LangChain + DeepSeek 实战拆解：从 LCEL 到智能体，如何真正“做出”一个可控 AI 系统？

大模型很强。

但如果你只是：

llm.invoke("帮我写点东西")
那你做的不是系统，只是调用接口。

真正的工程问题是：

多步骤推理怎么组织？
外部数据怎么接入？
工具怎么安全调用？
对话怎么长期记忆？
结果怎么结构化输出？
这才是 LangChain 解决的问题。

目录
LangChain 到底解决什么问题？
环境搭建：DeepSeek + LiteLLM
LCEL 新范式：Prompt | LLM | Parser
流式输出如何实现？
RAG：检索链路如何接入？
记忆机制的新写法
Agent 与工具调用
一个完整对话系统示例
LangChain 在工程里的真实价值
一、LangChain 到底解决什么问题？
单独的 LLM 像一个聪明的大脑。

但它没有：

手（不能执行函数）
眼睛（不能实时查资料）
记忆库（上下文有限）
任务调度系统（不会组织复杂流程）
LangChain 的本质，是一套可组合的 LLM 编排框架。

它不增强模型能力，它增强：

可控性
可组合性
可扩展性
工程稳定性
二、环境搭建：DeepSeek + LiteLLM
安装：

pip install langchain langchain-openai langchain-community python-dotenv -i https://mirrors.aliyun.com/pypi/simple/
pip install -U litellm
.env 文件：

DEEPSEEK_API_KEY=sk-xxx
DEEPSEEK_BASE_URL=https://api.deepseek.com
DEEPSEEK_MODEL=deepseek-chat
初始化模型：

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
model=os.getenv("DEEPSEEK_MODEL"),
openai_api_key=os.getenv("DEEPSEEK_API_KEY"),
openai_api_base=os.getenv("DEEPSEEK_BASE_URL"),
temperature=0.7
)
这里有个工程重点：

LangChain 不直接适配所有模型，它通过 LiteLLM 做统一接口抽象。

这一步是“工程层”的关键。

三、LCEL：Prompt | LLM | Parser
旧版 LLMChain 已经被弃用。

现在的标准写法是 LCEL（LangChain Expression Language）。

核心结构：

Prompt → Model → OutputParser
代码示例：

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

prompt = ChatPromptTemplate.from_messages([
("system", "你是一位技术专家，用通俗语言解释概念。"),
("user", "{concept}")
])

chain = prompt | llm | StrOutputParser()

result = chain.invoke({"concept": "量子纠缠"})
print(result)
为什么必须要 Parser？

因为：

模型输出是 Message 对象 工程系统需要字符串或结构化 JSON

没有 Parser，工程不可控。

四、流式输出（Streaming）
真实应用里，你不可能等 10 秒再一次性输出。

只需要把 .invoke() 换成 .stream()：

for chunk in chain.stream({"concept": "递归神经网络"}):
print(chunk, end="", flush=True)
流式输出是：

聊天机器人
WebSocket 应用
实时界面
的基础能力。

五、RAG：检索增强生成
LangChain 把 RAG 拆成清晰的流水线：

文档加载 → 文本切片 → 向量化 → 向量存储 → 检索器
示意结构：

DocumentLoader
↓
TextSplitter
↓
Embeddings
↓
VectorStore
↓
Retriever
↓
LLM
关键点在于：

Retriever 现在是一个“可嵌入链的组件”。

不只是数据库查询，而是可参与推理流程。

六、记忆机制的新写法
旧版 ConversationBufferMemory 已经不推荐。

现在的写法是：

ChatMessageHistory
RunnableWithMessageHistory
记忆不再是链的属性。

而是一个独立的存储系统，通过 session_id 区分用户。

核心代码：

with_message_history = RunnableWithMessageHistory(
chain,
get_session_history,
input_messages_key="question",
history_messages_key="history",
)
这意味着：

记忆可以持久化到 Redis / PostgreSQL。

工程级对话系统必须这样做。

学习资料
需要OpenClaw学习资料可以扫码进群领取！👇

七、Agent 与工具调用
智能体的本质是：

LLM 判断是否需要调用工具
调用工具
观察结果
再决定下一步
创建工具：

from langchain.agents import create_tool_calling_agent

agent = create_tool_calling_agent(llm, tools, prompt)
核心机制是：

模型 → 决策 → Tool Call → 观察 → 最终回答

LangChain 现在推荐用 LangGraph 构建复杂 Agent。

因为多步骤推理本质是“状态机”。

八、一个完整的对话系统示例
带记忆的聊天机器人核心结构：

prompt = ChatPromptTemplate.from_messages([
("system", "你是一个乐于助人的 AI 助手。"),
MessagesPlaceholder(variable_name="history"),
("human", "{question}")
])

chain = prompt | llm
然后通过 RunnableWithMessageHistory 管理会话。

结果就是：

AI 记得你叫小明。

这不是魔法，是工程结构。

九、LangChain 在工程里的真实价值
很多人误解 LangChain 是“封装模型”。

其实它解决的是：

多步骤流程编排
工具安全调用
RAG 标准化接入
会话管理
可测试结构
它让你从：

“写 Prompt 的人”

变成：

“设计 AI 系统架构的人”

这才是核心。

结尾
LangChain 不是模型。

它是 LLM 应用的“操作系统”。

当你真正用 LCEL 构建：

Prompt → 检索 → 工具 → 记忆 → 输出

你会发现，大模型只是其中一层。

真正决定系统稳定性的，是结构。

而结构，才是工程能力的分水岭。

推荐学习
OpenClaw（龙虾）公开课，手把手带你打造24小时不休的AI打工人。

扫码进群，报名学习。

关于我们
霍格沃兹测试开发学社，隶属于 测吧（北京）科技有限公司，是一个面向软件测试爱好者的技术交流社区。

学社围绕现代软件测试工程体系展开，内容涵盖软件测试入门、自动化测试、性能测试、接口测试、测试开发、全栈测试，以及人工智能测试与 AI 在测试工程中的应用实践。

我们关注测试工程能力的系统化建设，包括 Python 自动化测试、Java 自动化测试、Web 与 App 自动化、持续集成与质量体系建设，同时探索 AI 驱动的测试设计、用例生成、自动化执行与质量分析方法，沉淀可复用、可落地的测试开发工程经验。

在技术社区与工程实践之外，学社还参与测试工程人才培养体系建设，面向高校提供测试实训平台与实践支持，组织开展 “火焰杯” 软件测试相关技术赛事，并探索以能力为导向的人才培养模式，包括高校学员先学习、就业后付款的实践路径。

同时，学社结合真实行业需求，为在职测试工程师与高潜学员提供名企大厂 1v1 私教服务，用于个性化能力提升与工程实践指导。