2026 LangChain 入门：环境搭建 + 国产大模型调用与消息结构全解-平芜编程栈

一、前言（CSDN 标准引流开头）

本文旨在解决这些痛点，为零基础开发者提供一份2026年最新的LangChain入门指南。我们将聚焦两大核心模块：环境搭建和模型调用，并深入解析LangChain的消息结构机制，这是后续学习RAG、Agent、多轮对话的基石。

适合人群：

LangChain初学者
准备入门大模型应用开发的同学

阅读收获：

成功搭建可用的LangChain开发环境
跑通通义千问、DeepSeek等国产大模型调用
彻底理解LLM与ChatModel的区别及消息机制

二、LangChain核心概述

2.1 什么是LangChain？

LangChain是一个用于开发由语言模型驱动的应用程序的框架。它通过提供标准化的接口、组件和工具链，简化了构建复杂LLM应用的过程。通俗来说，LangChain就像是大模型应用的"脚手架"，帮你处理对话管理、工具调用、知识检索等复杂逻辑。

2.2 LangChain能做什么？

对话应用：构建智能聊天机器人
知识库问答：基于文档的检索增强生成（RAG）
智能体（Agent）：让大模型使用工具完成任务
工具调用：集成外部API和函数

2.3 2026新版结构变化（重点）

2026年LangChain最大的变化是包结构拆分：

langchain-core：核心抽象和接口
langchain：标准集成和常用链
langchain-community：第三方集成和社区贡献

新手报错根源：很多旧教程使用from langchain.llms import OpenAI，但在新版本中需要改为from langchain_community.llms import OpenAI或使用对应的国产模型集成。

三、2026最新LangChain环境搭建（可直接复制）

3.1 适配版本说明

推荐使用Python 3.10+版本，这是大多数AI框架支持的最低版本。

3.2 极速安装命令

使用国内清华镜像源，解决超时和下载慢的问题：

pip install langchain langchain-community dashscope -i https://pypi.tuna.tsinghua.edu.cn/simple

3.3 必须安装的三大核心包

langchain：核心框架
langchain-community：社区集成（包含国产模型支持）
dashscope：通义千问官方SDK

3.4 安装成功校验代码

创建一个check_env.py文件：

import sys try: import langchain import langchain_community import dashscope print("✅ 环境检查通过！") print(f"Python版本: {sys.version}") print(f"LangChain版本: {langchain.version}") except ImportError as e: print(f"❌ 导入失败: {e}") print("请检查安装命令是否正确执行")

3.5 新手高频报错解决

错误1：ModuleNotFoundError: No module named 'langchain_community'

解决方案：确保安装了langchain_community包，注意是下划线分隔。

错误2：包版本冲突、依赖过低

解决方案：创建干净的虚拟环境，或使用以下命令升级：

pip install --upgrade langchain langchain-community

四、国产大模型密钥申请

4.1 通义千问Key免费获取步骤

访问阿里云官网（aliyun.com）注册账号
进入"模型服务灵积"（dashscope.aliyun.com）
完成实名认证（个人认证即可）
在"API-KEY管理"中创建新密钥
免费额度：通义千问-Max有100万token免费额度

4.2 DeepSeek Key免费获取步骤

访问DeepSeek官网（deepseek.com）注册账号
进入"控制台"-"API密钥"（需要充值使用，新手10块钱足够）
创建新的API密钥

4.3 安全使用规范

严禁在代码中硬编码密钥！推荐使用环境变量：

# Linux/Mac export DASHSCOPE_API_KEY="你的 dashscope-key" #要复制自己的API-key到此处 export DEEPSEEK_API_KEY="你的 deepseek-key" #要复制自己的API-key到此处 Windows set DASHSCOPE_API_KEY=your-dashscope-key set DEEPSEEK_API_KEY=your-deepseek-key

# Python代码中读取 import os dashscope_api_key = os.getenv("DASHSCOPE_API_KEY") deepseek_api_key = os.getenv("DEEPSEEK_API_KEY")

五、LangChain两大模型体系解析

5.1 LLM与ChatModel本质区别

LLM（大语言模型）：

纯文本补全模型
输入：字符串
输出：字符串
示例：GPT-3的text-davinci-003

ChatModel（对话模型）：

对话式模型（主流开发方式）
输入：消息列表（SystemMessage, HumanMessage, AIMessage）
输出：AIMessage
示例：GPT-4, 通义千问, DeepSeek-Chat

六、核心重点：LangChain消息结构全解（必掌握）

本章是后续所有RAG、Agent、多轮对话的底层基础，必须彻底理解！

6.1 三种基础消息角色作用

SystemMessage：系统人设、全局指令

from langchain_core.messages import SystemMessage system_msg = SystemMessage(content="你是一个专业的Python编程助手，回答要简洁准确。")

HumanMessage：用户输入提问

from langchain_core.messages import HumanMessage human_msg = HumanMessage(content="如何用Python读取CSV文件？")

AIMessage：模型返回结果

from langchain_core.messages import AIMessage ai_msg = AIMessage(content="可以使用pandas库的read_csv函数...")

