Day 11：用 LangChain 表达模型与消息

今天引入 LangChain 作为「另一套写法」。我们新增 app/langchain_client.py，用 ChatOpenAI + SystemMessage/HumanMessage/AIMessage 表达同一个调用。保留 Day 10 的原生 DeepSeekClient 不动——本天的目标是「对比」，不是「替换」。

今天完成什么

• 安装 langchain / langchain-openai，新增 app/langchain_client.py。
• 实现 to_langchain_messages（把 {role, content} 字典转成 LangChain 消息对象）和 langchain_chat(messages, stream=False)。
• 在 main.py 里加一个「对比」分支：输入话题为「对比」时，用同一份 messages 分别跑原生 SDK 和 LangChain，并打印两段回复。

它接在昨天哪里

Day 10 留下了可靠的 DeepSeekClient.chat(messages)。今天在它旁边放一个 langchain_chat(messages)——两者吃的是同一个 messages（[{role, content}]），只是「表达模型与消息」的方式不同。Day 12 起我们会基于 LangChain 做 Prompt 与结构化输出。

概念解释

• ChatOpenAI：LangChain 对「OpenAI 兼容聊天模型」的统一封装。因为 DeepSeek 兼容 OpenAI 接口，只需把 base_url 指向 DeepSeek、填上同款 Key，就能复用。
• 消息对象：LangChain 用 SystemMessage / HumanMessage / AIMessage 代替裸字典。它们本质还是「角色 + 内容」，只是变成对象，方便链式组合。
• invoke（同步）与 stream（流式）：llm.invoke(messages) 一次拿回完整回复；llm.stream(messages) 逐块吐字，适合做「打字机」效果。对应原生 SDK 的 stream=True。

必讲：LangChain 是封装层，不是另一个模型。 你今天调用的仍然是 DeepSeek 的 deepseek-v4-flash。LangChain 只是把「建客户端、组消息、发请求、取文本」包装成更 Pythonic 的 API。别把它理解成「换了一个更聪明的模型」。

类比的边界：原生 SDK 像「直接用 fetch 调接口」；LangChain 像「引入了一个 axios + 一套请求/响应拦截与组合工具」。底层 HTTP 没变，变的是你怎么写代码。

动手前的目录

python-learning-agent/
├─ app/
│  ├─ __init__.py
│  ├─ classifier.py
│  ├─ storage.py
│  ├─ deepseek_client.py
│  └─ models.py
├─ main.py
├─ requirements.txt
├─ .env.example
└─ .gitignore

分步实现

1. requirements.txt 增加 langchain 与 langchain-openai 并安装。
2. 新建 app/langchain_client.py：定义 to_langchain_messages 把字典映射成消息对象；langchain_chat 用 ChatOpenAI 调 invoke / stream。
3. 改写 main.py：当用户输入话题为「对比」时，分别调用 DeepSeekClient().chat 与 langchain_chat，打印两者结果。
4. 运行验证：两种写法拿到语义相近的回复，确认「底层是同一模型」。

完整代码

python-learning-agent/requirements.txt

python-dotenv>=1.0.0
openai>=2.45,<3
pydantic>=2,<3
langchain>=1.3,<2
langchain-openai>=1.3,<2

python-learning-agent/app/langchain_client.py

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

load_dotenv()

MODEL = "deepseek-v4-flash"
# LangChain 会把 base_url 直接传给底层 OpenAI 客户端；DeepSeek 的端点正好是
# https://api.deepseek.com/chat/completions。若个别版本报 404，可改成
# "https://api.deepseek.com/v1" 试试（DeepSeek 同样兼容该路径）。
BASE_URL = "https://api.deepseek.com"


def to_langchain_messages(messages):
    """把 [{role, content}] 转换成 LangChain 消息对象列表。"""
    mapping = {
        "system": SystemMessage,
        "user": HumanMessage,
        "assistant": AIMessage,
    }
    result = []
    for m in messages:
        cls = mapping.get(m["role"])
        if cls is None:
            continue
        result.append(cls(content=m["content"]))
    return result


def langchain_chat(messages, stream=False):
    """用 LangChain 调用同一个 DeepSeek 模型。"""
    api_key = os.getenv("DEEPSEEK_API_KEY")
    if not api_key:
        raise RuntimeError("缺少 DEEPSEEK_API_KEY，请在 .env 中配置（参考 .env.example）")

    llm = ChatOpenAI(
        model=MODEL,
        api_key=api_key,
        base_url=BASE_URL,
        temperature=0.7,
        extra_body={"thinking": {"type": "disabled"}},
        timeout=30,
    )
    lc_messages = to_langchain_messages(messages)

