笔记展示

LangGraph环境配置

2026/5/19 LangGraphPython

# 00. 环境配置

从零开始，一步一步完成本课程所需的所有环境配置。

# 1. 安装 Miniconda

Conda 是一个包管理和环境管理工具。Miniconda 是 Conda 的精简版，只包含最基本的组件，体积小、安装快，推荐使用。

# 1.1 下载 Miniconda

打开 Miniconda 官方下载页面：
https://docs.anaconda.com/miniconda/

根据操作系统选择对应版本：

操作系统 推荐安装包
Windows Miniconda3 Windows 64-bit（.exe 安装包）
macOS Miniconda3 macOS Apple M1 64-bit（Apple 芯片）或 macOS Intel x86 64-bit（Intel 芯片）
Linux Miniconda3 Linux 64-bit（.sh 脚本）

注意：Miniconda 自带 Python 3.13，本课程也使用 Python 3.13，无需额外调整。

# 1.2 Windows 安装步骤

  1. 双击下载的 Miniconda3-windows-*.exe，启动安装向导
  2. 点击 Next → 选择 Just Me (recommended) → Next
  3. 安装路径建议保持默认（如 C:\Users\你的用户名\miniconda3），点击 Next
  4. 关键步骤：勾选以下两项：
    • ✅ Add Miniconda3 to my PATH environment variable（将 Conda 加入系统 PATH）
    • ✅ Register Miniconda3 as my default Python 3.x（设为默认 Python）
  5. 点击 Install，等待安装完成
  6. 安装完成后，打开 Anaconda Prompt (miniconda3)（从开始菜单搜索）

验证安装是否成功：

conda --version
# 输出类似：conda 26.x.x

# 1.3 macOS 安装步骤

# 在终端中执行（以 Apple M1 芯片为例）
bash ~/Downloads/Miniconda3-latest-MacOSX-arm64.sh

# 按提示操作：
#  - 按 Enter 阅读协议
#  - 输入 yes 接受协议
#  - 确认安装路径（默认 ~/miniconda3 即可）
#  - 输入 yes 执行 conda init

安装完成后，关闭并重新打开终端，验证：

conda --version

# 1.4 Linux 安装步骤

# 在终端中执行
bash ~/Downloads/Miniconda3-latest-Linux-x86_64.sh

# 按提示操作，步骤同 macOS

# 2. Conda 基础操作

以下是本课程会用到的 Conda 命令，有个印象即可：

命令 作用
conda --version 查看 Conda 版本
conda info --envs 列出所有虚拟环境
conda create -n 环境名 python=3.10 创建新环境
conda activate 环境名 激活（进入）某个环境
conda deactivate 退出当前环境
conda remove -n 环境名 --all 删除某个环境
conda list 列出当前环境已安装的包

核心概念：虚拟环境就是一个隔离的 Python 运行空间，不同环境之间互不影响。比如你可以同时拥有一个用 Python 3.13 的 langgraph 环境和一个用 Python 3.12 的 other_project 环境。

# 3. 创建课程环境

# 3.1 创建并激活环境

# 创建名为 langgraph 的环境，指定 Python 3.13
conda create -n langgraph python=3.13

# 出现 Proceed ([y]/n)? 时输入 y 回车确认
# 等待下载和安装完成（约 1-2 分钟）

# 激活环境
conda activate langgraph

激活成功后，终端提示符前面会出现 (langgraph)，表示当前已进入该环境：

(langgraph) C:\Users\你的用户名>

验证 Python 版本：

python --version
# 输出：Python 3.13.x

# 3.2 配置 pip 镜像源（中国大陆用户建议）

由于课程依赖包较多，配置国内镜像可以大幅提升下载速度：

# 设置清华大学 pip 镜像源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

验证配置：

pip config list
# 应看到：global.index-url='https://pypi.tuna.tsinghua.edu.cn/simple'

