1. 引言
在大语言模型（LLM）快速发展的今天，几乎所有产品都在借助大模型进行重塑与升级。在过去一段时间，各类旨在提升效率的 AI Agent 如雨后春笋般涌现，尤其是 Coding Agent 的兴起，在一定程度上对前端开发者的职业前景带来了冲击与挑战。一些走在行业前沿的公司甚至开始提倡“前后端再度融合”，这意味着未来开发者可能需要向具备 AI 能力的全栈工程师转型。因此，掌握 AI 全栈相关的知识与技能变得非常重要。
本文将带你通过实战，从零开始搭建一个基于 Python (FastAPI) 、LangChain 和 Vue 3 的全栈 LLM 聊天应用程序。另外我们将使用 DeepSeek 作为底层模型进行学习。
技术栈前瞻
-
后端: Python 3, FastAPI (Web 框架), LangChain (LLM 编排), Uvicorn (ASGI 服务器)
-
前端: Vue 3, TypeScript, Vite (构建工具)
-
模型: DeepSeek API (兼容 OpenAI 格式)
我是 Cobyte，欢迎添加 v：icobyte，学习 AI 全栈。
2. 为什么选择 Python ?
在 AI 领域，Python 无疑是首选的开发语言。因此，如果想通过学习 AI 全栈技术来获得一份理想工作，掌握 Python 几乎是必经之路。这就像在国内想从事后端开发，Java 绝对是不二之选。对于前端背景的同学而言，虽然也可以通过 Node.js 入门 AI 开发，但就整体就业前景和发展空间来看，跟 Node.js 相比 Python 的优势也是断层领先。同时，Python 作为一门入门门槛较低的语言，学习起来相对轻松，所以大家无需过于担心学习难度问题。
最后本人提倡在实战中学习 Python，并且完全可以借助 AI 进行辅导学习。
2. Python 环境配置
我们这里只提供 Windows 环境的讲解，其他的环境自行 AI，Python 的环境搭建还是十分简单的。
- 访问官网下载安装包
www.python.org/downloads/
选择对应的平台版本：
- 安装时勾选 "Add Python to PATH"
- 验证安装
打开终端命令工具输入以下命令行：
python --version
pip --version
出现如下信息则说明安装成功了。
最后编辑器我们可以选择 VS Code，只需在拓展中安装以下插件即可。
我们前面说到了我们是使用 DeepSeek 作为底层模型进行学习，所以我们需要去 DeepSeek 的 API 开放平台申请一个大模型的 API key。申请地址如下：platform.deepseek.com/api_keys 。当然我们需要充一点钱，就充几块也够我们学习用了。
3. Python 快速入门
3.1 Hello World
我们创建一个 simple-llm-app 的项目目录，然后在根目录创建一个 .env 文件，用于存放项目的环境变量配置，跟前端的项目一样。我们这里设置上面申请到的 DeepSeek 开放平台的 API key。
DEEPSEEK_API_KEY=sk-xxxxxx
然后我们可以通过 python-dotenv 库读从 .env 文件中读取它，我们创建一个 test.py 的文件，里面的代码如下：
import os
from dotenv import load_dotenv
# 加载环境变量 (读取 .env 中的 DEEPSEEK_API_KEY)
load_dotenv()
# 打印
print(os.getenv("DEEPSEEK_API_KEY"))
其中 dotenv 库需要安装 python-dotenv 依赖，安装方法也跟安装 npm 包类似，命令如下：
pip install python-dotenv
接着执行 test.py 文件，执行命令跟 Node.js 类似：
python test.py
我们就可以在命令终端看到 .env 文件中的 DeepSeek API key 了。这算是成功输出了 Python 的 Hello world。
3.2 Python 语法入门
接着我们继续了解 Python 的相关语法。在 Python 中，使用 from ... import ...，在 ES6 JavaScript 中，我们使用 import ... from ...。
所以上述代码的 import os -> 类似于 Node.js 中的 import * as os from 'os'， os 是一个内置库。
from dotenv import load_dotenv 则类似于从 npm 包中导入一个类，比如： import load_dotenv from 'dotenv' 。
Python：没有显式的变量声明关键字，直接通过赋值创建变量。
# Python - 直接赋值，无需关键字
name = "张三"
AGE = 25 # 常量（约定）没有内置的常量类型，但通常用全大写变量名表示常量，实际上可以修改
is_student = True
JavaScript：使用 var、let 或 const 声明变量。
// JavaScript - 必须使用关键字
let name = "张三";
const age = 25; // 常量 使用 `const` 声明常量，不可重新赋值。
var isStudent = true; // 旧方式
注释对比
Python注释：
# 这是一个Python单行注释
name = "张三" # 这是行尾注释
- 多行注释：可以使用三个单引号 ''' 或三个双引号 """ 包裹
'''
这是一个Python多行注释
可以跨越多行
实际上这是字符串，但常用作注释
'''
"""
双引号三引号也可以
这在Python中通常用作文档字符串（docstring）
"""
JavaScript 注释：
// 这是一个JavaScript单行注释
let name = "张三"; // 这是行尾注释
/*
这是一个JavaScript多行注释
可以跨越多行
这是真正的注释语法
*/
/**
* 用户类，表示系统中的一个用户
* @class
*/
class User {
}
好了我们不贪杯，实战中遇到不同的 Python 语法，我们再针对学习或者借助 AI 通过与 JavaScript 语法进行横向对比，对于有一定编程基础的我们，肯定非常容易理解的。相信通过上述 Python 语法的学习，聪明的你再回头看上述示例的 Python 代码，肯定可以看懂了。
我们这里只是简单介绍上面代码中涉及到的 Python 语法，本人推荐在实战中进行学习。更多 JavaScript 视觉学习 Python：langshift.dev/zh-cn/docs/…
3.3 FastAPI 框架快速入门
3.3.1 FastAPI 是什么
FastAPI 是一个现代、高性能（与 NodeJS 和 Go 相当）的 Web 框架，用于构建 API，基于 Python 3.6+ 并使用了标准的 Python 类型提示。但它本身不提供完整的 Web 服务器功能，而是通过 ASGI（Asynchronous Server Gateway Interface）与服务器进行通信。
Uvicorn 是一个高性能的 ASGI 服务器，它支持异步编程，能够运行 FastAPI 这样的异步 Web 应用。所以 FastAPI 需要配合 Uvicorn 使用，这样才能够充分发挥 FastAPI 的异步特性，提供极高的性能。同时，Uvicorn 在开发和部署时都非常方便。
简单来说：
-
FastAPI 负责：路由、验证、序列化、依赖注入等应用逻辑
-
Uvicorn 负责：HTTP 协议解析、并发处理、连接管理等服务器功能
两者结合形成了现代 Python Web 开发的黄金组合，既能享受 Python 的便捷，又能获得接近 Go、Node.js 的性能。
3.3.2 基本示例
我们创建一个 server.py 文件，输入以下示例代码：
from fastapi import FastAPI
app = FastAPI()
@app.get("/")
def read_root():
return {"message": "我是 Cobyte，欢迎添加 v：icobyte，学习 AI 全栈。"}
# 程序的入口点
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="127.1.1.1", port=9527)
上述代码引用了两个依赖 fastapi 和 uvicorn，我们通过 pip 进行安装一下：
pip install fastapi uvicorn
然后我们在终端启动服务：python server.py，运行结果如下：