    if stream:
        chunks = []
        for chunk in llm.stream(lc_messages):
            text = chunk.content or ""
            print(text, end="", flush=True)
            chunks.append(text)
        print()
        return "".join(chunks)

    response = llm.invoke(lc_messages)
    return response.content

python-learning-agent/main.py

from typing import List
from app.classifier import create_message, classify_message
from app.storage import load_messages, save_messages
from app.deepseek_client import DeepSeekClient
from app.langchain_client import langchain_chat
from app.models import ChatMessage, LearningTask


def main():
    name = input("你的名字：")
    topic = input("今天想学什么（输入『对比』可同时看原生与 LangChain 两种写法）：")

    messages: List[ChatMessage] = load_messages()
    user_msg = create_message("user", f"{name} 想学习：{topic}")
    messages.append(user_msg)

    category = classify_message(user_msg["content"])
    print(f"分类结果：{category}")

    messages.append(create_message("system", "你是一个耐心的中文编程学习助手。"))

    # 对比分支：同一份 messages，两种写法
    if topic.strip() == "对比":
        native_reply = DeepSeekClient().chat(messages)
        print(f"[原生 SDK] 助手：{native_reply}")
        lc_reply = langchain_chat(messages)
        print(f"[LangChain] 助手：{lc_reply}")
        messages.append(create_message("assistant", native_reply))
        save_messages(messages)
        return

    client = DeepSeekClient()
    try:
        reply = client.chat(messages)
    except RuntimeError as e:
        print(f"调用失败：{e}")
        return

    assistant_msg = create_message("assistant", reply)
    messages.append(assistant_msg)
    print(f"助手：{reply}")

    save_messages(messages)


if __name__ == "__main__":
    main()

app/classifier.py、app/storage.py、app/deepseek_client.py、app/models.py、.env.example、.gitignore 沿用，无需改动。

运行命令

cd python-learning-agent
.\.venv\Scripts\Activate.ps1
pip install -r requirements.txt
python main.py

预期输出

你的名字：小明
今天想学什么：对比
分类结果：普通聊天
[原生 SDK] 助手：在 Python 中，字典（dict）用花括号保存键值对……
[LangChain] 助手：Python 的字典 dict 使用 {key: value} 的形式来组织数据……
已保存 4 条消息到 data/conversations.json

两段回复语义相近、措辞不同——因为它们底层是同一个模型，只是写法不同。内容因模型而异，每次可能不同。

常见错误

问题 A：langchain_openai 导入报错 No module named 'langchain_openai'。

排查：新装了 langchain，但 ChatOpenAI 在独立的 langchain-openai 包里。确认 requirements.txt 两项都装了：pip install -r requirements.txt。

问题 B：langchain_chat 报 404 Not Found 或 AuthenticationError。

排查：404 多半是 base_url 路径问题，参考代码注释改成 https://api.deepseek.com/v1；认证错误还是 Key 没读到，检查 .env 与 load_dotenv()。

问题 C：以为用了 LangChain 就「换了个更聪明的模型」。

排查：不是。MODEL 仍是 deepseek-v4-flash。LangChain 只是封装层；本课还通过 extra_body 显式关闭了 DeepSeek 思考模式，避免把框架差异和响应结构差异混在一起。

动手改一改

把 langchain_chat(messages, stream=True) 接到「对比」分支里，观察 LangChain 的流式输出（逐字打印）。再想想：流式输出适合什么场景？（提示：终端里的「打字机」效果、长时间任务的即时反馈。）

验收清单

• [ ] app/langchain_client.py 新增，提供 to_langchain_messages 与 langchain_chat。
• [ ] 原生 DeepSeekClient 仍保留可用，未被删除或覆盖。
• [ ] 「对比」分支下，两种写法拿到语义相近的回复。
• [ ] 明确理解「LangChain 是封装层，不是另一个模型」。

今日记录

今天跑通：用 LangChain ChatOpenAI 表达同一调用，并与原生 SDK 对比
现在能解释：LangChain 是封装层；SystemMessage/HumanMessage/AIMessage 对应 role
明天先做：Day 12 用 PromptTemplate + PydanticOutputParser 把自然语言整理成 LearningTask

留给明天的接口

留下 langchain_chat(messages) 和「消息对象转换」能力。Day 12 会在 LangChain 之上加 PromptTemplate（带输入变量）与 PydanticOutputParser（把模型输出解析成 LearningTask）——也就是让模型吃一段「结构化提示」，吐出我们能直接用的 LearningTask 对象。

官方参考链接

• LangChain Models：https://docs.langchain.com/oss/python/langchain/models
• LangChain Messages：https://docs.langchain.com/oss/python/langchain/messages

阶段提示：仍在「LLM 应用」阶段。Day 11～12 用 LangChain 让「输入更可控、输出更结构化」。

进行中