如果后续遇到镜像源不稳定，可随时恢复默认：

pip config unset global.index-url

# 4. 安装 PyCharm 并创建项目

PyCharm 是 JetBrains 推出的 Python IDE，Community 版免费且功能齐全，本课程全程使用 PyCharm 进行开发和调试。

# 4.1 下载 PyCharm

打开 PyCharm 官方下载页面：
https://www.jetbrains.com/pycharm/download/

选择 PyCharm Community Edition（免费版），根据操作系统下载对应安装包：

操作系统 安装包格式
Windows .exe 安装包
macOS .dmg 磁盘映像
Linux .tar.gz 压缩包

# 4.2 安装步骤

Windows：

  1. 双击下载的 .exe 安装包，启动安装向导
  2. 安装路径建议保持默认（如 C:\Program Files\JetBrains\PyCharm Community Edition）
  3. 关键步骤：在安装选项中勾选：
    • ✅ Add "Open Folder as Project"（右键菜单快捷打开项目）
    • ✅ Add launchers dir to the PATH（方便命令行启动）
  4. 其余选项默认即可，点击 Install，等待安装完成
  5. 安装完成后，勾选 Run PyCharm → Finish，启动 PyCharm

macOS：

  1. 双击下载的 .dmg 文件
  2. 将 PyCharm 图标拖入 Applications 文件夹
  3. 从启动台打开 PyCharm

# 4.3 创建课程项目

  1. PyCharm 启动后，点击 New Project（新建项目）

  2. 在新建项目窗口中配置：

    设置项 值
    Location 选择一个合适的路径，末尾项目名填写 langgraph，如 E:\code\langgraph
    Create Git repo ❌ 不勾选（课程不涉及 Git）
    Interpreter type 选择 Conda（或 Custom environment → Conda）

  3. Python 版本选 Python 3.13（Conda 会自动创建对应环境）

  4. 点击 Create，等待 PyCharm 完成项目初始化

创建完成后，PyCharm 生成的空项目结构如下：

langgraph/          ← 项目根目录（PyCharm 自动创建）
├── .idea/           ← PyCharm 配置文件（无需手动修改）
└── main.py          ← 空入口文件（可删除或保留练手）

💡 这就是本课程的项目根目录。后续所有 pip install、.env 配置、代码文件都在这个目录下进行。.idea/ 是 PyCharm 自动生成的配置目录，不要手动修改或提交到 Git。

# 4.4 PyCharm 终端

PyCharm 底部的 Terminal 面板（快捷键：Alt + F12）会自动激活当前项目配置的 Conda 环境，终端的提示符前面会显示 (langgraph)：

(langgraph) PS E:\code\langgraph>

👉 后续所有命令（pip install、python、jupyter 等）都建议在 PyCharm 的 Terminal 中执行，无需手动 conda activate。

# 5. 安装课程依赖

课程提供了两个依赖文件，均位于 2.资料/ 目录下：

文件 说明 适用阶段
requirements.txt 核心依赖，约 180 个包 全部课程
requirements_full.txt 完整依赖，额外包含 Jupyter Notebook 和 langgraph-cli 部署工具 Ch 9 及之后

# 5.1 安装核心依赖

# 确保已激活 langgraph 环境
conda activate langgraph

# 进入项目根目录
cd 课程目录/langgraph

# 安装核心依赖
pip install -r 2.资料/requirements.txt

安装过程约 5-10 分钟，会依次下载和安装约 180 个 Python 包。

# 5.2 安装完整依赖（推荐）

pip install -r 2.资料/requirements_full.txt

相比核心依赖，额外安装：

额外包 用途
jupyter 在浏览器中运行 .ipynb 笔记本
langgraph-cli[inmem] LangGraph 本地开发服务器，用于 Ch 9 项目部署

# 5.3 核心包说明

安装完成后，环境中包含以下关键包（无需手动逐个安装）：

LangGraph 全家桶：

包名 用途
langgraph LangGraph 核心库，构建状态图
langgraph-prebuilt 预置的 Agent 组件
langgraph-checkpoint 检查点（Checkpoint）机制
langgraph-checkpoint-postgres PostgreSQL 持久化检查点
langgraph-sdk LangGraph Python SDK

LangChain 全家桶：

包名 用途
langchain LangChain 核心
langchain-core LangChain 基础抽象
langchain-community 社区集成
langchain-openai OpenAI 集成
langchain-deepseek DeepSeek 集成
langchain-anthropic Anthropic Claude 集成

模型服务商 SDK：

包名 用途
openai OpenAI 官方 SDK
anthropic Anthropic 官方 SDK
dashscope 阿里百炼（Qwen 等模型）
tencentcloud-sdk-python 腾讯云 SDK

其他重要依赖：

包名 用途
fastapi / uvicorn Web 服务框架，部署时使用
pydantic 数据校验，状态定义时大量使用
httpx / httpx-sse HTTP 客户端 + SSE 流式支持
loguru 日志库
python-dotenv 读取 .env 环境变量文件
tiktoken OpenAI 的 token 计数工具
SQLAlchemy / psycopg 数据库操作，持久化时使用
pymilvus Milvus 向量数据库客户端