接着我们在浏览器打开 http://127.1.1.1:9527 显示如下：
3.3.3 路径参数和查询参数
示例：
@app.get("/items/{id}")
def read_item(
id: int,
limit: int = 10, # 默认值
q: Optional[str] = None, # 可选参数
short: bool = False, # 默认值
tags: List[str] = [] # 列表参数
):
item = {"id": id, "limit": limit, "tags": tags}
if q:
item.update({"q": q})
if not short:
item.update({"desc": "长说明"})
return item
重启服务，在浏览器输入：http://127.1.1.1:9527/items/1?q=cobyte ，结果如下：
总结
- 路径参数：在路径中声明的参数，如
id。
- 查询参数：作为函数参数，但不是路径参数，将自动解释为查询参数。
3.3.4 FastAPI 中的模型定义
在 FastAPI 中，我们经常需要处理来自客户端的请求数据，例如 POST 请求的 JSON 体。为了确保数据的正确性，我们需要验证数据是否符合预期的格式和类型。使用 Pydantic 模型可以让我们以一种声明式的方式定义数据的结构，并自动进行验证。
Pydantic 是一个 Python 库，用于数据验证和设置管理，主要基于 Python 类型提示（type hints）。它可以在运行时提供类型检查，并且当数据无效时提供详细的错误信息。
Pydantic 的核心功能是定义数据的结构（模型），并自动验证传入的数据是否符合这个结构。它非常适用于以下场景：
- 验证用户输入（例如 API 请求的数据）
- 配置管理
- 数据序列化和反序列化（例如将 JSON 数据转换为 Python 对象）
Pydantic 模型使用 Python 的类来定义，类的属性使用类型注解来指定类型，并且可以设置默认值。
请求体（Request Body）和响应模型（Response Model）的示例如：
from pydantic import BaseModel, validator, Field
from typing import Optional, List
import re
# 请求体（Request Body）
class UserRequest(BaseModel):
username: str = Field(..., min_length=3, max_length=50)
password: str
email: str
@validator('username')
def username_alphanumeric(cls, v):
if not re.match('^[a-zA-Z0-9_]+$', v):
raise ValueError('只能包含字母、数字和下划线')
return v
@validator('email')
def email_valid(cls, v):
if '@' not in v:
raise ValueError('无效的邮箱地址')
return v.lower() # 转换为小写
@validator('password')
def password_strong(cls, v):
if len(v) < 6:
raise ValueError('密码至少6位')
return v
# 响应模型（Response Model）
class UserResponse(BaseModel):
username: str
email: str
@app.post("/user/", response_model=UserResponse)
async def create_user(user: UserRequest):
# 密码会被过滤，不会出现在响应中
return user
FastAPI 会自动从 Pydantic 模型生成 API 文档，我们在 server.py 文件中添加了上述示例之后，重启服务，访问 http://127.1.1.1:9527/docs 可以看到：
并且我们还可以在文档地址中进行测试，这里就不展开讲了。
3.3.5 异步和中间件
示例：
from fastapi import Request
@app.middleware("http")
async def add_process_time_header(request: Request, call_next):
response = await call_next(request)
response.headers["X-Process-Time"] = str(process_time)
return response
我们可以看到 Python 的这个异步语法跟 JavaScript 的 async/await 是一样的语法。
3.3.6 CORS 配置
通过设置 CORS 配置允许前端跨域访问。
from fastapi.middleware.cors import CORSMiddleware
# CORS 配置：允许前端跨域访问
app.add_middleware(
CORSMiddleware,
allow_origins=["*"], # 在生产环境中建议设置为具体的前端域名
allow_credentials=True,
allow_methods=["*"], # 允许的方法
allow_headers=["*"], # 允许的头部
)
到此本文所用到的 FastAPI 知识就基本介绍完毕了，后续再在实战中进行学习，先上了 AI 全栈的车再说。
4. LLM 和 OpenAI 接口快速入门
4.1 入门示例代码
让我们从安装依赖开始，借助 DeepSeek 大模型一起探索 OpenAI 接口规范。
pip install openai
接着我们在 test.py 中添加如下代码：
import os
from dotenv import load_dotenv
# 加载环境变量 (读取 .env 中的 DEEPSEEK_API_KEY)
load_dotenv()
# 加载 OpenAI 库，从这里也可以看到 Python 的库加载顺序跟 JavaScript ES6 import 是不一样，反而有点像 requrie
from openai import OpenAI
# 初始化客户端
client = OpenAI(
api_key=os.getenv("DEEPSEEK_API_KEY"), # 身份验证凭证，确保你有权访问 API
base_url="https://api.deepseek.com" # 将请求重定向到 DeepSeek 的服务器（而非 OpenAI）
)
# 构建聊天请求
response = client.chat.completions.create(
model="deepseek-chat", # 指定模型版本
temperature=0.5,
messages=[ # 对话消息数组
{"role": "user", "content": "你是谁？"}
]
)
# 打印结果
print(response.choices[0].message.content.strip())
终端输出结果如下：
可以看到我们成功调用了 DeepSeek 大模型。
在 openai 中，返回的 response 对象是一个 Pydantic 模型，如果我们想详细查看 response 返回的结果，可以使用它自带的 .model_dump_json() 方法。
# 使用 model_dump_json 并指定缩进
print(response.model_dump_json(indent=2))
可以看到通过上述方式打印大模型响应的信息如下：
4.2 choices 字段详解
我们从上面打印的结果可以了知道，大模型返回的文本信息是存储在 choices 字段中的，所以我们来了解一下它。
在调用 chat.completions.create 时，如果设置了 n 参数（n>1），那么模型会生成多个输出，此时 choices 字段就会包含多个元素。每个 choice 代表一个可能的响应，我们可以通过遍历 choices 来获取所有响应。
另外，即使 n=1（默认值），choices 也是一个列表，只不过只包含一个元素。所以我们上述例子中才通过 response.choices[0] 来获取大模型的返回结果。
4.3 流式响应
因为大模型本质上是一个预测生成器，简单来说就是你输入一句话，大模型就预测下一个字。因此我们希望在模型生成文本的同时就显示给用户，提高交互的实时性。这就是流式响应。代码设置如下：
