1.3 搭建车间：环境安装与第一条链
1.3 搭建车间：环境安装与第一条链
本节摘要：搭好 LangChain 开发环境只需三步——装框架、配密钥、跑验证。本节覆盖在线模型与本地开源模型两条路线，完整跑通"起名工位"第一条链，并集中处理安装期最常见的四类报错。
车间通电：安装与配置
从 0.1 版本起，LangChain 把框架拆成了一个核心包加一组厂商适配包。装"核心 + OpenAI 适配"这一对就能跑完本教程前两章：
# 建议先建独立虚拟环境，避免和已有项目互相污染 python -m venv venv # Windows 激活 venv\Scripts\activate # macOS 或 Linux 激活 # source venv/bin/activate # 核心包 + OpenAI 适配包（0.1 版本后的标准拆分） pip install langchain langchain-openai # 第4章会用到检索相关零件，可以顺手装上 pip install beautifulsoup4 chromadb tiktoken faiss-cpu
密钥不要写进代码。把它放进环境变量，模型类会自动读取：
# Windows 命令行设置（当前会话有效） set OPENAI_API_KEY=sk-你的密钥 # PowerShell 写法 # $env:OPENAI_API_KEY="sk-你的密钥" # macOS 或 Linux 写法 # export OPENAI_API_KEY=sk-你的密钥
没有在线模型密钥也能开工：装 Ollama 后拉一个开源模型，本地就能跑，只是质量与速度取决于机器。
# 安装 Ollama 后拉取一个轻量开源模型（约 4GB） ollama pull qwen2.5:7b pip install langchain-ollama
跑通第一条链：起名工位开工
车间接到的第一张订单来自经典场景：给一家生产彩色袜子的公司起名，再顺手写句标语。这正是装配线最原始的形态——两道工序，前一道的产品是后一道的原料。
from langchain_openai import ChatOpenAI from langchain_core.prompts import ChatPromptTemplate from langchain_core.output_parsers import StrOutputParser # 动力单元 llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.7) # 第一道工序：起名 name_prompt = ChatPromptTemplate.from_template( "给一家生产{product}的公司起一个有创意的中文名，只输出名字本身") name_chain = name_prompt | llm | StrOutputParser() company = name_chain.invoke({"product": "彩色袜子"}) print("公司名：", company) # 输出示例：公司名： 彩织坊 # 第二道工序：用上一道的产出写标语 slogan_prompt = ChatPromptTemplate.from_template( "为名为{company}的公司写一句不超过12字的标语") slogan_chain = slogan_prompt | llm | StrOutputParser() print("标语：", slogan_chain.invoke({"company": company})) # 输出示例：标语： 让每一天从彩色开始
两条链各自能用，但操作员还得手工把第一道的输出搬到第二道——这仍是半自动。把两道工序直接接成一条顺序链，才叫真正的装配线：
from langchain_core.runnables import RunnableLambda # 用 RunnableLambda 把"取名字段"这道搬运动作也编进产线 to_company = RunnableLambda(lambda out: {"company": out}) # 三段管道首尾相接：起名 → 搬运 → 写标语 full_chain = name_chain | to_company | slogan_chain print(full_chain.invoke({"product": "彩色袜子"})) # 输出示例：让每一天从彩色开始
想看工件在带上经过哪些站，把链画出来即可：
# 输出产线结构图（文本形式），用于自检组装是否正确 print(full_chain.get_graph().draw_ascii()) # 输出示例（节选）： # +-------------+ # | PromptInput | # +-------------+ # * # ...
本地路线的差别只有动力单元一件零件，其余工序原封不动——这正是装配线的价值：换发动机不动产线。
from langchain_ollama import ChatOllama # 换上本地动力单元，后续所有链的定义一字不改 llm = ChatOllama(model="qwen2.5:7b", temperature=0.7)
启动故障排修手册
安装期九成的报错集中在下面四种，对照处理即可：
| 报错特征 | 原因 | 处理 |
|---|---|---|
| 找不到模块 langchain_openai | 只装了老包，或两个包版本不配套 | 重装配套版本：核心包与适配包都升到 0.1 以上 |
| 认证失败或密钥无效 | 环境变量没设成，或设在了另一个终端会话 | 在运行脚本的同一会话里重新设置并打印确认 |
| 连接超时 | 网络到模型服务不通 | 检查代理设置，或改走本地 Ollama 路线 |
| 模型不存在 | 型号名拼写错误或无权限 | 核对型号字符串，换基础型号重试 |
⚠️ 最隐蔽的一类坑：虚拟环境混用。IDE 里的解释器和终端里的不是同一个，装了包却报找不到。装完先执行下面这条验证命令，确认当前解释器能找到框架：
import langchain, langchain_openai print("核心包版本：", langchain.__version__) # 输出示例：核心包版本： 0.2.13
版本能打印出来，车间就算通电了。若你用的是旧教程里的写法（从 langchain.llms 导入 OpenAI、用 LLMChain 类），在 0.1 以上版本会看到弃用警告——旧写法本教程会对照讲，但新代码建议统一用本节的管道写法。
交接给第2章
第一条链跑通后，你手里已经有了动力单元、工艺单、传送带三件套的完整使用经验。第2章把这三件逐一拆开看齿轮：2.1 讲动力单元的调参与选型，2.2 讲工艺单的进阶形态（少样本、序列化），2.3 讲传送带的演变史（从 LLMChain 到 LCEL）。带着"我跑过一条链"的经验进去，每个参数都会变得具体。