当前位置：首页>Excel>LangChain 学习笔记(一):开发环境搭建与基础配置

LangChain 学习笔记(一):开发环境搭建与基础配置

2026-11-05 02:11:18

学习 LangChain 之前，我们首先需要搭建好 Python 开发环境。

这篇文章主要解决几个问题：

Python 开发中，conda、uv、pip、venv 分别是什么？应该选择哪个？

LangChain 有哪些依赖包？应该如何安装？

如何使用 uv 创建一个独立的 LangChain 项目？

大模型 API 服务有哪些？如何获取 API Key？

如何配置环境变量，让 Python 程序调用大模型？

本文以 Windows + Python 3.12 + uv 为例，从零开始搭建一个 LangChain 开发环境。

一、Python 环境管理：conda、uv、pip、venv 是什么？

在开发 Python 项目时，我们经常会遇到一个问题：

不同项目依赖的 Python 版本和第三方库可能不同，如何避免它们互相干扰？

例如：

项目 A 使用 Python 3.10，需要 numpy 1.x。

项目 B 使用 Python 3.12，需要 numpy 2.x。

项目 C 使用 LangChain，需要安装 langchain、langchain-openai 等依赖。

如果所有项目都使用同一个 Python 环境，依赖版本很容易发生冲突。

因此，Python 开发通常需要解决两个问题：

环境隔离：不同项目使用独立的 Python 运行环境和依赖。

包管理：安装、升级、卸载项目所需要的第三方库。

围绕这两个问题，Python 生态中出现了几个常见工具。

1.1 四种工具分别是什么？

工具	环境隔离	Python 版本管理	第三方包安装	主要作用
venv	支持	不负责安装和管理	不负责，通常搭配 pip	创建虚拟环境
pip	不负责	不负责	支持	安装 Python 包
conda	支持	支持	支持	管理环境、Python 和软件包
uv	支持	支持	支持	一站式 Python 项目管理

简单理解：

venv + pip：Python 传统组合。venv 负责创建虚拟环境，pip 负责安装依赖。

conda：不仅能管理 Python 环境和第三方包，还能管理部分非 Python 依赖，例如 C/C++ 库。适合数据科学、科学计算和部分深度学习场景。

uv：新一代 Python 项目管理工具，使用 Rust 编写，集成了 Python 版本管理、虚拟环境、依赖安装和锁文件管理等功能。

1.2 conda 和 uv 应该怎么选？

对于刚接触 Python 的开发者，最容易纠结的就是 conda 和 uv。

这里做一个简单对比：

对比维度	conda	uv
安装依赖	相对较慢，取决于仓库和依赖解析	通常非常快
Python 版本管理	支持	支持
虚拟环境	支持	支持
依赖锁定	environment.yml 等	uv.lock
包来源	Conda 仓库、PyPI（通过 pip）	PyPI 等包索引
非 Python 依赖	支持管理部分原生库	不负责通用原生库管理
安装体积	完整发行版可能较大	工具本身较轻量

uv 的一个明显优势是速度快。官方介绍中，其 pip 兼容接口在部分场景下可以达到 10～100 倍的速度提升，但具体速度取决于项目和网络环境。

那么，学习 LangChain 应该选择哪个？

我更推荐 uv。

原因很简单：

LangChain 本身是 Python 生态中的第三方库，主要通过 PyPI 安装。

uv 可以完成我们学习 LangChain 所需要的环境管理和依赖安装。

uv.lock 可以记录精确的依赖版本，方便后续复现开发环境。

不需要为了学习 LangChain 专门安装一套较重的 Anaconda。

什么时候还需要 conda？

如果后续学习深度学习、科学计算，需要管理复杂的 CUDA、C/C++ 依赖，或者使用某些 Conda 仓库提供的软件包，conda 仍然很有价值。

本系列教程统一使用 uv 管理 Python 环境。

二、认识 LangChain 的依赖包

在安装之前，先了解一下 LangChain 的包结构。

LangChain 并不是一个包含所有功能的单体软件，而是采用模块化设计，将核心功能、模型集成、向量数据库等拆分成不同的包。

2.1 核心包

包名	作用
langchain	LangChain 主要开发接口和高层功能
langchain-core	核心抽象、消息、提示词、Runnable 等基础组件
langchain-community	社区维护的各种集成
langchain-cli	命令行辅助工具，可选