# 构建聊天请求
response = client.chat.completions.create(
model="deepseek-chat", # 指定模型版本
temperature=0.5,
messages=[ # 对话消息数组
{"role": "user", "content": "你是谁？"}
],
+ stream=True, # 启用流式传输
)
+# response是一个生成器，在Python中，生成器是一种迭代器，每次迭代返回一个值。这里，每次迭代返回一个chunk（部分响应）。
+for chunk in response: # 1. 遍历响应流
+ if chunk.choices[0].delta.content: # 2. 检查是否有内容
+ print(chunk.choices[0].delta.content, # 3. 打印内容
+ end="", # 4. 不换行
+ flush=True) # 5. 立即刷新缓冲区
输出结果如下：
4.4 temperature 参数
我个人觉得那么多大模型参数中 temperature 参数还是比较重要的，值得我们了解一下。模型在生成每一个词时，都会计算一个所有可能的下一个词的概率分布（例如，“苹果”概率0.3，“香蕉”概率0.5，“水果”概率0.2）。temperature 的值会影响这个概率分布的形状，从而改变模型最终根据这个分布进行“抽样”选择的结果。
一个简单的比喻：选餐厅吃饭
-
Temperature = 0.0：永远只去评分最高、去过无数次的那一家最保险的餐厅。结果最稳定，但永远没有新体验。
-
Temperature = 1.0：大多数时候去那家最好的，但偶尔也会根据评价试试附近其他不错的餐厅。平衡了可靠性和新鲜感。
-
Temperature = 1.5：经常尝试新餐厅，甚至包括一些评价奇特或小众的地方。体验非常丰富，但有时会“踩雷”。
总结与建议
-
追求确定性时调低 (接近0) ：当你需要精确、可靠、可复现的结果时，如生成代码、数学推导、事实问答、指令严格遵循。
-
追求创造性和多样性时调高 (>1.0) ：当你需要创意、多样化表达、故事生成、诗歌时。
-
通用场景用中间值 (0.8-1.2) ：大多数对话、摘要、分析等任务，这个范围能提供既连贯又有一定灵活性的输出。
4.5 消息角色
在 OpenAI API 中，messages 数组中的每条消息都有一个 role 字段，它定义了消息的来源和用途。消息角色主要有三种：system、user、assistant。此外，在后续的更新中，还引入了 tool 和 function 等角色，但最基础的是前三种。
1. system (系统)
2. user (用户)
3. assistant (助手)
-
作用: 代表助手之前的回复。
-
特点:
- 在多轮对话中保存历史回复
- 帮助模型保持对话连贯性
- 在单轮对话中不需要此角色
-
示例:
messages = [
{"role": "system", "content": "你是一个数学老师"},
{"role": "user", "content": "2+2等于多少？"},
{"role": "assistant", "content": "2+2等于4"},
{"role": "user", "content": "那3+3呢？"} # 模型知道这是新问题
]
通过合理组合这些角色，你可以构建从简单问答到复杂多轮对话的各种应用场景。记住：清晰的角色定义和恰当的消息组织是获得高质量回复的基础。我们这里先介绍前三种核心角色。
5. LangChain 入门
5.1 怎么理解 LangChain 框架
从前端的视角来理解，LangChain 就好比是 Vue 或 React 这类框架。在前端开发中，如果没有 Vue 或 React，我们就需要直接编写大量操作浏览器 API 的底层代码；而有了这类框架，它们封装了常见的交互逻辑和状态管理，让开发变得更高效、更结构化。类似地，LangChain 实际上是一套封装了大型语言模型常见操作模式的方案，它帮助开发者更便捷地调用、组合与管理大模型的能力，而无需每次都从头编写复杂的模型交互代码。
5.2 LangChain 调用 LLM 示例
接着我们在项目根目录下创建一个 llm-app.py 文件，输入以下内容：
import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from dotenv import load_dotenv
# 1. 加载环境变量 (读取 .env 中的 DEEPSEEK_API_KEY)
load_dotenv()
# 2. 创建组件
# 相对于上面的使用 OpenAI 的接口，现在经过 LangChain 封装后确实简洁了很多
llm = ChatOpenAI(
model="deepseek-chat",
temperature=0.7,
api_key=os.getenv("DEEPSEEK_API_KEY"),
base_url="https://api.deepseek.com/v1"
)
# 创建了一个人类角色的提示模板，`from_template` 方法允许我们通过一个字符串模板来定义提示，默认是人类角色。
prompt = ChatPromptTemplate.from_template("{question}")
# 创建解析器
parser = StrOutputParser()
# 将AI响应转换为字符串，通过前面的知识我们知道大模型返回的数据一般包含很多数据，
# 很多时候我们只需要其中的文本内容。`StrOutputParser` 就是用来提取这个文本内容的
# 3. 组合链 (LCEL 语法) Python LangChain 常见的链式调用
chain = prompt | llm | parser
# 等价于：输入 → 模板填充 → AI处理 → 结果解析
# 4. 执行
result = chain.invoke({"question": "你是谁？"})
# 内部执行：填充"你是谁？" → 调用API → 解析响应 → 返回字符串
# 5. 打印结果
print(result)
然后在终端安装对应的依赖（这个步骤跟前端也很像，所以学习 Python 是很简单的）：
pip install langchain_openai langchain_core dotenv
接着在终端执行
# 跟前端的 node llm-app.js 等价
python llm-app.py
终端输出结果如下：
可以看到我们成功执行了一个 Python + LangChain 的应用程序。
5.2 消息模板系统
我们上面的注释讲解了 prompt = ChatPromptTemplate.from_template("{question}") 这句代码默认创建了一个人类角色的提示模板，也就是 {"role": "user", "content": "用户输入的内容"}。
LangChain 作为一个强大的 LLM 应用开发框架, 为了让开发者能够精确控制对话的流程和结构，提供了灵活且强大的消息模板系统。LangChain 的消息模板系统基于角色（role）的概念，将对话分解为不同类型的信息单元。目前的类型如下：
| 类 |
角色 |
用途 |
对应 OpenAI 角色 |
SystemMessagePromptTemplate |
system |
系统指令、设定 |
system |
HumanMessagePromptTemplate |
human |
用户输入 |
user |
AssistantMessagePromptTemplate |
assistant |
AI 回复 |
assistant |
AIMessagePromptTemplate |
ai |
AI 回复（别名） |
assistant |
ToolMessagePromptTemplate |
tool |
工具调用结果 |
tool |
FunctionMessagePromptTemplate |
function |
函数调用结果 |
function |
ChatPromptTemplate 则是消息系统的核心容器，负责协调各种消息类型：
from langchain_core.prompts import (
SystemMessagePromptTemplate,
HumanMessagePromptTemplate,
AssistantMessagePromptTemplate
)
system = SystemMessagePromptTemplate.from_template(...)
