langChain——Demo演示

前言

上上文章介绍了LangChain的概念与其模块组成——一文助你了解Langchain，本篇文章基于上上篇文章的基本概念，来实际开发一下，基于LacngChain搭建一个Agent

项目

项目介绍

本项目包含3大模块：

• Agent 和工具调用：演示如何创建能够使用工具的智能 Agent
• 文档处理和向量存储：展示如何加载、处理文档并构建向量数据库
• 检索增强生成（RAG）：实现基于文档的智能问答系统

项目结构

LangChainDemo2/
├── main.py                    # Agent 演示主程序
├── document_vector_demo.py    # 文档处理和 RAG 演示
├── requirements.txt           # 项目依赖
├── .env                       # 环境变量配置（需自行创建）
├── documents/                 # 文档存储目录
│   ├── langchain_intro.txt
│   └── python_basics.txt
├── tools/                     # 工具模块
│   ├── __init__.py
│   ├── math_tools.py          # 数学工具
│   └── time_tools.py          # 时间工具
└── chroma_db_langchain/       # 向量数据库存储目录（自动生成）

环境要求

• Python 3.8 或更高版本
• pip 包管理器

搭建步骤

1. 创建项目目录

首先，创建项目目录并进入：

mkdir LangChainDemo2
cd LangChainDemo2

2. 创建虚拟环境（推荐）

使用虚拟环境可以隔离项目依赖，避免与其他项目冲突：

# 创建虚拟环境
python -m venv venv

# 激活虚拟环境
# macOS/Linux:
source venv/bin/activate
# Windows:
# venvScriptsactivate

3. 安装项目依赖

项目依赖已定义在 requirements.txt 文件中，包含以下主要包：

• langchain：LangChain 核心框架
• langchain-community：社区贡献的组件
• langchain-openai：OpenAI 兼容的模型接口
• langchain-core：LangChain 核心功能
• python-dotenv：环境变量管理
• chromadb：向量数据库
• dashscope：阿里云 DashScope API（用于嵌入模型）

安装依赖：

pip install -r requirements.txt

4. 配置环境变量

在项目根目录创建 .env 文件，配置 API 密钥：

# 阿里云 DashScope API Key
DASHSCOPE_API_KEY=your_api_key_here

获取 API Key 的方法：

1. 访问 阿里云 DashScope 控制台
2. 注册/登录账号
3. 创建 API Key
4. 将 API Key 复制到 .env 文件中

5. 创建项目目录结构

创建必要的目录：

# 创建文档目录
mkdir documents

# 创建工具目录
mkdir tools

6. 创建工具模块

6.1 创建 tools/__init__.py

# tools/__init__.py
# 工具模块初始化文件

6.2 创建 tools/math_tools.py

"""
数学工具模块
用于执行数学运算
"""

from langchain.tools import tool


@tool
def add(a: int, b: int) -> int:
    """
    计算两个整数的和。
    Agent 会在需要进行加法运算时自动调用此工具。

    Args:
        a: 第一个整数
        b: 第二个整数

    Returns:
        两个整数的和
    """
    try:
        # 处理字符串类型的输入（Agent 可能传递字符串格式的数字）
        a = int(a) if isinstance(a, str) else a
        b = int(b) if isinstance(b, str) else b
        return a + b
    except (ValueError, TypeError) as e:
        return f"计算时发生错误: 无法将输入转换为整数 - {str(e)}"
    except Exception as e:
        return f"计算时发生错误: {str(e)}"

6.3 创建 tools/time_tools.py

"""
时间工具模块
用于获取当前日期和时间
"""

from datetime import datetime
from langchain.tools import tool


@tool
def get_current_time() -> str:
    """
    获取当前时间。
    Agent 会在需要获取当前时间时自动调用此工具。

    Returns:
        当前时间（格式为 HH:MM:SS）
    """
    return datetime.now().strftime("%H:%M:%S")

