepSeek 也是遵循这套协议的，所以我们可以直接用 LangChain 提供的 ChatOpenAI 封装它。

from langchain.chat_models import ChatOpenAI
from langchain.schema import HumanMessage

llm = ChatOpenAI(
    openai_api_base="https://api.deepseek.com/v1", # 你的 DeepSeek 接口
    openai_api_key="你的API_KEY",
    model_name="deepseek-chat",
)

response = llm([HumanMessage(content="你好！你是谁？")])
print(response.content)

运行起来，如果你能拿到一条自然语言的回答，说明基础 API 封装成功了！

加点“记忆”功能：带上下文的对话

对话型 AI 另一个关键是“记忆”上下文，比如你提到“他是谁”，模型能知道“他”是你上一句问的那个人。

我们可以给 LangChain 配上“记忆模块”：

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

conversation = ConversationChain(
    llm=llm,
    memory=ConversationBufferMemory()
)

response = conversation.predict(input="我叫小明")
print(response)

response = conversation.predict(input="我是谁？")
print(response)  # 应该回答“小明”

是不是已经开始有点 AI 聊天的味道了？

再加点“知识”：接入向量检索的知识库

想让问答系统变得更“专业”，我们可以为它配一个知识库。比如将产品文档、公司规章整理成向量，让模型“查资料”再回答。

创建向量知识库

from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import CharacterTextSplitter
from langchain.document_loaders import TextLoader

loader = TextLoader("docs/product_intro.txt")
documents = loader.load()

splitter = CharacterTextSplitter(chunk_size=300, chunk_overlap=20)
docs = splitter.split_documents(documents)

embeddings = OpenAIEmbeddings(openai_api_key="你的DeepSeek API Key")
vectorstore = FAISS.from_documents(docs, embeddings)

基于知识库的问答链

from langchain.chains import RetrievalQA

qa = RetrievalQA.from_chain_type(
    llm=llm,
    retriever=vectorstore.as_retriever()
)

response = qa.run("我们的产品有哪些核心功能？")
print(response)