human = HumanMessagePromptTemplate.from_template(...)
assistant = AssistantMessagePromptTemplate.from_template(...)
prompt = ChatPromptTemplate.from_messages([system, human, assistant])
所以上述入门实例代码可以进行以下修改：
-from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.prompts import ChatPromptTemplate,HumanMessagePromptTemplate
# 省略...
-# 创建了一个人类角色的提示模板，`from_template` 方法允许我们通过一个字符串模板来定义提示，默认是人类角色。
-prompt = ChatPromptTemplate.from_template("{question}")
+human = HumanMessagePromptTemplate.from_template("{question}")
+prompt = ChatPromptTemplate.from_messages([human])
# 省略...
然后重新在终端执行 python llm-app.py 依然正常输出。
同时通过 LangChain 消息模型来理解大模型的调用过程也变得十分的清晰，所以整个流程是：
输入 → prompt → llm → parser → 输出
↓
{"question": "你是谁？"}
↓
prompt 处理：创建消息 "你是谁？"
↓
llm 处理：调用 LLM 处理，返回 AIMessage 对象
↓
parser 处理：提取文本内容
↓
最终结果字符串
在 LangChain 中还有一个最基础的模板类 PromptTemplate 用于构建字符串提示。下面我们也来了解一下它的基本用法。
from langchain_core.prompts import PromptTemplate
# 方式1：使用 from_template 类方法（最常用）
prompt = PromptTemplate.from_template("请解释什么是{concept}。")
# 方式2：直接实例化
prompt = PromptTemplate(
input_variables=["concept"],
template="请解释什么是{concept}。"
)
综上所述我们通过理解和掌握 LangChain 这些核心概念，才能高效地构建可靠、可维护的 LLM 应用。此外，LangChain 的消息模板系统仍在不断发展当中，我们需要不断地持续关注。
5.3 LangChain 链式调用（管道操作符）
在 LangChain 中所谓的链式调用是通过管道操作符 | 来实现的，也就是通过 | 实现将一个函数的输出作为下一个函数的输入。
例如上述的示例代码中的：
# LangChain 中的管道操作
chain = prompt | llm | output_parser
# 第一步：prompt 处理
messages = prompt.invoke({"question": "你是谁？"})
# messages = [HumanMessage(content="你是谁？")]
# 第二步：llm 处理
response = llm.invoke(messages)
# response = AIMessage(content="我是DeepSeek...")
# 第三步：parser 处理
result = parser.invoke(response)
# result = "我是DeepSeek..."
在标准 Python 语法中，| 是按位或操作符，用于：
- 整数的按位运算：
5 | 3 = 7
- 集合的并集运算：
{1, 2} | {2, 3} = {1, 2, 3}
- 从 Python 3.10 开始，用于类型联合：
int | str
但 LangChain 通过 重载（overload） | 操作符，赋予了它新的含义：
-
| 在 LangChain 中是一种语法糖，让链式操作更直观
- 它不是 Python 的新语法，而是通过操作符重载实现的框架特定功能
- 这种设计让 LangChain 的代码更加简洁和易读
6. LLM 聊天应用后端
6.1 后端架构设计
我们遵循单一职责原则（SRP）进行分层架构设计，将系统划分为API层、业务层和数据层，旨在实现高内聚、低耦合，提升代码的可维护性、可测试性和可扩展性。
API层 专注于处理 HTTP 协议相关的逻辑，包括路由定义、请求验证、响应序列化和跨域处理等。它作为系统的入口点，负责与客户端进行通信，并将业务逻辑委托给下层。这种设计使得我们可以独立地调整 API 暴露方式（如支持 WebSocket）而不影响核心业务逻辑。
业务层 封装 LLM 的核心应用逻辑，例如与 AI 模型的交互、对话历史管理和流式生成等。这一层独立于 Web 框架，使得业务逻辑可以复用于其他场景（如命令行界面或批处理任务）。同时，业务层的单一职责确保了我们能够针对 LLM 交互进行优化和测试，而无需关心 HTTP 细节。
数据层 通过 Pydantic 定义系统的数据模型，包括请求、响应结构和内部数据传输对象。通过集中管理数据模型，我们确保了数据格式的一致性，并便于进行数据验证和类型提示。这种分离使得数据结构的变更更加可控，同时也为生成 API 文档提供了便利。
6.1 实现业务层和数据层
实现业务层其实就是封装 LLM 的核心应用逻辑。通过将复杂的 LLM 调用逻辑、提示工程和流式处理封装在独立的类中，这样 API 层只需关注请求与响应，而无需了解 LangChain 或特定 API 的细节。这使得底层技术栈的迭代或更换（例如从 LangChain 切换到其他操作大模型的框架或更改 LangChain 最新的 API）变得轻而易举，只需修改封装类内部实现，而对外接口保持不变，实现了有效隔离。
创建 ./backend/llm_app.py 文件，内容如下：
import os
from typing import Generator
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain_core.output_parsers import StrOutputParser
# 加载环境变量
load_dotenv()
class LLMApp:
def __init__(self, model_name="deepseek-chat", temperature=0.7):
"""
初始化 LLM 应用程序
"""
# 检查 DeepSeek API 密钥
if not os.getenv("DEEPSEEK_API_KEY"):
raise ValueError("请在 .env 文件中设置 DEEPSEEK_API_KEY 环境变量")
# 初始化配置
self.model_name = model_name
self.temperature = temperature
self.api_key = os.getenv("DEEPSEEK_API_KEY")
self.base_url = "https://api.deepseek.com/v1"
# 初始化非流式 LLM (用于普通任务)
self.llm = self._create_llm(streaming=False)
# 初始化流式 LLM (用于流式对话)
self.streaming_llm = self._create_llm(streaming=True)
# 输出解析器
self.output_parser = StrOutputParser()
# 初始化对话链
self._setup_chains()
def _create_llm(self, streaming: bool = False):
"""创建 LLM 实例"""
return ChatOpenAI(
model_name=self.model_name,
temperature=self.temperature,
api_key=self.api_key,
base_url=self.base_url,
streaming=streaming
)
def _setup_chains(self):
"""设置处理链"""
# 带上下文的对话 Prompt
conversation_prompt = PromptTemplate(
input_variables=["chat_history", "user_input"],
template="""你是一个有用的 AI 助手。请根据对话历史回答用户的问题。
对话历史：
{chat_history}
用户：{user_input}
助手："""
)
# 注意：这里我们只定义 prompt，具体执行时再组合
self.conversation_prompt = conversation_prompt
def format_history(self, history_list) -> str:
"""格式化聊天历史"""
if not history_list:
return "无历史对话"
formatted = []
for msg in history_list:
# 兼容 Pydantic model 或 dict
if isinstance(msg, dict):
