夜雨聆风大家好，我是大煊，作为一个干了几年的javaer，最近终于决定把脚伸进了 AI agent开发。
第一脚踩的是 LangChain。跑通之后我愣了一下：不得不感慨python封装的确实很便捷。
但这不代表它简单。LangChain 背后那套组件、版本、包装层，跟当年从 JDBC 摸到 Spring 的感觉有点像——表面一行 invoke，底下好几层抽象。
这篇是我转型笔记的 第 1 篇：只做到 hello world（invoke("你是谁")），Agent、RAG 那些先不装懂。咱一步一步来。
我学新东西的「三板斧」
每碰一个新的知识点，我基本都按这个顺序：
能干嘛？
LangChain 是什么？一句话：开源的 Agent 工程积木盒。
官方在 Docs by LangChain 里把它定位成 agent engineering 平台——不光有 LangChain 本身，还有 LangGraph（编排）、Deep Agents（快速搭 Agent）、LangSmith（观测、评测、部署）。Clay、Cloudflare 这些公司都在用这套东西搞生产级 Agent。
对我这种 Javaer 来说，它像啥？像 Spring AI 的 Python 老大哥——帮你把各家 LLM 的调用方式统一起来，后面还能拼 Prompt、Chain、Tool、Memory。本篇我只碰最底层那一刀：调模型。
有啥用？
不用自己撸 HTTP 调 OpenAI 兼容接口（虽然底层还是 HTTP） 切换模型或更换厂商时，只需调整几个参数即可 后面做 RAG、Agent，都在这套积木上叠
官方文档
https://docs.langchain.com/ | |
https://docs.langchain.com/oss/python/langchain/component-architecture | |
https://docs.langchain.com/oss/python/migrate/langchain-v1 | |
https://github.com/langchain-ai/langchain/issues |
LangChain 六大组件：先认地图
老教程里常讲 LangChain 六大组件。跟官网 1.0 的 Component architecture（https://docs.langchain.com/oss/python/langchain/component-architecture） 不完全一一对应，但作为入门地图够用了：
| Models | 是，全文核心 | |
| Prompts | ||
| Chains | ||
| Memory | ||
| Agents | ||
| Indexes |
0.3 vs 1.0版本
这里为什么要单独写0.3和1.0版本的LangChain， 因为调研了解到现在主流的企业级写法大多是这两种，1.0版本差不多是2025年底才发版的，2026年开始大量投入到企业级项目中
LangChain 这套玩法，感觉和 Spring 的心路历程类似——不是推倒重来，而是一层一层往外包，把底层细节往后推：
| Spring 3 / 4 | @Configuration 手写 DataSource、JdbcTemplate，哪个库一目了然 | 0.3 风格ChatOpenAI(model=..., api_key=..., base_url=...)，厂商和参数写死在初始化里 |
| Spring Boot | @SpringBootApplication | LangChain 1.0init_chat_model(model=..., model_provider="openai", ...)，统一入口屏蔽各家差异 |
代码对比：同一句话，两种写法
LangChainV0.3.py | LangChainV1.0.py | |
|---|---|---|
from langchain_openai import ChatOpenAI | from langchain.chat_models import init_chat_model | |
llm = ChatOpenAI(model=..., api_key=..., base_url=...) | model = init_chat_model(model=..., model_provider="openai", ...) | |
llm.invoke("你是谁").content | model.invoke("你是谁").content |
LangChainV0.3.py 里还藏了段「配置演进史」，跟 Java 项目从写死常量到配置中心的路子一模一样：
确认环境
Javaer 类比：java -version 再加个 mvn dependency:tree。先确认装的是 LangChain 1.0，别跑错环境。
import sysimport langchainimport langchain_communitydefmain() -> None:try:from importlib.metadata import version as pkg_version openai_pkg_version = pkg_version("langchain-openai")except Exception: openai_pkg_version = "(not installed)" lc_version = langchain.__version__ print("langchain version: " + lc_version) print("langchain_community: " + langchain_community.__version__) print("langchain_openai: " + openai_pkg_version) print("langchain file: " + langchain.__file__) print() print("Python: " + sys.version)if __name__ == "__main__": main()
0.3 风格
from langchain_openai import ChatOpenAIimport configllm = ChatOpenAI( model="MiniMax-M2.7", api_key=config.require_api_key(), base_url="https://api.minimaxi.com/v1", temperature=1.0,)response = llm.invoke("你是谁")print(response)print()print(response.content)
可以看到返回值有 total_tokens,描述了当前一次交互消耗的总token
1.0 写法 — LangChainV1.0.py
全文就 17 行，我直接贴：
# LangChain 1.0+ 使用方式（init_chat_model + MiniMax）# 需在 .venv（requirements.txt）中运行from langchain.chat_models import init_chat_modelimport configmodel = init_chat_model( model="MiniMax-M2.7", model_provider="openai", api_key=config.require_api_key(), base_url="https://api.minimaxi.com/v1", temperature=1.0,)print(model.invoke("你是谁").content)
踩坑笔记
依赖安装
我之前有一点 Python 基础，知道默认的 pip 源在国外，速度较慢，需要换成清华源。在 AI 时代，直接让 AI 助手帮忙完成了安装。
为了方便学习各类框架，依赖隔离，不污染系统 Python，选择把依赖装到项目里面
- 创建新的虚拟环境python -m venv .venv - 激活.venv\Scripts\activate- 安装所有依赖pip install -r requirements.txt -irequirements.txt
langchain==1.0.0langchain-openai==1.0.0langchain-community==0.4.0python-dotenv==1.0.1openai==1.109.1PyCharm 使用
我使用的是PyCharm 2025.1.2版本，依赖安装好过后，让AI执行命令行已经可以跑程序，但是在Pycharm里面几个依赖一直爆红，还研究了好一会儿，最后发现可以通过下面两种入口去选择执行器（感觉像同时选了jdk版本和maven仓库地址一样）
方式一 右上角的设置图标
方式二 右下角的python版本
关键字参数语法
在翻阅python源码的时候 看见*就代表着后续的参数可以通过关键字的形式传值，也是 model_provider="openai"
如果直接写 "openai" 是会报错的（这和java只要位置顺序对了就可以有点区别），而 **则表示 接收任意数量的额外关键字参数 ， **kwargs 指的是 keyword arguments ，kwargs 替换成其他值也是可以的
