LangChain从入门到实战：零基础搭建大模型应用，全程可复刻

# 安装LangChain核心框架、大模型适配、向量库、环境变量工具
pip install langchain langchain-openai python-dotenv faiss-cpu huggingface-hub

OPENAI_API_KEY=你的模型密钥
OPENAI_API_BASE=模型接口地址（可选，国内镜像需配置）

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 初始化大模型
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
    temperature=0.7  # 随机性：0严谨，1创意
)

# 简单对话测试
res = llm.invoke("用小白能听懂的话解释LangChain")
print(res.content)

from langchain_openai import ChatOpenAI
from langchain.prompts import PromptTemplate
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
    temperature=0.5
)

# 1. 定义Prompt模板
prompt = PromptTemplate(
    input_variables=["question"],
    template="你是资深AI技术讲师，专门给零基础小白讲课，回答通俗易懂、带案例、无专业术语堆砌。请回答问题：{question}"
)

# 2. 构建执行链路
chain = prompt | llm

# 3. 调用执行
res = chain.invoke({"question": "怎么快速入门LangChain开发"})
print(res.content)

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
    temperature=0.7
)

# 1. 初始化对话记忆组件
memory = ConversationBufferMemory()

# 2. 构建对话链路
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 开启日志，查看上下文传递过程
)

# 3. 多轮连续对话
print("第一轮对话：", conversation.predict(input="我是零基础小白，想学LangChain"))
print("第二轮对话：", conversation.predict(input="帮我梳理学习顺序"))
print("第三轮对话：", conversation.predict(input="需要掌握哪些核心组件"))

# 查看留存的对话记忆
print("完整对话历史：", memory.load_memory_variables({}))

from langchain_openai import ChatOpenAI, OpenAIEmbeddings
from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.vectorstores import FAISS
from langchain.chains import RetrievalQA
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
    temperature=0.3
)

# 1. 加载本地文档（自行新建test.txt文档放入项目目录）
loader = TextLoader("test.txt", encoding="utf-8")
documents = loader.load()

# 2. 文本拆分（避免超长文本超出模型上下文限制）
text_splitter = CharacterTextSplitter(chunk_size=800, chunk_overlap=100)
split_docs = text_splitter.split_documents(documents)

# 3. 文本向量化+存入向量数据库
embeddings = OpenAIEmbeddings()
db = FAISS.from_documents(split_docs, embeddings)

# 4. 构建检索问答链路
qa_chain = RetrievalQA.from_chain_type(
    llm=llm,
    chain_type="stuff",
    retriever=db.as_retriever(),
    return_source_documents=True  # 返回参考文档片段
)

# 5. 基于私有文档问答
res = qa_chain.invoke("总结这份文档的核心内容")
print("回答结果：", res["result"])
print("参考文档片段：", res["source_documents"])

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_openai_tools_agent
from langchain.tools import calculator
from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv
import os

load_dotenv()
llm = ChatOpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_API_BASE"),
    temperature=0
)

# 1. 定义可用工具（数学计算器）
tools = [calculator]

# 2. 定义Agent提示词
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是智能任务助手，可调用工具完成计算任务，精准输出结果"),
    ("user", "{input}"),
    ("agent_scratchpad", "{agent_scratchpad}")
])

# 3. 创建并启动Agent
agent = create_openai_tools_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 4. 执行复杂计算任务
res = agent_executor.invoke({"input": "计算 128*56+987-215 的结果"})
print("任务执行结果：", res["output"])