role = msg.get('role', 'unknown')
content = msg.get('content', '')
else:
role = getattr(msg, 'role', 'unknown')
content = getattr(msg, 'content', '')
formatted.append(f"{role}: {content}")
return "\n".join(formatted[-10:]) # 只保留最近 10 条
def stream_chat(self, user_input: str, chat_history: list) -> Generator[str, None, None]:
"""流式对话生成器"""
try:
history_text = self.format_history(chat_history)
# 构建链：Prompt | StreamingLLM | OutputParser
chain = self.conversation_prompt | self.streaming_llm | self.output_parser
# 执行流式生成
for chunk in chain.stream({
"chat_history": history_text,
"user_input": user_input
}):
yield chunk
except Exception as e:
yield f"Error: {str(e)}"
接下来我们对上述封装的 LLM 类的功能进行测试，测试前先在 ./backend/.env 文件中添加 DeepSeek 开放平台的 API key。
DEEPSEEK_API_KEY=sk-xxxxxx
接着创建 ./backend/test.py 文件写上以下测试代码。
from llm_app import LLMApp
# 测试
llmApp = LLMApp()
# 模拟聊天历史
chat_history = [
{"role": "user", "content": "你好"},
{"role": "assistant", "content": "你好！有什么可以帮助你的吗？"},
]
# 模拟用户输入
user_input = "请介绍一下人工智能"
# 收集流式响应
response_chunks = []
for chunk in llmApp.stream_chat(user_input, chat_history):
response_chunks.append(chunk)
# 模拟实时显示
print(chunk, end="", flush=True)
# 合并响应
full_response = "".join(response_chunks)
print(f"\n完整响应: {full_response}")
测试结果如下：
接着我们通过 Pydantic 来定义数据的结构（模型）
创建 ./backend/models.py 文件，内容如下：
from pydantic import BaseModel
from typing import List, Optional
class ChatMessage(BaseModel):
"""单条聊天消息"""
role: str # "user" 或 "assistant"
content: str
class ChatRequest(BaseModel):
"""聊天请求模型"""
message: str
chat_history: Optional[List[ChatMessage]] = []
修改 ./backend/test.py 文件，内容如下：
import json
import asyncio
from llm_app import LLMApp
from models import ChatRequest, ChatMessage
# 测试
llmApp = LLMApp()
# 模拟聊天历史
chat_history = [
{"role": "user", "content": "你好"},
{"role": "assistant", "content": "你好！有什么可以帮助你的吗？"},
]
# 模拟用户输入
user_input = "请介绍一下人工智能"
# 模拟 SSE 的流式聊天响应
async def chat_stream(request: ChatRequest):
# 1. 发送开始事件
yield f"data: {json.dumps({'type': 'start'})}\n\n"
await asyncio.sleep(0.01) # 让出控制权，以便运行其他任务。
full_response = ""
# 2. 生成并发送 token
for token in llmApp.stream_chat(request.message, request.chat_history):
full_response += token
yield f"data: {json.dumps({'type': 'token', 'content': token})}\n\n"
await asyncio.sleep(0.01)
# 3. 发送结束事件
yield f"data: {json.dumps({'type': 'end', 'full_response': full_response})}\n\n"
# 异步测试函数
async def test_chat_stream():
# 使用 Pydantic 模型实现数据序列化和反序列化（即将JSON数据转换为Python对象）
request = ChatRequest(message=user_input, chat_history=chat_history)
async for chunk in chat_stream(request):
print(chunk)
# 在异步编程中，我们使用asyncio.run()来运行一个异步函数（coroutine）作为程序的入口点。
asyncio.run(test_chat_stream())
打印结果如下：
在上述的测试代码中的 chat_stream 函数实现一个基于 Server-Sent Events (SSE) 的流式聊天响应的异步生成器，它接收一个 ChatRequest 对象，然后逐步生成事件流。事件流格式遵循 SSE 规范，每个事件以 "data: " 开头，后跟 JSON 字符串，并以两个换行符结束。
- 首先，发送一个开始事件，通知客户端开始生成响应。
- 然后，通过调用
llmApp.stream_chat 方法，逐个获取 token，并将每个 token 作为一个事件发送。
- 在发送每个 token 事件后，使用
await asyncio.sleep(0.01) 来让出控制权，这样其他任务可以运行，避免阻塞。
- 同时，将每个 token 累加到
full_response 中，以便在最后发送整个响应。
- 最后，发送一个结束事件，并包含完整的响应内容。
这样设计的好处：
- 流式传输：可以逐步将响应发送给客户端，客户端可以实时看到生成的 token，提升用户体验（如打字机效果）。
- 异步：使用异步生成器，可以在等待模型生成下一个 token 时让出控制权，提高并发性能。
- 事件驱动：通过定义不同类型的事件（开始、token、结束），客户端可以方便地根据事件类型进行处理。
6.2 实现 API 层
上面测试代码中实现的 chat_stream 函数，其实就是我们接下来要实现的 流式对话接口，即接收用户的消息和聊天历史，通过流式方式返回 LLM 的响应。同时我们再实现一个健康检查接口，提供服务器的健康状态，包括 LLM 应用是否初始化成功、模型名称等，便于监控。
根据上面所学的知识，我们实现一个基于 FastAPI 的 LLM 聊天 API 服务。
我们创建 ./backend/server.py 文件，内容如下：
import json
import asyncio
from datetime import datetime
from fastapi import FastAPI, HTTPException
from fastapi.middleware.cors import CORSMiddleware
from fastapi.responses import StreamingResponse
from llm_app import LLMApp
from models import ChatRequest, HealthResponse
app = FastAPI(title="Cobyte LLM Chat API")
# CORS 配置：允许前端跨域访问
app.add_middleware(
CORSMiddleware,
allow_origins=["*"], # 在生产环境中建议设置为具体的前端域名
allow_credentials=True,
allow_methods=["*"],
allow_headers=["*"],
)
# 全局 LLM 应用实例
llm_app = None
@app.on_event("startup")
async def startup_event():
"""应用启动时初始化 LLM"""
global llm_app
try:
print("正在初始化 LLM 应用...")