7. 创建主程序文件

7.1 创建 main.py（Agent 演示）

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
from langchain.agents import create_react_agent, AgentExecutor
from langchain.prompts import PromptTemplate

from langchain.memory import ConversationBufferMemory
from tools.math_tools import add
from tools.time_tools import get_current_time

# 加载环境变量
load_dotenv()


def create_llm():  # 创建 LLM 模型实例
    api_key = os.getenv("DASHSCOPE_API_KEY")  # 从环境变量中获取 API 密钥
    if not api_key:  # 如果 API 密钥未设置，则抛出错误
        raise ValueError("DASHSCOPE_API_KEY 环境变量未设置")

    llm = ChatOpenAI(
        model="qwen-plus",
        api_key=api_key,
        base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 阿里云 DashScope API 的兼容模式 URL
        temperature=0.7,  # 用于控制生成文本的随机性
    )
    return llm


def create_tools():  # 创建工具列表
    tools = [add, get_current_time]
    return tools


def create_memory():  # 创建记忆模块
    memory = ConversationBufferMemory(
        memory_key="chat_history",  # 在 prompt 中使用的变量名
        return_messages=False,  # 返回字符串格式，适合字符串模板
    )
    return memory


def create_agent_executor(llm, tools, memory):  # 创建Agent执行器
    prompt_template = """你是一个友好的 AI 助手。你可以使用工具来回答问题。
    你可以使用的工具：
    {tools}

    使用以下格式：
    Question: 需要回答的问题
    Thought: 你应该思考要做什么
    Action: 要采取的行动，应该是 [{tool_names}] 中的一个
    Action Input: 行动的输入
    Observation: 行动的结果
    ... (这个 Thought/Action/Action Input/Observation 可以重复 N 次)
    Thought: 我现在知道最终答案了
    Final Answer: 对原始问题的最终答案

    {chat_history}

    Question: {input}
    Thought: {agent_scratchpad}"""
    prompt = PromptTemplate.from_template(prompt_template)  # 创建提示模板

    agent = create_react_agent(llm=llm, tools=tools, prompt=prompt)  # 创建Agent

    agent_executor = AgentExecutor(
        agent=agent,  # Agent实例
        tools=tools,  # 工具列表
        memory=memory,  # 记忆模块
        verbose=True,  # 是否打印详细信息
        handle_parsing_errors=True,  # 处理解析错误
        max_iterations=5,  # 最大迭代次数
    )
    return agent_executor


# 创建主函数
def main():
    try:
        llm = create_llm()  # 创建 LLM 模型实例
        tools = create_tools()  # 创建工具列表
        memory = create_memory()  # 创建记忆模块
        agent_executor = create_agent_executor(llm, tools, memory)  # 创建Agent执行器
        while True:  # 循环输入问题
            prompt = input("请输入问题：")
            if prompt.lower() in ["exit", "quit", "退出"]:
                print("n再见！")
                break

            if not prompt.strip():
                continue
            response = agent_executor.invoke({"input": prompt})  # 执行Agent
            print(response["output"])  # 打印响应
    except ValueError as e:  # 如果创建 LLM 模型实例失败，则抛出错误
        print(f"创建 LLM 模型实例失败: {e}")
        return


if __name__ == "__main__":
    main()

7.2 创建 document_vector_demo.py（文档处理和 RAG 演示）

该文件包含文档处理、向量存储和 RAG 的完整实现，代码较长，请参考项目中的 document_vector_demo.py 文件。

8. 创建示例文档（可选）

项目会自动创建示例文档，但您也可以手动创建：

documents/langchain_intro.txt

LangChain 简介

LangChain 是一个用于构建 LLM 应用的框架。

核心概念：
1. Chains（链）：将多个组件连接起来
2. Agents（代理）：能够自主决策和执行任务
3. Memory（记忆）：维护对话历史
4. Tools（工具）：扩展 LLM 的能力
5. Document Processing（文档处理）：加载和预处理文档
6. Vector Stores（向量存储）：存储和检索文档向量