其中，langchain-core 通常会作为 langchain 的依赖自动安装，不需要单独安装。

2.2 大模型集成包

LangChain 将不同模型厂商的集成拆分成独立的包。

包名	对应平台
langchain-openai	OpenAI
langchain-anthropic	Anthropic
langchain-google-genai	Google Gemini
langchain-ollama	Ollama 本地模型
langchain-deepseek	需要根据具体集成方式选择对应 SDK 或 OpenAI 兼容接口

例如，我们想使用 OpenAI 的模型，需要安装：

uv add langchain-openai

如果想使用 Anthropic 的 Claude，则需要安装：

uv add langchain-anthropic

2.3 功能扩展包

除了模型集成，LangChain 还支持很多第三方工具和基础设施。

包名	作用
langchain-chroma	Chroma 向量数据库
langchain-elasticsearch	Elasticsearch 集成
langchain-redis	Redis 集成
langchain-postgres	PostgreSQL 集成
python-dotenv	读取 .env 环境变量文件

安装原则：用到什么，再安装什么。

不需要一开始就把所有 LangChain 相关的包全部安装。这样既可以减少不必要的依赖，也能让项目保持简洁。

三、安装 uv 并创建项目

3.1 安装 uv

uv 支持 Windows、macOS 和 Linux。

Windows 环境下，打开 PowerShell，执行：

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

安装完成后，检查是否安装成功：

uv --version

如果能够正常显示版本号，就说明安装成功。

也可以使用 pip 安装：

pip install uv

不过，推荐使用官方安装脚本，这样不需要依赖已有的 Python 环境。

3.2 创建 LangChain 项目

下面开始创建我们的第一个 LangChain 项目。

# 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 Geminiuv add langchain-deepseek         # DeepSeekuv 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

3.3 为什么推荐使用 uv add，而不是 uv pip install？

两者都可以安装 Python 包，但是用途有所不同。

uv add：

uv add langchain-openai

除了安装依赖，还会：

将依赖记录到 pyproject.toml。

更新 uv.lock 锁文件。

同步当前项目的虚拟环境。

uv pip install：

uv pip install langchain-openai

它更接近传统 pip 的使用方式，适合直接向指定虚拟环境安装包，但不会自动把依赖写入项目的 pyproject.toml。

所以，如果使用 uv 管理一个正式项目，推荐使用 uv add。

四、理解项目文件：pyproject.toml、uv.lock 和 .venv

执行完上面的命令后，项目目录大致如下：

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

这几个文件是 uv 项目管理中非常重要的部分。

可以用一个购物的例子来理解：

文件	类比	作用
pyproject.toml	购物清单	记录需要哪些依赖
uv.lock	实际采购清单	记录最终解析出的精确依赖版本
.venv	储物空间	实际安装 Python 和第三方包的环境

4.1 pyproject.toml：我需要什么？

这是项目的配置文件，记录项目名称、Python 版本要求和依赖列表。

[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",]

每次执行：

uv add langchain-openai

uv 都会自动更新这个文件。

这里需要注意：

requires-python = ">=3.12" 表示项目要求 Python 3.12 或更高版本，并不代表只能使用 3.12。

4.2 uv.lock：我实际安装了什么？

pyproject.toml 记录的是我们需要哪些依赖，而 uv.lock 记录的是依赖解析之后的精确版本信息。

例如：

我们只要求安装 langchain，但是 LangChain 自己还依赖其他 Python 包。

uv 会自动分析依赖关系，并确定各个包应该安装哪个版本。

这样就能解决一个很常见的问题：

为什么我的电脑可以运行，换到同事的电脑就报错了？

可能是因为两台电脑安装的第三方依赖版本不同。

有了 uv.lock，就可以让团队成员尽可能使用相同的依赖版本。

假设同事拿到了项目代码，只需要执行：

uv sync

uv 就会根据 pyproject.toml 和 uv.lock 同步项目环境。

注意：Python 版本本身也需要满足项目要求，不能只依赖锁文件。

4.3 .venv：实际运行环境

.venv 是项目的虚拟环境目录。

我们通过 uv add 安装的第三方依赖，都会进入这个项目对应的环境，而不是直接安装到系统全局 Python 中。

这样不同项目之间就可以实现依赖隔离。

项目A/└── .venv/└── numpy 1.x项目B/└── .venv/└── numpy 2.x

两个项目可以使用不同版本的 numpy，互不影响。

4.4 哪些文件需要提交到 Git？

建议提交：

pyproject.tomluv.lock

不需要提交：

.venv.env

其中，.venv 是本地虚拟环境，体积可能比较大；.env 通常包含 API Key 等敏感信息。

五、如何验证 LangChain 安装成功？

进入项目目录，执行：

uv run python -c "import langchain; print('LangChain 安装成功')"

