本文基于 Jupyter Notebook 实践代码，结合 LangChain、LangSmith 和 DeepSeek 大模型，手把手演示如何构建一个代码生成助手，并实现全流程追踪与优化。

---

一、环境准备与配置

1. 安装依赖

pip install langchain langchain_openai

2. 设置环境变量（Jupyter 中运行）

请注意，LangSmith 不是必需的，但它很有帮助。如果您确实想使用 LangSmith，请在LangSmith注册后，确保设置环境变量以开始记录跟踪。当我们使用 LLM 构建 AI 智能体应用程序时，LangSmith 可以帮助你理解和改进它们。它就像一个仪表板，显示应用程序内部发生的情况。

# 启用 LangSmith 跟踪
true=True
LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="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"
LANGSMITH_PROJECT="pr-untimely-house-95"

# 配置 DeepSeek API
os.environ["DEEPSEEK_API_KEY"] = "sk-e3f022d1746f415c9b0f4bc9a52a4xxx"  # todo 调整为自己的api_key

---

二、集成 DeepSeek 大模型

1. 初始化模型客户端

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    temperature=0.7,
    max_tokens=512,
    timeout=30,
    max_retries=3,
    base_url="https://api.deepseek.com"
)

# 测试调用
llm.invoke("hello world")

输出示例：

---

三、构建提示模板系统

1. 定义结构化提示模板

from langchain_core.prompts import ChatPromptTemplate

system_template = "将以下用户输入的信息转化为{language}代码"
prompt_template = ChatPromptTemplate.from_messages(
    [("system", system_template), ("user", "{text}")]
)

2. 生成具体提示内容

输出示例：

Content: 将以下用户输入的信息转化为python代码
Content: 请帮我写一个冒泡算法

3. 转换为消息格式

prompt.to_messages()

输出示例：

---

四、执行链式调用与结果生成

1. 调用 DeepSeek 生成代码

response = llm.invoke(prompt)
print(response.content)

输出示例（模型生成结果）：

---

五、LangSmith 全流程监控

1. 自动追踪功能

• 所有调用链（Prompt → LLM → Output）将自动上传至 LangSmith 仪表板
• 可查看：
  • 调用树状结构
  • 每个步骤耗时
  • Token 消耗统计
  • 中间输出结果

2. 项目管理

• 所有运行记录归类到 pr-untimely-house-95 项目
• 支持版本对比、性能分析和团队协作

---

完整代码与调试日志已通过 LangSmith 实现全流程追踪，您可以通过 LangSmith 仪表板 查看详细分析报告。