# 6. 配置 API Key

课程示例默认使用 DeepSeek 大模型，至少需要配置 DeepSeek 的 API Key。按实际需要也可以配置其他模型服务商。

# 6.1 获取 DeepSeek API Key

  1. 打开 DeepSeek 开放平台：https://platform.deepseek.com/
  2. 注册 / 登录账号
  3. 进入 API Keys 页面，点击 创建 API Key
  4. 复制生成的 key（形如 sk-xxxxxxxx），注意 key 只显示一次，请立即保存

DeepSeek 是新用户注册即送 500 万 tokens 额度，足够学完整套课程。

# 6.2 创建 .env 文件

在项目根目录（langgraph/）下新建 .env 文件，填入以下内容：

# ============================================
# 必填：课程示例默认使用 DeepSeek 模型
# ============================================
DEEPSEEK_API_KEY=sk-你的DeepSeek_API_Key

# ============================================
# 可选：其他模型服务商（如需切换模型时使用）
# ============================================
# OPENAI_API_KEY=sk-你的OpenAI_API_Key
# ANTHROPIC_API_KEY=sk-ant-你的Anthropic_API_Key

# ============================================
# 部署时需要（Ch 9 项目部署章节）
# ============================================
# LANGSMITH_API_KEY=lsv2-pt-你的LangSmith_API_Key
# LANGSMITH_TRACING=true
# LANGSMITH_ENDPOINT=https://api.smith.langchain.com
# LANGSMITH_PROJECT="langgraph-tutorial"

.env 文件已在 .gitignore 中排除，不会被提交到 Git，可以放心保存密钥。

# 6.3 代码中如何读取 .env

课程每个 notebook 或示例代码开头都会包含以下两行，自动加载 .env 中的密钥：

from dotenv import load_dotenv
load_dotenv(override=True)

之后创建模型客户端时，SDK 会自动从环境变量中读取对应的 API Key，无需在代码中硬编码：

from langchain_deepseek import ChatDeepSeek

# API Key 自动从 DEEPSEEK_API_KEY 环境变量读取
model = ChatDeepSeek(model="deepseek-v4-flash")

# 7. Jupyter Notebook 配置

课程中的练习代码以 .ipynb（Jupyter Notebook）格式提供，位于 3.代码/ 目录下。

# 7.1 启动 Jupyter

# 确保已激活 langgraph 环境
conda activate langgraph

# 进入项目根目录
cd 课程目录/langgraph

# 启动 Jupyter
jupyter notebook

执行后会：

  1. 终端显示一个带 token 的本地 URL（如 http://localhost:8888/?token=xxx）
  2. 自动打开默认浏览器，进入 Jupyter 文件管理界面

# 7.2 验证 Kernel

在 Jupyter 界面右上角或菜单栏中确认当前 Kernel 为 Python (langgraph)。如果不是：

  1. 点击菜单 Kernel → Change kernel → 选择 Python (langgraph)

如果列表中没有 Python (langgraph)，说明没有创建对应的名称。在 langgraph 环境中重新执行：

conda activate langgraph
pip install ipykernel
python -m ipykernel install --user --name langgraph --display-name "Python (langgraph)"

# 8. 环境验证

全部配置完成后，执行以下验证脚本，确保一切就绪。

# 8.1 基础验证

在终端中：

# 1. 确认 Conda 版本
conda --version

# 2. 确认 Python 版本和当前环境
python --version
# 输出：Python 3.13.x

# 3. 确认当前环境
conda info --envs
# langgraph 前面应有 * 号表示当前激活

# 4. 确认关键包已安装
pip show langgraph
pip show langchain-core
pip show langchain-deepseek
pip show jupyter

# 8.2 代码验证

在 Jupyter 中新建一个 Notebook，或创建一个测试脚本 test_env.py：

# test_env.py
 
print("环境验证开始")
print("=" * 40)

# 1. Python 版本
import sys
print(f"Python 版本: {sys.version}")

# 2. 关键包
from importlib.metadata import version as pkg_version
print(f"LangGraph 版本: {pkg_version('langgraph')}")


import langchain_core
print(f"LangChain Core 版本: {langchain_core.__version__}")

import pydantic
print(f"Pydantic 版本: {pydantic.__version__}")

# 3. .env 加载
from dotenv import load_dotenv
import os
load_dotenv(override=True)

deepseek_key = os.getenv("DEEPSEEK_API_KEY")
if deepseek_key:
    print(f"DeepSeek API Key 已配置: {deepseek_key[:8]}...{deepseek_key[-4:]}")
else:
    print("⚠️  未检测到 DEEPSEEK_API_KEY，请在 .env 文件中配置")

