LangChain 安裝與環境設定

單元：安裝與環境設定
主題：安裝 LangChain 與相依套件

---

簡介

在 LLM（大型語言模型） 與 RAG（檢索增強生成） 的應用日益普及的今天，LangChain 成為了串接模型、工具與資料的核心框架。無論是要快速打造聊天機器人、文件問答系統，還是建置企業內部的知識庫，LangChain 都提供了高度模組化且可擴充的介面。

然而，許多開發者在第一步「安裝」時往往會碰到相依套件版本衝突、環境隔離不足等問題，導致後續開發卡關。本文將從 Python 虛擬環境的建立、LangChain 本體與常用外掛的安裝，一步步帶領讀者完成安全、可重現的開發環境，為後續的應用奠定穩固基礎。

---

核心概念

1. 為什麼要使用虛擬環境？

• 相依管理：不同專案可能需要不同版本的 openai、torch 等套件，虛擬環境可以避免全域衝突。
• 可重現性：將套件版本寫入 requirements.txt，團隊成員或 CI/CD 都能還原完全相同的環境。
• 安全性：隔離的環境不會影響系統其他程式，降低意外升級造成的破壞。

常用工具：venv（Python 內建）或 conda（Anaconda/Miniconda）。本文以 venv 為例，亦提供 conda 的備註說明。

2. LangChain 的核心套件結構

套件	功能說明	常見使用情境
langchain	主框架，提供 LLM、Prompt、Chain、Agent 等抽象層	基本的聊天或問答流程
langchain-community	社群貢獻的工具與整合（向量資料庫、工具插件）	使用 Pinecone、Weaviate、SerpAPI 等
langchain-openai	OpenAI API 的專屬封裝	使用 gpt-4、gpt-3.5-turbo
langchain-aws	AWS Bedrock、SageMaker 等服務的整合	企業雲端部署
langchain-experimental	尚在測試階段的功能（如自訂工具）	前沿功能探索

建議：在專案初期先安裝 langchain 與 langchain-community，之後根據需求再加入特定服務的套件。

3. 安裝流程總覽

1. 建立與啟用 虛擬環境。
2. 更新 pip、setuptools、wheel。
3. 安裝 LangChain 主套件。
4. 安裝 相依的 LLM 客戶端（如 openai、anthropic）。
5. 如需向量資料庫，安裝對應的 client 套件（例如 chromadb、pinecone-client）。
6. 使用 requirements.txt / pip freeze 鎖定版本。

---

程式碼範例

以下範例均假設使用 Python 3.10+，並在 Windows/macOS/Linux 通用的命令列環境執行。

3.1 建立虛擬環境（venv）

# 1. 建立資料夾
mkdir langchain-demo && cd langchain-demo

# 2. 建立虛擬環境 (名稱可自行取)
python -m venv .venv

# 3. 啟動虛擬環境
# Windows
.\.venv\Scripts\activate
# macOS / Linux
source .venv/bin/activate

# 4. 確認 Python 與 pip 版本
python --version
pip --version

提示：若使用 conda，可改為 conda create -n lc_demo python=3.11，再 conda activate lc_demo。

3.2 更新 pip 相關工具

pip install --upgrade pip setuptools wheel

為什麼要升級？
pip 舊版在處理許多二進位套件（如 torch）時可能會失敗，升級後可取得最新的相依解決機制。

3.3 安裝 LangChain 主套件

pip install langchain

安裝完成後，你可以在 REPL 中簡單驗證：

>>> import langchain
>>> print(langchain.__version__)   # 例如: 0.2.5

3.4 安裝 OpenAI 客戶端與 LangChain OpenAI 整合

pip install openai langchain-openai

環境變數設定
為了安全起見，API 金鑰不應硬編碼在程式碼裡。可於終端機設定：

# Windows PowerShell
$env:OPENAI_API_KEY="sk-xxxx..."

# macOS / Linux
export OPENAI_API_KEY="sk-xxxx..."

3.5 安裝向量資料庫（以 Chroma 為例）

Chroma 是一個輕量級、純 Python 的向量資料庫，適合本機測試。

pip install chromadb

3.6 完整範例：建立一個簡易的問答 Chain

# file: simple_qa.py
import os
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage
from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain

