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 -n langchanin python=3.12
#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

pip install --upgrade langchain
pip install --upgrade langchain-community
pip install --upgrade langchain-deepseek
pip install --upgrade langchain-ollama
pip install --upgrade dashscope
pip install ipywidgets
pip install openai
pip install python-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

import os
from openai import OpenAI
from dotenv import load_dotenv

#初始化大模型key 读取 .env文件中的key
load_dotenv(override=True)
qwen_key = os.getenv("QWEN_API_KEY")
qwen_base_url = os.getenv("QWEN_BASE_URL")

client = OpenAI(
    api_key = qwen_key,
    base_url = qwen_base_url
)
completion = client.chat.completions.create(
    model="qwen-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

import os
from openai import OpenAI
from dotenv import load_dotenv
from langchain_community.chat_models.tongyi import ChatTongyi

load_dotenv(override=True)
qwen_key = os.getenv("QWEN_API_KEY")
qwen_base_url = os.getenv("QWEN_BASE_URL")

model = ChatTongyi(
	api_key = qwen_key,
    base_url = qwen_base_url
    )
question = "请问俄罗斯的首都是哪里"
result = model.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

import os
from openai import OpenAI
from dotenv import load_dotenv

#初始化大模型key 读取 .env文件中的key
load_dotenv(override=True)
deepseek_key = os.getenv("DEEP_API_KEY")
deepseek_base_url = os.getenv("DEEP_BASE_URL")

client = OpenAI(
    api_key = deepseek_key,
    base_url = deepseek_base_url 
)
completion = client.chat.completions.create(
    model="deepseek-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

import os
from openai import OpenAI
from dotenv import load_dotenv
from langchain_deepseek import ChatDeepSeek

load_dotenv(override=True)
deepseek_key = os.getenv("DEEP_API_KEY")
deepseek_base_url = os.getenv("DEEP_BASE_URL")

model = ChatDeepSeek(
    model="deepseek-chat"
    api_key = deepseek_key,
    base_url = deepseek_base_url 
)
question ="俄罗斯的首都是哪个城市"
result =model.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

from langchain_ollama import ChatOllama
model = ChatOllama(model="qwen3:latest")
question = "俄罗斯的首都是哪个城市"
result = model.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

from langchain_openai import ChatOpenAI

# 配置本地 vLLM 服务
llm = ChatOpenAI(
    base_url="http://localhost:4788/v1",   # vLLM 的 OpenAI 兼容 API 地址
    api_key="token-abc123",                # vLLM 不验证 API key，但必须提供非空字符串
    model="qwen2vl8b",                  # 必须与 --served-model-name 一致，或使用实际模型路径名
    temperature=0.7,
    max_tokens=512,
)

# Running a simple query
print(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。