版本要求

LangChain 1.2 要求 Python >= 3.10，课程使用 Python 3.13.12。

WARNING

课程讲义里特别提醒：安装依赖包时必须显式指明版本，否则容易出现不兼容（LangChain 生态各包之间版本咬得很紧）。

为什么要用虚拟环境

相较于全局环境（系统环境），每个虚拟环境都有自己独立的一套：Python 解释器、pip 命令、第三方依赖包，不和其它项目产生干扰。做 AI 项目尤其需要——不同项目的依赖版本冲突是家常便饭。

图：全局环境与虚拟环境的对比——全局环境共用一套 Lib、Scripts（pip.exe/python.exe），而每个工程目录下的 .venv 都有自己独立的一套，互不干扰

三种方案对比

维度	conda	uv	venv
管理 Python 解释器	✅ 可以	✅ 可以	❌ 不支持原生安装，只能基于已有解释器
管理 Python 包	✅ 可以	✅ 可以	✅ 可以
管理非 Python 依赖（CUDA、系统库、编译器）	✅ 可以	❌ 不可以	❌ 不可以
适合场景	AI、深度学习、科学计算、复杂底层依赖	纯 Python 项目、Web、Agent、RAG 应用层	简单项目、教学演示、轻量隔离

• 方案1 conda：不只是 Python 包管理工具，还能管理解释器和 CUDA/编译器/系统库等非 Python 依赖；数据科学、深度学习、AI 工程首选。
• 方案2 uv：现代 Python 包管理工具，只管 Python 生态依赖；FastAPI 项目、LangChain 项目、脚本工具、RAG 应用层代码都可以优先考虑。
• 方案3 venv：Python 自带、简单轻量，python -m venv .venv 一条命令；但不负责安装解释器和非 Python 依赖。

NOTE

对于 LangChain 这样的纯 Python 环境，uv 和 conda 都能用；本课程选择 conda（配套《尚硅谷-conda使用指南.md》）。

IMPORTANT

conda 环境里可以用 pip，但建议先用 conda 装底层依赖，再用 pip 补充 Python 包，不要随意反复交替使用。

uv 的完整适用清单

课程给 uv 列出的适用项目一共六类：

1. FastAPI 项目
2. LangChain 项目
3. 脚本工具
4. Web 后端
5. 普通 AI Agent 应用
6. RAG 应用层代码

TIP

判断标准其实只有一条：项目里有没有需要 conda 才能装的东西（CUDA、编译器、系统库、数据库驱动）。有就用 conda——更稳妥；没有就用 uv——更快、体验更好。上面对比表里 uv 那行的"适合场景"写的是"纯 Python 项目、Web、Agent、RAG 应用层"，和这 6 条正好对得上。

conda 能管哪些非 Python 依赖

课程给 conda 划的范围是"Python + 非 Python 依赖"的复杂环境，具体能管的东西列得很细：

• 除了 Python 包，它还能管理 Python 解释器本身（uv 也可以，venv 不可以）；
• 以及很多非 Python 依赖：CUDA、编译器、系统库、数据库驱动、科学计算底层库等；
• 因此在数据科学、深度学习、AI 工程、科学计算等场景中，conda 更稳妥、优先推荐。

NOTE

这也划出了 uv 的边界：uv 是"现代 Python 包管理工具"，主要管理 Python 生态依赖，不能像 conda 那样管理 CUDA、系统级数据库驱动、编译器这类通用非 Python 依赖。所以本课程落在"纯 Python"这一侧，uv 和 conda 都能用，只是课程选了 conda。

conda 常用命令

# 创建环境（指定 Python 版本）
conda create --name langchain1.2 python=3.13.12

# 查看已有的环境
conda env list

# 初始化虚拟环境（执行完要重启命令行窗口）
conda init

# 激活环境
conda activate langchain1.2

# 验证 Python 版本
python -V

# 退出当前环境
conda deactivate

# 删除环境
conda remove --name langchain1.2 --all

讲义里的一处笔误

课程讲义演示 python -V 的输出时写的是 Python 3.12.13，和它自己创建环境时指定的 python=3.13.12 对不上——这是数字顺序写反的笔误。

WARNING

以创建命令为准：conda create --name langchain1.2 python=3.13.12 装出来的是 Python 3.13.12，验证时也应该看到 Python 3.13.12。

安装 langchain：conda 还是 pip

方式一：conda（推荐）

conda install langchain==1.2.12              # 安装指定版本
conda install langchain                      # 安装最新版（默认仓库）
conda install -c conda-forge langchain==1.2.12   # 指定频道 conda-forge
conda update langchain                       # 更新
conda uninstall langchain                    # 卸载
conda list                                   # 查看已安装包

