一、部署方案

1.1 FastAPI 后端

\\python from fastapi import FastAPI from langchain_openai import ChatOpenAI

app = FastAPI() llm = ChatOpenAI()

@app.post("/chat") async def chat(message: str): response = llm.invoke(message) return

运行：uvicorn main:app --reload

\\

1.2 Docker 容器化

\\dockerfile FROM python:3.11

WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt

COPY . .

CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"] \\

\\ash docker build -t langchain-app . docker run -p 8000:8000 langchain-app \\

二、性能优化

2.1 缓存

\\python from langchain.cache import InMemoryCache from langchain.globals import set_llm_cache

set_llm_cache(InMemoryCache()) \\

2.2 批处理

\\python

批量调用

responses = llm.batch(["问题1", "问题2", "问题3"]) \\

2.3 流式输出

\\python for chunk in llm.stream("长文本生成"): print(chunk.content, end="", flush=True) \\

三、监控与日志

3.1 LangSmith

\\python import os os.environ["LANGCHAIN_TRACING_V2"] = "true" os.environ["LANGCHAIN_API_KEY"] = "your_key" \\

3.2 自定义日志

\\python import logging

logging.basicConfig(level=logging.INFO) logger = logging.getLogger(name)

logger.info("用户提问：%s", question) logger.info("AI回答：%s", answer) \\

四、安全建议

1. API Key 管理：使用环境变量
2. 输入验证：防止注入攻击
3. 速率限制：避免滥用
4. 日志脱敏：保护隐私

五、成本控制

5.1 模型选择

• 开发：GPT-3.5-Turbo
• 生产：根据需求选择

5.2 Token 优化

\\python

限制输出长度

llm = ChatOpenAI(max_tokens=500)

使用更便宜的模型

llm = ChatOpenAI(model="gpt-3.5-turbo-0125") \\

六、课程总结

🎉 恭喜你完成了 LangChain 智能体开发入门！

你学到了：

• ✅ LangChain 核心概念
• ✅ Models、Prompts、Parsers
• ✅ Chains、Memory、RAG
• ✅ Tools、Agents
• ✅ 4 个实战项目
• ✅ 部署与优化

下一步建议：

1. 深入学习 LangChain 官方文档
2. 尝试更复杂的项目
3. 参与社区交流

延伸学习：

• LangGraph - Stateful Agent
• LangSmith - 调试与监控
• LlamaIndex - 数据索引

---

🦞 感谢学习！有问题欢迎在评论区留言！