你好，我是方可乐。
一个正在深耕AI编程的30+的AI应用开发工程师。
实战过多个AI应用开发框架，自主开发过多个AI应用产品
今天开启AI应用开发技术分享的第一篇内容——开始你的第一次langchain调用大模型。
语言这块我们选择python，用来学习的api，选择deepseek。（自行去DeepSeek官网购买api额度和获取密钥）
然后我们准备下三个代码文件。
第一个文件，我们命名为**.env **，它是一个专门存环境变量的文件，我们主要存DeepSeek的API key，不要写在业务代码中，防止泄露
deepseek_api_key=xxxxxxxxxxxxxxxxxxx
第二个文件，我们命名为 01_call_deepseek.py，这是deepseek提供的原生调用案例，我们稍微改动了下，使用读取环境变量的方式，获得deepseek_api_key。
调用大模型，主要是使用openai库，已经封装好了，我们按照格式填入参数就行。
从代码中我们可以看到，我们调用大模型，需要传入两个关键内容：
-
- 系统角色提示词
-
- 用户提问提示词
格式是固定的，我们自己DIY用户的content就行。
from openai import OpenAIimport osfrom dotenv import load_dotenvload_dotenv()client = OpenAI(api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com")response = client.chat.completions.create( model="deepseek-chat", messages=[ {"role": "system", "content": "你是一个AI助手，你会回答用户的问题"}, {"role": "user", "content": "你好"}, ], stream=False)print(response.choices[0].message.content)
第二个文件，我们命名为01_call_deepseek_langchain.py，这里调用大模型，不是用openai的库，而是经过langchain封装的langchain_openai库。
写法分三块：
-
- 大模型调用参数组装（llm = ChatOpenAI（...）)
-
- 调用提示词组装（SystemMessage、HumanMessage）
-
- 调用大模型的函数(llm.invoke)
from langchain_openai import ChatOpenAIfrom langchain.schema import HumanMessage, SystemMessageimport osfrom dotenv import load_dotenvload_dotenv()# 使用LangChain的ChatOpenAI类调用DeepSeekllm = ChatOpenAI( api_key=os.getenv("deepseek_api_key"), base_url="https://api.deepseek.com/v1", model="deepseek-chat", temperature=0.7)# 创建消息messages = [ SystemMessage(content="你是一个AI助手，你会回答用户的问题"), HumanMessage(content="你好")]# 调用模型response = llm.invoke(messages)print(response.content)
下面是两种方式的调用结果，可以看到，内容返回几乎是一样的，两种方式都成功调通了。
这里我用的工具是Trae，感兴趣又不知道怎么开始上手的同学，可以借助这类AI编程工具，让AI辅助生成代码，并且帮助我们运行起来。
先把代码跑起来，再反过来思考为什么，举一反三，这样学习是最快的。
对AI应用开发感兴趣的同学，欢迎加微信申请入群交流学习。
想要学习AI应用开发的同学，可以参照我的代码跑起来，举一反三，一天一个脚印的进步，我相信，会足够坚实。
如果你也想了解AI应用开发到底是什么，如果你也在考虑转型但还在犹豫，
那就跟着我的记录，一起探索。
继续折腾中，有问题随时交流 🤝
微信号：ThinkFun666