• -c 是 --channel 的缩写，用来指定包的安装来源
• 包通常来自 defaults 或 conda-forge（比官方默认渠道更新更快、包更全）

方式二：pip

pip install langchain==1.2.12                                          # 指定版本
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple   # 国内镜像加速
pip install --upgrade langchain      # 升级（或 pip install -U langchain==1.2.12）
pip uninstall langchain              # 卸载
pip list                             # 查看已安装包

两者的区别

	conda	pip
支持范围	Python 包 + 非 Python 包	只支持 Python 包
依赖检查	严格	相对宽松
职责	管环境 + 依赖 + 稳定性	只管 Python 包

建议：优先 conda install，conda 没有的再用 pip install。 检查某个包是从哪来的：conda list 里 conda 装的显示频道名，pip 装的显示 pypi。

图：用 conda list 看包来源——Channel 列写 pypi 的是 pip 装的，写上频道地址（如 conda-forge）的是 conda 装的

PyCharm 简介与下载

课程使用的 PyCharm 版本是 2025.3。PyCharm 作为专业的 Python IDE，具有强大的代码编辑、调试和版本控制功能。

下载地址（课程给的是"其它版本"入口）：https://www.jetbrains.com/pycharm/download/other/#releases-2025

图：PyCharm 下载页——Version 选 2025.3，再按系统挑安装包（课程用的是 2025.3.3）

TIP

版本不必和课程一模一样，但记住一点：PyCharm 只是写代码的地方，真正干活的是 conda 环境——下面新建工程时，解释器一定要指向刚建好的 langchain1.2。

PyCharm 配置

创建新工程时把解释器设置为 Anaconda 环境（选刚创建的 langchain1.2）。验证是否装好：

import langchain

print(langchain.__version__)

能打印出版本号（如 1.2.12）就说明环境没问题。

图：PyCharm 新建工程时选择 Custom environment → Conda，并指定刚创建的 langchain1.2 环境

相关

• LangChain概述与生态
• 模型的创建与调用

练习题

一、知识回顾（读完直接做下面的实践题）

1. LangChain 1.2 要求 Python >= 3.10，课程使用的版本是 3.13.12；安装依赖包时必须显式指明版本，否则容易出现不兼容；相比全局环境，每个虚拟环境都有自己独立的 Python 解释器、pip 命令和第三方依赖包，不和其它项目产生干扰
2. 三种方案里，能管理 Python 解释器的是 conda 和 uv；能管理 CUDA、编译器、系统库这类非 Python 依赖的只有 conda；venv 只能用已有的 Python 解释器（不能原生安装）
3. uv 的六个适用项目：FastAPI 项目、LangChain 项目、脚本工具、Web 后端、普通 AI Agent 应用、RAG 应用层代码；判断该用 conda 还是 uv 的标准是：项目里有没有需要 conda 才能装的东西
4. conda 能管的非 Python 依赖包括 CUDA、编译器、系统库、数据库驱动、科学计算底层库等；因此在数据科学、深度学习、AI 工程、科学计算等场景中更稳妥
5. conda 常用命令：创建环境 conda create --name langchain1.2 python=3.13.12、查看已有环境 conda env list、初始化 conda init（执行完要重启命令行窗口）、激活 conda activate langchain1.2、退出 conda deactivate、删除环境 conda remove --name langchain1.2 --all
6. 讲义演示 python -V 的输出时写成 Python 3.12.13，和它自己创建环境时指定的 python=3.13.12 对不上，这是数字顺序写反的笔误
7. 用 conda 装包：指定版本 conda install langchain==1.2.12；指定频道用参数 -c（即 --channel 的缩写），课程提到更新更快的常用频道是 conda-forge；更新用 conda update、卸载用 conda uninstall、查看已装包用 conda list
8. 用 pip 装包：指定版本 pip install langchain==1.2.12；国内镜像加速要加参数 -i（如清华源 https://pypi.tuna.tsinghua.edu.cn/simple）；升级用 pip install --upgrade（或 -U）、卸载用 pip uninstall、查看已装包用 pip list
9. conda 与 pip 的区别：conda 支持 Python 包 + 非 Python 包，依赖检查更严格；建议优先用 conda install，conda 没有的再用 pip install；判断某个包是从哪来的，要看 conda list 输出的 Channel 列——pip 装的显示 pypi
10. PyCharm 课程使用的版本是 2025.3；它只是写代码的地方，真正干活的是 conda 环境（Anaconda 环境），所以新建工程时解释器要指向刚建好的 langchain1.2；验证环境是否装好，就写脚本打印 langchain 的 __version__