6.2 单轮对话消息结构代码演示

from langchain_core.messages import SystemMessage, HumanMessage from langchain_community.chat_models import ChatTongyi 1. 初始化模型 chat = ChatTongyi( dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"), model="qwen-max", temperature=0.7 ) 2. 构建消息列表 messages = [ SystemMessage(content="你是一个技术文档编写助手。"), HumanMessage(content="请用Markdown格式写一个Python函数的文档字符串。") ] 3. 调用模型 response = chat.invoke(messages) print(response.content)

6.3 多轮对话消息列表拼接原理

# 第一轮对话 messages = [ SystemMessage(content="你是一个数学老师。"), HumanMessage(content="什么是勾股定理？"), AIMessage(content="勾股定理是...") # 模型上一轮的回答 ] 第二轮对话（追加新的人类消息） messages.append(HumanMessage(content="请给出一个例子")) 继续调用 response = chat.invoke(messages)

6.4 为什么必须用消息结构，不能直接字符串提问？

角色区分：让模型清楚每段内容的来源和意图
对话历史：方便维护多轮对话上下文
系统指令：通过SystemMessage持久化设定模型行为
框架兼容：LangChain的链、记忆、Agent都基于消息结构

七、实战：通义千问/DeepSeek双模型调用完整代码

7.1 方式一：基础单轮模型调用（极简入门）

from langchain_community.chat_models import ChatTongyi, ChatDeepSeek import os #通义千问调用 qwen_chat = ChatTongyi( dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"), model="qwen-max" ) response = qwen_chat.invoke("用Python写一个Hello World程序") print("通义千问回答:", response.content) #DeepSeek调用 deepseek_chat = ChatDeepSeek( api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-chat" ) response = deepseek_chat.invoke("用Python写一个Hello World程序") print("DeepSeek回答:", response.content)

7.2 方式二：标准消息结构调用（企业规范写法）

from langchain_core.messages import SystemMessage, HumanMessage def chat_with_model(model, question, system_prompt=None): """标准化的模型调用函数""" messages = [] if system_prompt: messages.append(SystemMessage(content=system_prompt)) messages.append(HumanMessage(content=question)) response = model.invoke(messages) return response.content #使用示例 system_prompt = "你是一个代码审查助手，指出代码中的问题并提供改进建议。" question = "def add(a, b): return a + b" result = chat_with_model(qwen_chat, question, system_prompt) print(result)

7.3 双模型一键切换演示

class DualModelChat: def __init__(self): self.models = { "qwen": ChatTongyi( dashscope_api_key=os.getenv("DASHSCOPE_API_KEY"), model="qwen-max" ), "deepseek": ChatDeepSeek( api_key=os.getenv("DEEPSEEK_API_KEY"), model="deepseek-chat" ) } def chat(self, model_name, messages): """一键切换模型""" if model_name not in self.models: return f"不支持模型: {model_name}" model = self.models[model_name] response = model.invoke(messages) return response.content #使用示例 chat_bot = DualModelChat() #使用通义千问 messages = [ SystemMessage(content="你是一个翻译助手"), HumanMessage(content="Hello, how are you?") ] result1 = chat_bot.chat("qwen", messages) #使用DeepSeek result2 = chat_bot.chat("deepseek", messages)

7.4 运行结果分析与常见接口报错排查

常见报错及解决：

401 Unauthorized：API密钥错误或过期
429 Too Many Requests：超过频率限制，等待后重试
500 Internal Server Error：模型服务端问题，稍后重试
Model not found：模型名称错误，检查文档

八、新手易错点总结（巩固1、2章）

环境安装版本坑：一定要使用2026年新版安装命令，注意langchain-community的导入方式
导入路径坑：从langchain.llms改为langchain_community.llms或langchain_community.chat_models
LLM与ChatModel使用场景混淆：对话应用一律使用ChatModel和消息结构
不懂消息结构导致多轮对话写崩：牢记消息列表的拼接顺序和角色区分
密钥泄露问题：永远不要将API密钥提交到GitHub等公开仓库
接口调用超限问题：注意免费额度和频率限制，生产环境需要监控使用量

通过本文的学习，你应该已经掌握了2026年LangChain的核心入门技能。接下来可以继续学习提示词模板、记忆机制和RAG等高级主题。记住：扎实的基础是构建复杂应用的前提，消息结构是LangChain的灵魂，务必理解透彻！

2026 LangChain 入门：环境搭建 + 国产大模型调用与消息结构全解