LangChain 近期重磅官宣 V1.0 版本正式发布这次更新最核心的亮点就是将原本独立的 LangChain 核心框架与 LangGraph 工作流引擎进行了深度无缝整合不仅完整保留了两者在 LLM 应用开发、复杂多智能体协作、状态管理等场景的核心能力更通过更友好的 API 设计、更简洁的封装逻辑彻底解决了过去多模块衔接繁琐、开发链路冗长的痛点让 使用者上手体验丝滑度直接拉满。作为AI使用者和开发者我第一时间上手体验了 V1.0 的新特性深刻感受到这次更新对生产级项目的实用性 —— 不管是快速搭建简单的问答链路还是设计复杂的多智能体协作流程都能少写不少重复代码效率提升肉眼可见。接下来我会把自己的学习历程、实操踩坑总结、核心功能拆解陆续分享出来帮大家少走弯路、快速吃透 V1.0 的关键用法。如果你也在折腾 LangChain 相关开发或者对新版本有疑问、有独家技巧欢迎在评论区畅所欲言咱们一起交流碰撞一、基础环境配置推荐使用conda环境进行下面操作如果不在conda环境下请忽略conda环境创建过程conda下载链接#conda环境创建conda create-nlangchaninpython3.12#出现选项按y等待安装完成后输入下列指令进入环境conda activate langchanin下面开始安装必要的包pipinstall--upgradelangchain pipinstall--upgradelangchain-community pipinstall--upgradelangchain-deepseek pipinstall--upgradelangchain-ollama pipinstall--upgradedashscope pipinstallipywidgets pipinstallopenai pipinstallpython-dotenv二、大模型API调用1、QWEN API首先去qwen官网注册登录获取API QWEN API获取该网站有详细的API获取流程可以参考我们在要运行的脚本的同级文件夹下创建.env文件将申请的API放入也可以将API放入系统环境中具体步骤可以问AI或者CSDN搜索运行如下脚本先使用OpenAI进行测试importosfromopenaiimportOpenAIfromdotenvimportload_dotenv#初始化大模型key 读取 .env文件中的keyload_dotenv(overrideTrue)qwen_keyos.getenv(QWEN_API_KEY)qwen_base_urlos.getenv(QWEN_BASE_URL)clientOpenAI(api_keyqwen_key,base_urlqwen_base_url)completionclient.chat.completions.create(modelqwen-plus,messages[{role:system,content:你是一个问题回答助手善于回答各种问题},{role:user,content:你是谁}],)print(completion.model_dump_json())运行后等待片刻即可看到输出成功后使用langchain进行调用importosfromopenaiimportOpenAIfromdotenvimportload_dotenvfromlangchain_community.chat_models.tongyiimportChatTongyi load_dotenv(overrideTrue)qwen_keyos.getenv(QWEN_API_KEY)qwen_base_urlos.getenv(QWEN_BASE_URL)modelChatTongyi(api_keyqwen_key,base_urlqwen_base_url)question请问俄罗斯的首都是哪里resultmodel.invoke(question)print(result.content)运行成功1、DeepSeek API首先去官网申请一个deepseek API deepseek API申请写入.env 文件进行API连接测试importosfromopenaiimportOpenAIfromdotenvimportload_dotenv#初始化大模型key 读取 .env文件中的keyload_dotenv(overrideTrue)deepseek_keyos.getenv(DEEP_API_KEY)deepseek_base_urlos.getenv(DEEP_BASE_URL)clientOpenAI(api_keydeepseek_key,base_urldeepseek_base_url)completionclient.chat.completions.create(modeldeepseek-chat,messages[{role:system,content:你是一个问题回答助手善于回答各种问题},{role:user,content:你是谁}],)print(completion.choices[0].message.content)成功后使用langchain进行调用importosfromopenaiimportOpenAIfromdotenvimportload_dotenvfromlangchain_deepseekimportChatDeepSeek load_dotenv(overrideTrue)deepseek_keyos.getenv(DEEP_API_KEY)deepseek_base_urlos.getenv(DEEP_BASE_URL)modelChatDeepSeek(modeldeepseek-chatapi_keydeepseek_key,base_urldeepseek_base_url)question俄罗斯的首都是哪个城市resultmodel.invoke(question)print(result.content)三、本地部署模型调用1、ollama模型调用首先安装完成ollama使用ollama list查看模型使用langchain调用本地部署ollama模型fromlangchain_ollamaimportChatOllama modelChatOllama(modelqwen3:latest)question俄罗斯的首都是哪个城市resultmodel.invoke(question)print(result)成功2、VLLM模型调用本地部署完成VLLM模型使用下列代码调用fromlangchain_openaiimportChatOpenAI# 配置本地 vLLM 服务llmChatOpenAI(base_urlhttp://localhost:4788/v1,# vLLM 的 OpenAI 兼容 API 地址api_keytoken-abc123,# vLLM 不验证 API key但必须提供非空字符串modelqwen2vl8b,# 必须与 --served-model-name 一致或使用实际模型路径名temperature0.7,max_tokens512,)# Running a simple queryprint(llm.invoke(俄罗斯的首都是哪个城市))上述就是目前主流的模型调用方式希望可以帮到你如果有疑问可以在评论区讨论。