LangChain 完整部署教程：从开发到生产

LangChain 是一个用于构建和部署智能体及大语言模型（LLM）应用的开发框架。它通过标准化组件接口（如模型、向量数据库、工具等）和提供灵活的工作流编排能力，极大降低了AI应用从原型到生产的复杂度。LangChain本身是一个开发框架，通常不直接作为独立服务部署，而是作为核心逻辑库，与LangGraph（编排层）和LangSmith（部署与可观测性平台）等工具共同构成完整的生产级技术栈。

本教程将指导你完成LangChain本地开发环境的搭建、核心概念实践，以及如何将你的应用通过LangSmith Cloud或其他方案部署到生产环境。

📦 第一步：开发环境搭建

在开始部署之前，首先需要在本地构建和测试你的LangChain应用。

1.1 环境准备

Python版本：推荐使用 Python 3.11 或更高版本（部分工具如langgraph-cli[inmem]要求最低3.11版本）。
包管理工具：pip（Python默认）或uv（更快的替代方案）。

1.2 创建项目并安装依赖

创建并进入项目目录：

1	mkdir my-langchain-app && cd my-langchain-app

（推荐）创建并激活Python虚拟环境，以隔离项目依赖：

1
2
3

python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# .venv\Scripts\activate  # Windows

安装LangChain核心库和常用集成。根据你的需求，安装必要的包：

# 安装核心库、LangGraph和常用社区集成
pip install -U langchain langgraph langchain-community

# 根据你选择的LLM提供商安装对应包，例如：
pip install -U langchain-openai  # OpenAI
# pip install -U langchain-anthropic  # Anthropic Claude
# pip install -U langchain-google-genai # Google Gemini
pip install python-dotenv  # 用于管理环境变量

1.3 配置环境变量

在项目根目录创建.env文件，用于安全地存储API密钥：

# 根据你使用的模型填写，例如OpenAI:
OPENAI_API_KEY="sk-..."

# 或使用兼容OpenAI接口的国内服务（如DeepSeek, 通义千问）[citation:4]:
# OPENAI_API_KEY="sk-..."
# OPENAI_BASE_URL="https://api.deepseek.com"  # 替换为实际服务地址

# (可选) 为LangSmith配置API密钥，用于后续部署和调试
# LANGSMITH_API_KEY="lsv2-..."

🚀 第二步：核心概念与本地运行

理解LangChain的核心组件是构建应用的基础。这是一个完整的“翻译助手”示例，展示了基本的LCEL（LangChain表达式语言） 流程。

创建Python文件：在项目目录下新建main.py。

编写以下代码：

import os
from dotenv import load_dotenv
from langchain_core.prompts import ChatPromptTemplate
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 加载.env文件中的环境变量
load_dotenv()

# 1. 定义提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业的翻译官，请将用户输入的文本从 {source_lang} 翻译成 {target_lang}。"),
    ("human", "{text}")
])

# 2. 初始化模型（此处使用OpenAI，也可替换为其他兼容模型）
# 注意：LangChain通过统一的接口实现了模型互操作性[citation:2]
model = ChatOpenAI(model="gpt-3.5-turbo")  # 或 "deepseek-chat" 等

# 3. 创建处理链：提示词 -> 模型 -> 输出解析器
chain = prompt | model | StrOutputParser()

# 4. 运行链
if __name__ == "__main__":
    result = chain.invoke({
        "source_lang": "中文",
        "target_lang": "英文",
        "text": "你好，今天天气不错。"
    })
    print(result)

运行测试：
1
python main.py
如果配置正确，你将看到翻译后的英文输出。这个简单的例子演示了LangChain如何通过“管道”操作符（|）将提示词、模型和输出解析器组合成一个可运行的单元。

🏭 第三步：生产环境部署

将本地开发的应用部署到生产环境，核心是托管你的智能体逻辑（通常是LangGraph图）。LangChain官方推荐并深度整合了LangSmith Cloud作为主要的部署平台。

3.1 部署到 LangSmith Cloud

这是最直接的托管方案，LangSmith将为你管理基础设施、扩展和运维。

前提条件：

一个 LangSmith 账号（可免费注册）。
一个 GitHub 账号。
你的应用代码已经推送到GitHub仓库（必须包含 langgraph.json 配置文件，LangGraph CLI以此定义部署入口）。

部署步骤：

准备应用：确保你的项目结构包含类似 langgraph.json 的文件，它告诉LangSmith哪个图（Graph）需要部署。具体配置方法请参考LangGraph本地服务器设置指南。
登录LangSmith：访问 LangSmith 并登录。
创建部署：
- 在左侧边栏选择 Deployments。
- 点击 + New Deployment 按钮。
- 在打开的页面中，关联你的GitHub账户并选择包含应用代码的仓库。
提交并等待：选择仓库后点击提交，部署过程大约需要15分钟。你可以在部署详情页查看状态。
测试与获取API：
- 部署成功后，点击部署详情页右上角的 Studio 按钮，可在交互式界面中测试你的智能体。
- 复制页面上提供的 API URL，你的前端应用将通过此URL与部署的智能体通信。

3.2 其他部署选项

除了LangSmith Cloud，你还可以根据技术栈选择其他路径：

LangSmith自托管或混合部署：LangSmith也提供自托管（Self-hosted）和混合（Hybrid）部署选项，适用于有特殊数据驻留或合规要求的企业。
全栈Web应用部署：你可以将LangChain智能体嵌入到Next.js、SvelteKit、Nuxt等框架的后端路由中，并作为一个整体部署到Vercel、Netlify、Cloudflare Workers等平台。LangChain为这些框架提供了参考实现和适配器（如 @langchain/react）。
高级微服务部署：对于大规模、高弹性的生产系统，可以将LangChain应用拆分为多个微服务（如检索器、模型端点、后处理器），通过gRPC通信，并使用Docker容器化和Kubernetes进行编排和弹性测试。

💡 关键概念与资源

LangChain vs LangGraph：LangChain提供的是基础工具和接口（模型、提示词、工具等），而LangGraph是一个高级编排框架，用于构建有状态、可控的智能体工作流。部署时，你通常部署的是一个LangGraph应用。
LCEL（LangChain 表达式语言）：一种声明式语法，使用 | 管道操作符将组件串联成链，使代码简洁且易于在生产环境中部署。
记忆与检查点：为智能体添加记忆（如使用 InMemorySaver 或生产级的 RedisSaver）是构建多轮对话应用的关键。
官方文档：

按照本教程，你可以从零开始，成功将一个LangChain应用部署到生产环境。部署的核心思路是：用LangChain构建逻辑，用LangGraph定义工作流，用LangSmith（或同类平台）负责托管和运维。