如果能够正常输出：

LangChain 安装成功

说明 LangChain 已经可以正常导入。

也可以查看当前安装的版本：

uv run python -c "from importlib.metadata import version; print(version('langchain'))"

这里使用 uv run，可以确保 Python 命令运行在当前项目对应的虚拟环境中。

后续运行项目中的 Python 程序，也可以使用：

uv run main.py

不需要每次手动激活虚拟环境。

六、常用大模型 API 平台介绍

环境搭建完成后，还需要解决一个问题：

LangChain 如何调用大模型？

LangChain 本身并不提供大模型的计算能力，它更像是一个连接不同大模型和应用功能的开发框架。

真正负责模型推理的是 OpenAI、DeepSeek、Anthropic 等模型服务平台，LangChain 通过 API 与它们通信。

因此，我们需要先注册模型服务平台，获取 API Key。

6.1 海外模型官方平台

平台	官方地址	代表模型	特点
OpenAI	https://platform.openai.com/	GPT 系列	模型生态成熟，开发资料丰富
Anthropic	https://console.anthropic.com/	Claude 系列	长文本处理和代码能力突出
Google AI Studio	https://aistudio.google.com/	Gemini 系列	提供模型体验和 API 开发入口

使用这些平台时，需要注意所在地区的服务可用性、账号注册要求、付款方式以及 API 使用政策。

另外，ChatGPT、Claude 等网页订阅服务与对应的 API 服务通常是独立计费的，购买网页会员并不意味着自动获得 API 额度。

6.2 国内模型服务平台

如果主要在国内学习和开发，可以优先考虑国产模型平台。

平台	官方地址	代表模型	特点
DeepSeek 开放平台	https://platform.deepseek.com/	DeepSeek 系列	性价比较高，支持 API 调用
阿里云百炼	https://bailian.console.aliyun.com/	Qwen 系列	提供模型调用及相关开发服务
硅基流动	https://www.siliconflow.cn/	DeepSeek、Qwen 等	提供多种开源模型的推理服务
智谱 AI	https://open.bigmodel.cn/	GLM 系列	提供模型 API 和开发平台

这些平台的具体模型、免费额度、计费方式和 API 接口可能发生变化，注册前建议查看各自的官方文档。

6.3 初学者应该如何选择？

如果只是为了学习 LangChain，不需要一开始就注册很多平台。

可以根据自己的情况选择：

使用场景	建议
有海外官方 API 使用条件	优先使用 OpenAI 等官方 API
国内网络环境	可以选择 DeepSeek、阿里云百炼、硅基流动等
想对比不同模型	可以尝试 OpenRouter
想学习本地模型	可以使用 Ollama

这样可以先掌握 LangChain 的调用方式，后续更换模型时，只需要根据平台要求修改模型名称、API Key 和 Base URL 等配置。

七、配置 API Key 和环境变量

注册模型服务平台之后，通常需要完成以下操作：

1. 注册平台账号。

2. 创建 API Key。

3. 查看平台提供的模型名称和 API 接口地址。

4. 在 Python 项目中配置 API Key 和 Base URL。

5. 使用 LangChain 调用模型。

这里先介绍两种环境变量配置方式。

7.1 使用 .env 文件配置

在实际项目开发中，我更推荐使用 .env 文件管理 API 配置。

首先，在项目根目录创建一个 .env 文件：

langchain-course/├── .venv/├── .env├── pyproject.toml├── uv.lock└── main.py

在 .env 中填写：

# OpenAI配置（使用CloseAI代理）OPENAI_API_KEY=sk-your-api-keyOPENAI_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

这里的 API Key、Base URL 和模型名称都需要替换成你所使用的平台提供的实际信息。

接下来，在 Python 程序中读取环境变量。

首先安装 python-dotenv：

uv add python-dotenv

编写代码：

from dotenv import load_dotenvimport os# 加载.env文件load_dotenv()# 读取环境变量api_key = os.getenv("OPENAI_API_KEY")base_url = os.getenv("OPENAI_BASE_URL")print(api_key)