llm_app = LLMApp()
print("✅ LLM 应用初始化成功")
except Exception as e:
print(f"❌ LLM 应用初始化失败: {e}")
@app.get("/api/health")
async def health_check():
"""健康检查接口"""
return HealthResponse(
status="healthy" if llm_app else "unhealthy",
model="deepseek-chat",
api_configured=llm_app is not None,
timestamp=datetime.now().isoformat()
)
@app.post("/api/chat/stream")
async def chat_stream(request: ChatRequest):
"""流式对话接口"""
if not llm_app:
raise HTTPException(status_code=500, detail="LLM 服务未就绪")
async def generate():
try:
# 1. 发送开始事件
yield f"data: {json.dumps({'type': 'start'})}\n\n"
await asyncio.sleep(0.01) # 让出控制权
full_response = ""
# 2. 生成并发送 token
# 注意：llm_app.stream_chat 是同步生成器，但在 FastAPI 中可以正常工作
# 如果需要完全异步，需要使用 AsyncChatOpenAI，这里为了简单保持同步调用
for token in llm_app.stream_chat(request.message, request.chat_history):
full_response += token
yield f"data: {json.dumps({'type': 'token', 'content': token})}\n\n"
await asyncio.sleep(0.01)
# 3. 发送结束事件
yield f"data: {json.dumps({'type': 'end', 'full_response': full_response})}\n\n"
except Exception as e:
error_msg = str(e)
print(f"生成错误: {error_msg}")
yield f"data: {json.dumps({'type': 'error', 'message': error_msg})}\n\n"
return StreamingResponse(generate(), media_type="text/event-stream")
if __name__ == "__main__":
import uvicorn
uvicorn.run(app, host="0.0.0.0", port=8000)
至此我们基于 FastAPI 实现了 API 层。核心功能就是提供了两个 API：
-
流式对话接口 /api/chat/stream
- 支持 Server-Sent Events (SSE) 流式响应
- 接收用户消息，实时返回 AI 生成的回复
- 支持对话历史管理
-
健康检查接口 /api/health
6.3 依赖管理
为了更好地管理我们的依赖，我们可以创建一个 ./backend/requirements.txt 文件，将使用到的依赖都设置到这个文件中：
fastapi>=0.109.0
uvicorn>=0.27.0
python-dotenv>=1.0.0
langchain>=1.2.9
langchain-openai>=0.0.5
pydantic>=2.5.0
这样我们就可以进行以下方式进行安装依赖了。
# 安装依赖
pip install -r requirements.txt
7. 前端聊天界面
先创建一个 Vue3 + TS 的前端项目，我们在根目录下执行以下命令：
npm create vite@latest frontend --template vue-ts
接下来我们主要实现以下核心功能：
-
对话界面
- 消息列表展示（用户消息 + AI 回复）
- 输入框 + 发送按钮
- 流式显示 AI 回复（逐字显示效果）
- 加载状态提示
-
交互功能
- 发送消息（Enter 键/点击按钮）
- 清空对话历史
- 滚动到最新消息
./frontend/src/types/chat.ts 文件如下：
export interface Message {
id: string
role: 'user' | 'assistant'
content: string
timestamp: number
streaming?: boolean // 是否正在流式生成
}
export interface ChatRequest {
message: string
chat_history: Array<{
role: string
content: string
}>
}
export interface SSEEvent {
type: 'start' | 'token' | 'end' | 'error'
content?: string
full_response?: string
message?: string
}
./frontend/src/api/chat.ts 文件内容如下：
import type { ChatRequest, SSEEvent } from '../types/chat'
const API_BASE_URL = import.meta.env.VITE_API_BASE_URL || 'http://localhost:8000'
export class ChatAPI {
/**
* 流式对话接口
*/
static streamChat(
payload: ChatRequest,
onToken: (token: string) => void,
onComplete: (fullResponse: string) => void,
onError: (error: string) => void
): () => void {
// 使用 fetch API 配合 ReadableStream 来处理 POST 请求的流式响应
// 因为标准的 EventSource 不支持 POST 请求
const controller = new AbortController()
const fetchStream = async () => {
try {
const response = await fetch(`${API_BASE_URL}/api/chat/stream`, {
method: 'POST',
headers: {
'Content-Type': 'application/json',
},
body: JSON.stringify(payload),
signal: controller.signal,
})
if (!response.ok) {
throw new Error(`HTTP error! status: ${response.status}`)
}
const reader = response.body?.getReader()
const decoder = new TextDecoder()
if (!reader) throw new Error('Response body is null')
let buffer = ''
while (true) {
const { done, value } = await reader.read()
if (done) break
const chunk = decoder.decode(value, { stream: true })
buffer += chunk
// 处理 buffer 中的每一行
const lines = buffer.split('\n\n')
buffer = lines.pop() || '' // 保留最后一个可能不完整的块
for (const line of lines) {
if (line.startsWith('data: ')) {
const jsonStr = line.slice(6)
try {
const data: SSEEvent = JSON.parse(jsonStr)
switch (data.type) {
case 'start':
break
case 'token':
if (data.content) onToken(data.content)
break
case 'end':
if (data.full_response) onComplete(data.full_response)
return // 正常结束
case 'error':
onError(data.message || 'Unknown error')
return
}
} catch (e) {
console.error('JSON parse error:', e)
}
}
}
}
} catch (error: any) {
if (error.name === 'AbortError') return
onError(error.message)
}
}
fetchStream()
// 返回取消函数
return () => controller.abort()
}
/**
* 健康检查
*/
static async healthCheck() {
try {
const response = await fetch(`${API_BASE_URL}/api/health`)
return await response.json()
} catch (error) {
console.error('Health check failed', error)
return { status: 'error' }
}
}
}
./frontend/src/composables/useChat.ts 文件内容如下：
import { ref, nextTick } from 'vue'
import type { Message } from '../types/chat'
import { ChatAPI } from '../api/chat'
export function useChat() {
const messages = ref<Message[]>([])
const isLoading = ref(false)
const currentStreamingMessage = ref<Message | null>(null)
// 用于取消当前的请求
let cancelStream: (() => void) | null = null
/**
* 滚动到底部
*/
const scrollToBottom = () => {
nextTick(() => {
