当前位置：首页 > news >正文

LangChain 入门指南：基于 DeepSeek 模型构建对话流程（保姆级）

news 2025/6/6 6:45:00

本教程将以实际代码案例为基础，带您掌握 LangChain 的核心概念与开发流程。我们将使用 LangChain 0.2.17 和 langchain-openai 0.1.25 版本，结合 DeepSeek 的 deepseek-chat 模型，构建一个完整的意图识别-响应生成系统。结合Jupyter进行实践效果更佳。需申请deepseek的API-KEY，充值10元可以玩好久。
在这里插入图片描述

在这里插入图片描述

一、环境准备

# 安装必要依赖
!pip install langchain==0.2.17 langchain-community==0.2.19 langchain-openai==0.1.25

在这里插入图片描述

二、代码结构解析

1. 核心组件初始化

from langchain_openai import ChatOpenAIllm = ChatOpenAI(model="deepseek-chat",api_key="sk-b247cb47eff84e9694f383c09682xxxx",  # todo 替换deepseek API Key  https://platform.deepseek.com/api_keystemperature=0.7,max_tokens=512,timeout=30,max_retries=3,base_url="https://api.deepseek.com"
)

在这里插入图片描述
按shift+enter进行执行操作。

关键参数说明：

model: 指定使用 DeepSeek 的 deepseek-chat 模型
temperature: 控制输出随机性（0-1 范围）
base_url: DeepSeek API 的基础地址
max_retries: 网络重试次数

2. 流程链式构建

（1）意图识别链

intent_prompt = PromptTemplate(input_variables=["input_text"],template="请根据以下输入识别用户意图：{input_text}"
)
intent_chain = intent_prompt | llm

在这里插入图片描述

工作原理：

接收用户原始输入
使用 PromptTemplate 构造标准化提示
通过 | 操作符连接 LLM 生成意图判断

（2）实体提取链

entity_prompt = PromptTemplate(input_variables=["intent", "input_text"],template="根据用户的意图 '{intent}'，从以下输入中提取相关实体：{input_text}"
)
entity_chain = entity_prompt | llm

在这里插入图片描述

设计亮点：

动态上下文感知：将前序识别的意图作为输入参数
实体提取的针对性：根据意图调整提取策略（如"北京"在天气查询中是地点实体）

（3）动作确定链

action_prompt = PromptTemplate(input_variables=["intent", "entities"],template="根据意图 '{intent}' 和提取的实体 '{entities}'，确定要执行的操作。"
)
action_chain = action_prompt | llm

在这里插入图片描述

实现价值：

将抽象意图转化为可执行操作
支持后续对接实际业务系统（如天气API）

（4）响应生成链

response_prompt = PromptTemplate(input_variables=["action"],template="根据确定的动作 '{action}' 生成用户的响应。"
)
response_chain = response_prompt | llm

在这里插入图片描述

设计目标：

根据具体操作生成自然语言回复
保持对话系统的连贯性

3. 流程整合与执行

sequential_chain = (RunnableLambda(lambda x: {"intent": intent_chain.invoke(x),"input_text": x["input_text"]})| RunnableLambda(lambda x: {**x,"entities": entity_chain.invoke({"intent": x["intent"],"input_text": x["input_text"]})})| RunnableLambda(lambda x: {**x,"action": action_chain.invoke({"intent": x["intent"],"entities": x["entities"]})})| RunnableLambda(lambda x: {**x,"response": response_chain.invoke({"action": x["action"]})})
)

在这里插入图片描述

架构优势：

模块化设计：各环节职责单一，便于维护和扩展
状态传递：通过字典形式传递上下文信息
链式调用：使用 | 符号构建清晰的工作流
渐进式处理：从粗粒度意图识别到细粒度实体提取

三、运行示例与调试

if __name__ == "__main__":input_text = "我想查询北京的天气。"result = sequential_chain.invoke({"input_text": input_text})print("\n最终生成的响应:", result["response"])

在这里插入图片描述

调试建议：

添加中间结果打印：

print("意图识别结果:", result["intent"])
print("实体提取结果:", result["entities"])
print("动作决策结果:", result["action"])

使用 stream() 方法查看推理过程
通过 with_config() 设置跟踪标识

四、核心概念深入

1. PromptTemplate 的使用技巧

template = """角色：天气助手
任务：分析用户意图
输入：{input_text}
要求：
1. 识别查询/预订/建议等基本类型
2. 用简洁的关键词描述意图
"""

最佳实践：

显式定义角色和任务
使用数字编号列出要求
添加示例提升准确性

2. RunnableLambda 的作用

# 数据转换示例
RunnableLambda(lambda x: {"cleaned_text": preprocess(x["input_text"]),**x
})

应用场景：

数据预处理
上下文增强
结果后处理
状态管理

3. 错误处理机制

建议添加异常处理：

try:result = sequential_chain.invoke({"input_text": input_text})
except Exception as e:print(f"处理出错：{e}")# 添加默认响应

五、扩展与优化建议

1. 性能优化

使用缓存机制：langchain.cache.set_cache(...)
并行处理：对独立环节使用 map() 操作
批量处理：合并相似请求减少API调用次数

2. 功能扩展

添加记忆模块：ConversationBufferMemory
集成数据库查询：通过SQLDatabase组件
增加多轮对话支持

3. 监控与评估

使用 CallbackManager 跟踪调用过程
添加日志记录：记录每个环节的耗时
建立评估指标：准确率、响应时间等

六、常见问题排查

问题类型	解决方案
API 调用失败	检查 API 密钥和 base_url 是否正确
响应不准确	优化 Prompt 模板，添加更多示例
执行超时	调整 timeout 参数，简化模型输出
内存不足	减少 max_tokens 参数值