# 取得 API 金鑰（若未設定環境變數，會拋出錯誤）
api_key = os.getenv("OPENAI_API_KEY")
if not api_key:
    raise ValueError("請先設定 OPENAI_API_KEY 環境變數")

# 建立 LLM 實例
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0.2)

# 定義 Prompt
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一個專業的程式設計教學助理。"),
    ("human", "{question}")
])

# 組合成 Chain
qa_chain = LLMChain(llm=llm, prompt=prompt)

# 測試問答
if __name__ == "__main__":
    while True:
        q = input("\n請輸入問題 (或輸入 exit 結束)：")
        if q.strip().lower() == "exit":
            break
        answer = qa_chain.run({"question": q})
        print("\n🤖 回答：", answer)

執行 python simple_qa.py，即可與模型互動。

3.7 安裝需求檔與版本鎖定

# 產生 requirements.txt
pip freeze > requirements.txt

requirements.txt 內容示例：

langchain==0.2.5
langchain-openai==0.0.5
openai==1.30.0
chromadb==0.4.22

將此檔案放入版本控制，其他開發者只要：

pip install -r requirements.txt

即可得到完全相同的環境。

---

常見陷阱與最佳實踐

陷阱	說明	最佳實踐
API 金鑰寫死在程式碼	會導致金鑰外洩、CI/CD 無法安全執行	使用環境變數或 .env 檔（python-dotenv）
全域安裝套件	版本衝突、升級時破壞其他專案	只在虛擬環境內安裝
pip 版本過舊	部分套件（如 torch）無法編譯	pip install --upgrade pip
忽略相依套件的 GPU/CPU 需求	安裝錯誤的 torch 版會導致程式無法執行	若需要 GPU，先安裝官方提供的 torch wheel（參考 https://pytorch.org）
未鎖定套件版本	隨時間升級可能出現不相容的變更	使用 requirements.txt 或 pip-tools 產生 requirements.in / requirements.txt
忘記啟動虛擬環境	直接在全域環境執行，容易找不到安裝的套件	每次開發前先 source .venv/bin/activate（或 conda activate …）

額外工具

• pre-commit：在提交前自動檢查格式與安全性。
• ruff 或 flake8：靜態程式碼分析，避免常見錯誤。
• black：統一程式碼風格，降低團隊摩擦。

---

實際應用場景

1. 企業內部文件問答

   • 使用 LangChain 讀取公司手冊、PDF，透過向量搜尋（Chroma / Pinecone）取得相關段落，再交給 LLM 產生自然語言答案。

2. 多模態聊天機器人

   • 結合 langchain-aws 呼叫 Bedrock 多模型（文字、圖像），提供客戶支援或產品導覽。

3. 自動化程式碼生成工具

   • 以 langchain 的 Agent 功能串接 IDE 插件，根據開發者的自然語言需求即時產生程式碼片段。

4. 教育平台的互動教學

   • 透過 LLMChain 建立課程引導流程，結合 Tool（如搜尋 API）即時提供參考資料與練習解答。

5. 資料分析自動化

   • 使用 langchain 將分析需求轉換為 Python Pandas / SQL 指令，並回傳結果給使用者。

---

總結

LangChain 為 LLM 應用提供了統一、可組合的開發介面，而正確的安裝與環境設定則是所有後續功能得以順利運作的基礎。本文從虛擬環境的建立、套件的升級與安裝、到範例程式碼與最佳實踐，提供了完整的上手流程。只要遵循以下三個要點，就能在專案中穩定使用 LangChain：

1. 使用虛擬環境，確保相依管理與安全性。
2. 明確鎖定套件版本，避免未來升級帶來的相容性問題。
3. 將 API 金鑰與機密資訊抽離程式碼，使用環境變數或 .env 檔管理。

完成環境設定後，你即可根據前述的 問答 Chain、向量搜尋、Agent 等功能，快速構建出符合業務需求的 AI 應用。祝你在 LangChain 的旅程中玩得開心、開發順利！