二、裸写题（动手实操）

• 2-1 创建并验证环境 从零建一个名为 langchain1.2 的 conda 环境（Python 3.13.12）：创建 → 初始化 → 激活 → 确认当前 Python 版本 → 退出。要求退出后再确认一次版本，看解释器是不是回到了系统环境。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：创建 → 初始化（要重启命令行窗口才生效）→ 激活 → 验证 → 退出 二级 · 方法：conda create --name langchain1.2 python=3.13.12、conda init、conda activate langchain1.2、python -V、conda deactivate三级 · 骨架：激活成功后提示符前面会出现 (langchain1.2)；python -V 应输出 Python 3.13.12（讲义里演示输出写成 3.12.13 是笔误）

• 2-2 写脚本验证环境 先给环境装上指定版本（1.2.12）的 langchain，再写一个脚本回答四个问题：现在跑代码的是哪个 Python 解释器（版本 + 可执行文件路径）？装的是哪个版本的 langchain？这个包装在哪个目录下？后面课程要用的"创建模型"和"创建智能体"两个入口能不能导入成功？

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：解释器的事问 sys，包的事问包自己 二级 · 方法：sys.version / sys.executable；langchain.__version__ / langchain.__file__；两个入口分别是 from langchain.chat_models import init_chat_model 和 from langchain.agents import create_agent三级 · 骨架：两个导入放进 try/except 里，失败就打印原因——一次同时验证"版本对不对"和"包装得全不全"

• 2-3 检查包的来源 用命令行查看已安装的包，判断 langchain 这一行是从 conda 频道装的还是从 pypi 装的；顺便看看 python 这一行是哪来的。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：包列表里有一列专门写来源渠道 二级 · 方法：conda list（不在该环境里时用 conda list -n langchain1.2） 三级 · 骨架：Channel 列写 pypi 的是 pip 装的，写上频道名（如 conda-forge）的是 conda 装的

• 2-4 环境方案选型 三个项目：① 要装 CUDA、跑本地大模型推理的深度学习项目；② 纯 Python 的 FastAPI + LangChain 后端；③ 给同事演示一段 20 行的教学代码。分别选 conda / uv / venv 里的哪一个？并说出判断标准。

  - 提示（先自己想，实在想不出再点开）

  一级 · 思路：判断标准只有一条——项目里有没有"非 Python 依赖" 二级 · 角度：CUDA、编译器、系统库、数据库驱动属不属于 Python 包？uv 的适用清单里有没有"Web 后端"？ 三级 · 骨架：有非 Python 依赖 → ____；纯 Python 且想更快 → ____；临时轻量隔离 → ____

- 参考答案（做完再点开）

# 2-1
conda create --name langchain1.2 python=3.13.12
conda init                      # 执行后重启命令行窗口
conda activate langchain1.2     # 提示符前面出现 (langchain1.2)
python -V                       # 应输出 Python 3.13.12
conda deactivate                # 退出后提示符前的 (langchain1.2) 消失
python -V                       # 这时用的是系统环境里的 Python

# 2-2 装包（优先 conda，conda 没有的再用 pip）
conda install langchain==1.2.12
# 或 pip 安装 + 国内镜像加速：
pip install langchain==1.2.12 -i https://pypi.tuna.tsinghua.edu.cn/simple

# 2-3
conda list                      # 不在该环境里时：conda list -n langchain1.2
# 本机实测（langchain1.2 环境）：
#   langchain   1.2.12  pypi_0               pypi   ← 这一行是 pip 装的
#   python      3.13.12 h39c999c_100_cp313          ← 这一行是 conda 装的（Channel 列不是 pypi）

# 2-2 的验证脚本（行末注释是本机实测输出）
import sys

import langchain

print("解释器版本:", sys.version.split()[0])      # 3.13.12
print("解释器路径:", sys.executable)              # …\envs\langchain1.2\python.exe（应指向 conda 环境，而不是系统 Python）
print("langchain 版本:", langchain.__version__)   # 1.2.12
print("langchain 安装目录:", langchain.__file__)

try:
    from langchain.chat_models import init_chat_model
    print("创建模型入口导入成功")
except Exception as e:
    print("创建模型入口导入失败:", e)

try:
    from langchain.agents import create_agent
    print("创建智能体入口导入成功")
except Exception as e:
    print("创建智能体入口导入失败:", e)

2-4 ① 选 conda：CUDA、编译器这类非 Python 依赖只有 conda 能装（uv 和 venv 都管不了）；② 选 uv：纯 Python 的 Web 后端正好在 uv 的适用清单里（FastAPI 项目、LangChain 项目、Web 后端、普通 AI Agent 应用、RAG 应用层代码），比 conda 更快、体验更好；③ 选 venv：Python 自带、一条命令就能起一个轻量隔离，教学演示够用。判断标准：项目里有没有需要 conda 才能装的东西（CUDA、编译器、系统库、数据库驱动）——有就用 conda，没有就用 uv。