这样就可以在 Python 程序中使用环境变量了。

这里有一个容易踩的坑：

python-dotenv 和 dotenv 是两个不同的 Python 包。

我们使用的：

from dotenv import load_dotenv

实际需要安装的是：

uv add python-dotenv

不要把包名和 Python 导入名称混淆。

7.2 Windows 全局环境变量配置

除了 .env 文件，我们还可以通过 Windows 设置全局环境变量。

适合在个人学习电脑上配置一些经常使用的环境变量。

设置步骤：

右键「此电脑」→「属性」。

进入「高级系统设置」。

点击「环境变量」。

在「用户变量」中点击「新建」。

例如：

变量名：OPENAI_API_KEY

变量值：sk-your-api-key

如果需要使用自定义 API 地址，也可以继续添加：OPENAI_BASE_URL

变量值填写对应平台的 API 地址。

配置完成后，重新打开终端或 IDE，让新环境变量生效。

在 Python 中，直接通过 os.getenv() 就可以读取：

import osapi_key = os.getenv("OPENAI_API_KEY")print("API Key 是否配置成功：", bool(api_key))

注意：不要直接打印完整 API Key，以免密钥泄露。

7.3 .env 和 Windows 全局环境变量应该怎么选？

对比	.env 文件	Windows 全局环境变量
配置范围	当前项目	当前用户或系统
项目独立性	好	较弱
团队协作	可以通过模板共享配置项	不方便
密钥管理	需要保护文件	需要保护系统配置
推荐场景	实际项目开发	个人本机长期使用

我的建议：

项目开发优先使用 .env，个人电脑可以根据需要设置全局环境变量。

特别注意，.env 文件不要提交到 Git 仓库。

如果需要让其他开发者知道项目需要配置哪些环境变量，可以额外提供一个 .env.example 文件，但里面只能填写变量名称和示例值，不能放真实密钥。

八、使用 LangChain 调用大模型

前面已经完成了：

Python 环境搭建。

LangChain 依赖安装。

大模型平台注册。

API Key 获取。

环境变量配置。

现在就可以尝试使用 LangChain 调用大模型了。

首先，确保已经安装：

uv add langchain-openai

在 main.py 中编写：

import osfrom dotenv import load_dotenvfrom langchain_openai import ChatOpenAIload_dotenv()# 实例化大模型llm = ChatOpenAI(openai_api_key=os.getenv("OPENAI_API_KEY"),openai_api_base=os.getenv("OPENAI_API_BASE"), model_name="glm-5")# 调用模型的invoke 得到模型的响应res = llm.invoke("你好，我想了解下你这个模型的情况")# 输出print(res)

执行：

uv run main.py

如果 API Key、Base URL 和模型名称配置正确，并且当前平台支持相应接口，就可以看到大模型返回的内容。

这里需要注意：

ChatOpenAI 主要用于 OpenAI 及其兼容接口。并不是所有模型平台都完全兼容 OpenAI 接口，也不是所有模型都支持相同的参数和功能。

如果后续使用 Anthropic、Google Gemini 等平台的原生集成，可以使用对应的集成包和模型类。

至此，我们就完成了 LangChain 的基础开发环境搭建。

本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。

LangChain 学习笔记(一):开发环境搭建与基础配置

一、Python 环境管理：conda、uv、pip、venv 是什么？

1.1 四种工具分别是什么？

1.2 conda 和 uv 应该怎么选？

二、认识 LangChain 的依赖包

2.1 核心包

2.2 大模型集成包

2.3 功能扩展包

三、安装 uv 并创建项目

3.1 安装 uv

3.2 创建 LangChain 项目

3.3 为什么推荐使用 uv add，而不是 uv pip install？

四、理解项目文件：pyproject.toml、uv.lock 和 .venv

4.1 pyproject.toml：我需要什么？

4.2 uv.lock：我实际安装了什么？

4.3 .venv：实际运行环境

4.4 哪些文件需要提交到 Git？

五、如何验证 LangChain 安装成功？

六、常用大模型 API 平台介绍

6.1 海外模型官方平台

6.2 国内模型服务平台

6.3 初学者应该如何选择？

七、配置 API Key 和环境变量

7.1 使用 .env 文件配置

7.2 Windows 全局环境变量配置

7.3 .env 和 Windows 全局环境变量应该怎么选？

八、使用 LangChain 调用大模型

医疗机构麻精药品全流程安全管控(PPT)

PPT课件|原来肠穿孔这样辨