PYTHON + LANGCHAIN 實戰課程
從零開始建立你的 AI 開發環境
安裝 Python、LangChain 及相關套件
取得並設定 OpenAI API Key
執行第一個 LangChain 程式
理解 LangChain 的基本架構
開啟終端機，執行以下指令安裝所需套件：
# 安裝 LangChain 核心套件
pip install langchain langchain-openai
# 安裝資料處理套件
pip install pandas numpy matplotlib
# 安裝環境變數管理套件
pip install python-dotenv1前往 platform.openai.com 註冊帳號
2進入 API Keys 頁面，點擊 Create new secret key
3複製 API Key（只會顯示一次！）
# .env 檔案內容
OPENAI_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxx# 匯入作業系統模組（用於讀取環境變數）
import os
# 匯入 dotenv 套件（用於載入 .env 檔案）
from dotenv import load_dotenv
# 載入 .env 檔案中的環境變數到系統環境
load_dotenv()
# 從環境變數取得 OpenAI API Key
api_key = os.getenv("OPENAI_API_KEY")
# 檢查 API Key 是否成功載入
if api_key:
print("API Key 載入成功！")
# 只顯示前 8 個字元（安全考量）
print(f"Key 開頭: {api_key[:8]}...")
else:
print("錯誤：找不到 API Key")# 匯入 LangChain OpenAI 聊天模型類別
from langchain_openai import ChatOpenAI
# 匯入 dotenv 載入環境變數
from dotenv import load_dotenv
# 載入 .env 檔案中的 API Key
load_dotenv()
# 建立 ChatOpenAI 語言模型實例
llm = ChatOpenAI(
model="gpt-5.6-luna", # 使用 GPT-5.6 Luna 模型
temperature=0.7 # 設定創意程度（0=保守，1=創意）
)
# 發送請求給 LLM，傳入提示詞
response = llm.invoke("用一句話介紹 LangChain")
# 輸出 AI 回應的內容
print(response.content)處理與 LLM 的輸入輸出，包含 Prompts、LLMs、Output Parsers
將多個元件串聯，建立複雜的處理流程
讓 LLM 自主決策，動態選擇執行的工具
保存對話歷史，實現多輪對話
# 匯入 LangChain OpenAI 聊天模型
from langchain_openai import ChatOpenAI
# 匯入三種訊息類型：人類訊息、AI 訊息、系統訊息
from langchain_core.messages import HumanMessage, AIMessage, SystemMessage
# 建立語言模型實例
llm = ChatOpenAI(model="gpt-5.6-luna")
# 建立對話歷史列表（包含角色設定和第一個問題）
messages = [
SystemMessage(content="你是一位資料分析專家"), # 系統角色設定
HumanMessage(content="什麼是 Pandas？"), # 使用者問題
]
# 第一輪對話：發送訊息列表給 LLM
response1 = llm.invoke(messages)
print("AI:", response1.content)
# 將 AI 回應加入對話歷史（維持上下文）
messages.append(AIMessage(content=response1.content))
# 加入第二個使用者問題
messages.append(HumanMessage(content="給我一個簡單範例"))
# 第二輪對話：LLM 會記住之前的對話內容
response2 = llm.invoke(messages)
print("AI:", response2.content)pip install langchain langchain-openai
使用 .env 管理 API Key
llm.invoke("你的問題")
使用 Messages 管理對話歷史