const container = document.querySelector('.message-list')
if (container) {
container.scrollTo({
top: container.scrollHeight,
behavior: 'smooth'
})
}
})
}
/**
* 发送消息
*/
const sendMessage = async (content: string) => {
if (!content.trim() || isLoading.value) return
// 1. 添加用户消息
const userMessage: Message = {
id: Date.now().toString(),
role: 'user',
content: content.trim(),
timestamp: Date.now()
}
messages.value.push(userMessage)
// 准备发送给后端的历史记录（去掉刚加的这一条，因为后端只要之前的）
// 或者你可以根据设计决定是否包含当前条，通常 API 设计是：新消息 + 历史
// 我们的后端设计是：message + chat_history
const historyPayload = messages.value.slice(0, -1).map(m => ({
role: m.role,
content: m.content
}))
// 2. 创建 AI 消息占位符
const aiMessage: Message = {
id: (Date.now() + 1).toString(),
role: 'assistant',
content: '',
timestamp: Date.now(),
streaming: true
}
messages.value.push(aiMessage)
currentStreamingMessage.value = aiMessage
isLoading.value = true
scrollToBottom()
// 3. 调用流式 API
cancelStream = ChatAPI.streamChat(
{
message: content.trim(),
chat_history: historyPayload
},
// onToken
(token) => {
if (currentStreamingMessage.value) {
currentStreamingMessage.value.content += token
scrollToBottom()
}
},
// onComplete
(fullResponse) => {
if (currentStreamingMessage.value) {
// 确保内容完整
if (currentStreamingMessage.value.content !== fullResponse && fullResponse) {
currentStreamingMessage.value.content = fullResponse
}
currentStreamingMessage.value.streaming = false
}
currentStreamingMessage.value = null
isLoading.value = false
cancelStream = null
scrollToBottom()
},
// onError
(error) => {
if (currentStreamingMessage.value) {
currentStreamingMessage.value.content += `\n[错误: ${error}]`
currentStreamingMessage.value.streaming = false
}
currentStreamingMessage.value = null
isLoading.value = false
cancelStream = null
scrollToBottom()
}
)
}
/**
* 清空历史
*/
const clearHistory = () => {
if (cancelStream) {
cancelStream()
cancelStream = null
}
messages.value = []
isLoading.value = false
currentStreamingMessage.value = null
}
return {
messages,
isLoading,
sendMessage,
clearHistory
}
}
./frontend/src/App.vue 文件内容如下：
<template>
<div class="app-container">
<header class="chat-header">
<div class="header-content">
<h1>🤖 DeepSeek 对话助手</h1>
<div class="status-badge" :class="{ online: isServerOnline }">
{{ isServerOnline ? '在线' : '离线' }}
</div>
</div>
<button @click="clearHistory" class="clear-btn" title="清空对话">
🗑️
</button>
</header>
<main class="message-list">
<div v-if="messages.length === 0" class="empty-state">
<p>👋 你好！我是基于 DeepSeek 的 AI 助手。</p>
<p>请在下方输入问题开始对话。</p>
</div>
<div
v-for="msg in messages"
:key="msg.id"
class="message-wrapper"
:class="msg.role"
>
<div class="avatar">
{{ msg.role === 'user' ? '👤' : '🤖' }}
</div>
<div class="message-content">
<div class="bubble">
{{ msg.content }}
<span v-if="msg.streaming" class="cursor">|</span>
</div>
</div>
</div>
</main>
<footer class="input-area">
<div class="input-container">
<textarea
v-model="inputContent"
placeholder="输入消息... (Enter 发送, Shift+Enter 换行)"
@keydown.enter.exact.prevent="handleSend"
:disabled="isLoading"
rows="1"
ref="textareaRef"
></textarea>
<button
@click="handleSend"
:disabled="isLoading || !inputContent.trim()"
class="send-btn"
>
{{ isLoading ? '...' : '发送' }}
</button>
</div>
</footer>
</div>
</template>
<script setup lang="ts">
import { ref, onMounted, watch } from 'vue'
import { useChat } from './composables/useChat'
import { ChatAPI } from './api/chat'
const { messages, isLoading, sendMessage, clearHistory } = useChat()
const inputContent = ref('')
const textareaRef = ref<HTMLTextAreaElement | null>(null)
const isServerOnline = ref(false)
// 检查服务器状态
onMounted(async () => {
const health = await ChatAPI.healthCheck()
isServerOnline.value = health.status === 'healthy'
})
// 自动调整输入框高度
watch(inputContent, () => {
if (textareaRef.value) {
textareaRef.value.style.height = 'auto'
textareaRef.value.style.height = textareaRef.value.scrollHeight + 'px'
}
})
const handleSend = () => {
if (inputContent.value.trim() && !isLoading.value) {
sendMessage(inputContent.value)
inputContent.value = ''
// 重置高度
if (textareaRef.value) {
textareaRef.value.style.height = 'auto'
}
}
}
</script>
<style>
:root {
--primary-color: #4a90e2;
--bg-color: #f5f7fa;
--chat-bg: #ffffff;
--user-msg-bg: #e3f2fd;
--bot-msg-bg: #f5f5f5;
--border-color: #e0e0e0;
}
* {
box-sizing: border-box;
margin: 0;
padding: 0;
}
body {
font-family: -apple-system, BlinkMacSystemFont, 'Segoe UI', Roboto, Oxygen, Ubuntu, Cantarell, 'Open Sans', 'Helvetica Neue', sans-serif;
background-color: var(--bg-color);
height: 100vh;
overflow: hidden;
}
.app-container {
max-width: 800px;
margin: 0 auto;
height: 100%;
display: flex;
flex-direction: column;
background-color: var(--chat-bg);
box-shadow: 0 0 20px rgba(0,0,0,0.05);
}
/* Header */
.chat-header {
padding: 1rem;
border-bottom: 1px solid var(--border-color);
display: flex;