主要功能：
- 文档加载和预处理
- 向量数据库集成
- 检索增强生成（RAG）
- 工具调用和 Agent 构建

使用场景：
- 构建智能问答系统
- 文档检索和分析
- 自动化任务处理
- 知识库构建

documents/python_basics.txt

Python 基础语法

Python 是一种高级编程语言，具有简洁明了的语法。

变量和数据类型：
- 整数：x = 10
- 浮点数：y = 3.14
- 字符串：name = "Python"
- 列表：numbers = [1, 2, 3]

控制流：
- if/else 语句用于条件判断
- for 循环用于遍历序列
- while 循环用于重复执行

函数定义：
def greet(name):
    return f"Hello, {name}!"

Python 的特点：
- 语法简洁，易于学习
- 丰富的标准库和第三方库
- 跨平台支持
- 广泛用于 Web 开发、数据科学、人工智能等领域

运行项目

运行 Agent 演示

python main.py

运行后，您可以与 Agent 进行交互，例如：

• "计算 123 加 456"
• "现在几点了？"
• "先计算 10 加 20，然后告诉我现在的时间"

运行文档处理和 RAG 演示

python document_vector_demo.py

该程序会：

1. 自动创建示例文档
2. 加载并分割文档
3. 创建向量数据库
4. 演示相似度搜索
5. 演示 RAG 问答

核心功能说明

1. Agent 和工具调用

• LLM 模型：使用阿里云 DashScope 的 qwen-plus 模型
• 工具系统：通过 @tool 装饰器定义工具，Agent 可以自动调用
• 记忆模块：使用 ConversationBufferMemory 维护对话历史
• ReAct Agent：使用 ReAct 模式，让 Agent 能够思考、行动和观察

2. 文档处理

• 文档加载：使用 TextLoader 加载文本文件
• 文本分割：使用 RecursiveCharacterTextSplitter 将长文档分割成小块
• 参数配置：
  • chunk_size=200：每个片段的最大字符数
  • chunk_overlap=50：片段之间的重叠字符数

3. 向量存储

• 向量数据库：使用 ChromaDB 存储文档向量
• 嵌入模型：使用阿里云 DashScope 的 text-embedding-v2 模型
• 持久化存储：向量数据库会保存到 chroma_db_langchain/ 目录

4. RAG（检索增强生成）

• 检索器：从向量数据库中检索相关文档片段
• 上下文构建：将检索到的文档片段组合成上下文
• 提示模板：自定义提示词，指导 LLM 基于上下文回答问题

常见问题

1. API Key 配置错误

问题：提示 "DASHSCOPE_API_KEY 环境变量未设置"

解决：

• 检查 .env 文件是否存在
• 确认 API Key 配置正确
• 确保 .env 文件在项目根目录

2. 依赖安装失败

问题：pip install 失败

解决：

• 确保 Python 版本 >= 3.8
• 尝试升级 pip：pip install --upgrade pip
• 使用国内镜像源：pip install -r requirements.txt -i

3. 向量数据库创建失败

问题：ChromaDB 初始化错误

解决：

• 确保有写入权限
• 删除旧的 chroma_db_langchain/ 目录后重新运行

扩展建议

1. 添加更多工具：在 tools/ 目录下创建新的工具模块
2. 支持更多文档格式：添加 PDF、Word 等文档加载器
3. 优化 RAG 提示词：根据实际需求调整提示模板
4. 添加 Web 界面：使用 Streamlit 或 Gradio 创建交互界面
5. 集成更多向量数据库：尝试 FAISS、Pinecone 等

总结

通过本项目的搭建，您可以学习到：

• LangChain 框架的基本使用
• Agent 和工具系统的构建
• 文档处理和向量存储的实现
• RAG 系统的搭建
• 与 LLM API 的集成

希望这个项目能帮助您更好地理解和应用 LangChain 框架！