# 4. 模型调用测试
if deepseek_key:
    from langchain_deepseek import ChatDeepSeek
    model = ChatDeepSeek(model="deepseek-v4-flash")
    response = model.invoke("回复'一切正常'四个字，不要其他内容")
    print(f"模型调用测试: {response.content}")
else:
    print("⚠️  跳过模型调用测试（缺少 API Key）")

print("=" * 40)
print("环境验证完成")
print("=" * 40)

运行脚本：

python test_env.py

如果一切正常，输出类似：

========================================
环境验证开始
========================================
Python 版本: 3.13.14
LangGraph 版本: 1.1.2
LangChain Core 版本: 1.2.18
Pydantic 版本: 2.12.5
DeepSeek API Key 已配置: sk-xxxx...xxxx
模型调用测试: 一切正常
========================================
环境验证完成
========================================

# 9. 常见问题

# Q1: conda 命令找不到？

Windows：确保安装时勾选了"Add Miniconda3 to my PATH"。如果还是找不到，从开始菜单打开 Anaconda Prompt (miniconda3) 即可。

macOS / Linux：执行 ~/miniconda3/bin/conda init 后重启终端。

# Q2: PyCharm 中找不到 Conda 环境？

  1. 打开 File → Settings → Project: langgraph → Python Interpreter
  2. 点击齿轮 → Add Interpreter → Add Local Interpreter
  3. 选择 Conda Environment → Use existing environment
  4. 点击文件夹图标，浏览到 Conda 环境目录：
    • Windows: C:\Users\你的用户名\miniconda3\envs\langgraph
    • macOS/Linux: ~/miniconda3/envs/langgraph
  5. 选择 python.exe（或 python），点击 OK

如果列表中没有 langgraph 环境，先在 Terminal 中手动创建：

conda create -n langgraph python=3.13

创建后再回到上述步骤手动添加。

# Q3: pip install 速度很慢？

配置国内镜像源（见 3.2 节）：

pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple

# Q4: 安装依赖时报错 Microsoft Visual C++ 14.0 is required？

部分包（如 unstructured）需要 C++ 编译环境。解决方案：

  1. 下载 Visual Studio Build Tools：https://visualstudio.microsoft.com/downloads/#build-tools-for-visual-studio-2022
  2. 安装时勾选 "Desktop development with C++" 工作负载
  3. 重新执行 pip install

如果不想装 C++ 工具链，也可以跳过该包的学习章节，不影响核心课程。

# Q5: Jupyter 中找不到 Python (langgraph) Kernel？

conda activate langgraph
pip install ipykernel
python -m ipykernel install --user --name langgraph --display-name "Python (langgraph)"

重启 Jupyter 即可看到。

# Q6: import langgraph 报 ModuleNotFoundError？

说明包没有正确安装到当前环境：

# 确认当前在 langgraph 环境
conda activate langgraph

# 确认包已安装
pip show langgraph

# 如果未安装，重新安装
pip install -r 2.资料/requirements.txt

# Q7: 模型调用时报 AuthenticationError？

检查以下三点：

  1. .env 文件中是否配置了正确的 API Key
  2. .env 文件是否在项目根目录（langgraph/ 下）
  3. 代码开头是否执行了 load_dotenv(override=True)

# Q8: 想把环境恢复到初始状态？

# 退出当前环境
conda deactivate

# 删除并重建
conda remove -n langgraph --all
conda create -n langgraph python=3.13
conda activate langgraph
pip install -r 2.资料/requirements_full.txt

# 10. 环境配置检查清单

在开始第一章之前，逐项确认：

  • [ ] Miniconda 已安装，conda --version 正常输出
  • [ ] PyCharm Community Edition 已安装
  • [ ] langgraph 项目已通过 PyCharm 创建
  • [ ] PyCharm 解释器已配置为 Conda langgraph 环境（Python 3.13）
  • [ ] 核心依赖已安装（requirements.txt）
  • [ ] Jupyter 已安装并能正常启动
  • [ ] .env 文件已创建，DEEPSEEK_API_KEY 已填写
  • [ ] DeepSeek API Key 有可用额度
  • [ ] 验证脚本全部通过

全部打勾后，就可以进入 01-LangGraph基础入门 开始学习了。

Last Updated: 2026/7/28 16:36:17

基础入门