justify-content: space-between;
align-items: center;
background: white;
z-index: 10;
}
.header-content h1 {
font-size: 1.2rem;
color: #333;
}
.status-badge {
font-size: 0.8rem;
padding: 2px 6px;
border-radius: 4px;
background: #ff5252;
color: white;
display: inline-block;
margin-left: 8px;
}
.status-badge.online {
background: #4caf50;
}
.clear-btn {
background: none;
border: none;
cursor: pointer;
font-size: 1.2rem;
padding: 5px;
border-radius: 50%;
transition: background 0.2s;
}
.clear-btn:hover {
background: #f0f0f0;
}
/* Message List */
.message-list {
flex: 1;
overflow-y: auto;
padding: 20px;
display: flex;
flex-direction: column;
gap: 20px;
}
.empty-state {
text-align: center;
margin-top: 50px;
color: #888;
}
.message-wrapper {
display: flex;
gap: 12px;
max-width: 85%;
}
.message-wrapper.user {
align-self: flex-end;
flex-direction: row-reverse;
}
.avatar {
width: 36px;
height: 36px;
border-radius: 50%;
background: #eee;
display: flex;
align-items: center;
justify-content: center;
font-size: 1.2rem;
flex-shrink: 0;
}
.bubble {
padding: 12px 16px;
border-radius: 12px;
line-height: 1.5;
white-space: pre-wrap;
word-break: break-word;
}
.message-wrapper.user .bubble {
background: var(--user-msg-bg);
color: #0d47a1;
border-radius: 12px 2px 12px 12px;
}
.message-wrapper.assistant .bubble {
background: var(--bot-msg-bg);
color: #333;
border-radius: 2px 12px 12px 12px;
}
.cursor {
display: inline-block;
width: 2px;
height: 1em;
background: #333;
animation: blink 1s infinite;
vertical-align: middle;
}
@keyframes blink {
0%, 100% { opacity: 1; }
50% { opacity: 0; }
}
/* Input Area */
.input-area {
padding: 20px;
border-top: 1px solid var(--border-color);
background: white;
}
.input-container {
display: flex;
gap: 10px;
align-items: flex-end;
background: #f8f9fa;
padding: 10px;
border-radius: 12px;
border: 1px solid var(--border-color);
}
textarea {
flex: 1;
border: none;
background: transparent;
resize: none;
max-height: 150px;
padding: 8px;
font-size: 1rem;
font-family: inherit;
outline: none;
}
.send-btn {
background: var(--primary-color);
color: white;
border: none;
padding: 8px 20px;
border-radius: 8px;
cursor: pointer;
font-weight: 600;
transition: opacity 0.2s;
}
.send-btn:disabled {
opacity: 0.5;
cursor: not-allowed;
}
</style>
./frontend/src/style.css 文件内容如下：
:root {
font-family: Inter, system-ui, Avenir, Helvetica, Arial, sans-serif;
line-height: 1.5;
font-weight: 400;
color-scheme: light dark;
color: rgba(255, 255, 255, 0.87);
background-color: #242424;
font-synthesis: none;
text-rendering: optimizeLegibility;
-webkit-font-smoothing: antialiased;
-moz-osx-font-smoothing: grayscale;
}
body {
margin: 0;
display: flex;
place-items: center;
min-width: 320px;
min-height: 100vh;
}
#app {
width: 100%;
height: 100vh;
}
.container {
max-width: 600px;
margin: 0 auto;
padding: 2rem;
background-color: #1a1a1a;
border-radius: 12px;
box-shadow: 0 4px 20px rgba(0, 0, 0, 0.3);
}
.header {
text-align: center;
margin-bottom: 2rem;
}
.header h1 {
font-size: 2rem;
color: #ffffff;
margin: 0;
}
.header p {
font-size: 1rem;
color: #bbbbbb;
margin: 0;
}
.form-group {
margin-bottom: 1.5rem;
}
.form-group label {
display: block;
margin-bottom: 0.5rem;
color: #ffffff;
font-size: 0.9rem;
}
.form-group input {
width: 100%;
padding: 0.75rem;
border: 1px solid #444;
border-radius: 6px;
background-color: #2a2a2a;
color: #ffffff;
font-size: 1rem;
}
.form-group textarea {
width: 100%;
padding: 0.75rem;
border: 1px solid #444;
border-radius: 6px;
background-color: #2a2a2a;
color: #ffffff;
font-size: 1rem;
resize: vertical;
}
.form-group button {
width: 100%;
padding: 0.75rem;
border: none;
border-radius: 6px;
background-color: #4caf50;
color: #ffffff;
font-size: 1rem;
cursor: pointer;
transition: background-color 0.3s ease;
}
.form-group button:hover {
background-color: #45a049;
}
.error-message {
color: #ff4d4d;
font-size: 0.8rem;
margin-top: 0.5rem;
display: none;
}
.success-message {
color: #4caf50;
font-size: 0.8rem;
margin-top: 0.5rem;
display: none;
}
@media (max-width: 600px) {
.container {
padding: 1rem;
}
.form-group input,
.form-group textarea {
font-size: 0.9rem;
}
.form-group button {
font-size: 0.9rem;
}
}
前端比较简单，前端部分的实现就不进行详细讲解了。
8. 运行与验证
8.1 启动后端
打开一个终端窗口：
cd backend
# 1. 安装依赖
pip install -r requirements.txt
# 2. 设置 API Key (重要！)
# 编辑 .env 文件，填入你的 DeepSeek API Key
# DEEPSEEK_API_KEY=sk-...
# 3. 启动服务器
python server.py
# 服务将运行在 http://0.0.0.0:8000
8.2 启动前端
打开一个新的终端窗口：
cd frontend
# 1. 安装依赖
npm install
# 2. 启动开发服务器
npm run dev
访问前端地址，你就可以看到一个简洁的聊天界面。
当你输入问题并点击发送时，请求会经过： 前端 -> FastAPI -> LangChain -> DeepSeek API -> 返回结果。
9. 总结
通过本文，我们完成了一个最小可行性产品（MVP）。从零开始搭建一个基于 Python (FastAPI) 、LangChain 和 Vue 3 的全栈 LLM 聊天应用程序。
这个项目虽然简单，但它包含了一个 AI 应用的完整骨架。你可以在此基础上扩展更多功能，例如添加对话历史记忆 (Memory) 或 RAG (知识库检索) 。
接下来我将继续输出更多 AI 全栈的相关知识，欢迎大家关注本栏目。我是 Cobyte，欢迎添加 v：icobyte，学习 AI 全栈。
登录
