update

2025.11.02_langchain/.env

@@ -0,0 +1,2 @@
+OPENAI_API_KEY=xxx
+DASHSCOPE_BASE_URL=https://dashscope.aliyuncs.com/compatible-mode/v1

2025.11.02_langchain/langchain_example.py

@@ -0,0 +1,34 @@
+import langchain_openai
+from langchain_core.prompts import ChatPromptTemplate
+import dotenv
+import os
+
+# 加载环境变量（包含API密钥）
+dotenv.load_dotenv()
+
+# 创建聊天模型
+llm = langchain_openai.ChatOpenAI(
+    api_key=os.getenv("OPENAI_API_KEY"),  # 从环境变量获取 API 密钥
+    base_url=os.getenv("DASHSCOPE_BASE_URL"),  # 指定 API 端点
+    model="qwen-plus",  # 使用通义千问 Plus 模型
+    temperature=0.7,  # 控制回复的随机性（0-1，越高越有创意）
+    streaming=True,  # 启用流式模式
+)
+
+# 创建简单的提示词模板
+prompt = ChatPromptTemplate.from_messages([
+    ("system", "你是一个友好的聊天助手。"),  # 系统角色设定
+    ("human", "{question}")   # 用户输入占位符
+])
+
+# 创建处理链
+chain = prompt | llm  # 使用管道操作符连接组件
+
+# 使用 stream() 实现流式输出
+for chunk in chain.stream({"question": "你好"}):
+    print(chunk.content, end="", flush=True)
+print()  # 换行
+
+# # 非流式输出
+# response = chain.invoke({"question": "你好"})
+# print(response.content)

2025.11.02_langchain/langchain_example_with_memory.py

@@ -0,0 +1,61 @@
+import os
+from dotenv import load_dotenv
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.runnables.history import RunnableWithMessageHistory
+from langchain_community.chat_message_histories import ChatMessageHistory
+
+# 加载 .env 中的 API 密钥等配置
+load_dotenv()
+
+# 初始化大模型
+llm = ChatOpenAI(
+    api_key=os.getenv("OPENAI_API_KEY"),
+    base_url=os.getenv("DASHSCOPE_BASE_URL"),
+    model="qwen-plus",
+    temperature=0.7
+)
+
+# 定义带历史记录的提示模板
+prompt = ChatPromptTemplate.from_messages([
+    ("system", "你是一个乐于助人的助手。"),
+    MessagesPlaceholder("history"),  # 历史消息占位符
+    ("human", "{input}")            # 当前用户输入
+])
+
+# 创建基础链
+chain = prompt | llm
+
+# 内存存储：用字典模拟会话历史（仅用于演示）
+store = {}
+
+def get_session_history(session_id: str):
+    if session_id not in store:
+        store[session_id] = ChatMessageHistory()
+    return store[session_id]
+
+# 包装成带记忆的链
+chatbot = RunnableWithMessageHistory(
+    chain,
+    get_session_history,
+    input_messages_key="input",
+    history_messages_key="history",
+)
+
+def chat_with_agent(input_message, session_id):
+    print(f"用户: {input_message}")
+    print("助手: ", end="", flush=True)
+    for chunk in chatbot.stream(
+        {"input": input_message},
+        config={"configurable": {"session_id": session_id}}  # 多轮对话（使用同一个 session_id）
+    ):
+        print(chunk.content, end="", flush=True)
+    print("\n\n---\n")
+
+chat_with_agent(input_message='一句话解释下人工智能。', session_id="user_001") 
+
+chat_with_agent(input_message='我们都聊了什么？', session_id="user_001") 
+
+chat_with_agent(input_message='我们都聊了什么？', session_id="user_002") 
+
+chat_with_agent(input_message='我们都聊了什么？', session_id="user_001") 

2025.11.02_langchain/langchain_example_with_tool.py

@@ -0,0 +1,57 @@
+import os
+import dotenv
+from langchain_openai import ChatOpenAI
+from langchain_core.prompts import ChatPromptTemplate
+from langchain_core.tools import tool
+from langchain.agents import create_openai_tools_agent, AgentExecutor
+
+# 加载环境变量
+dotenv.load_dotenv()
+
+# 定义工具（Tool）
+@tool
+def get_current_time() -> str:
+    """获取当前日期和时间"""
+    from datetime import datetime
+    return datetime.now().strftime("%Y-%m-%d %H:%M:%S")
+
+@tool
+def add_numbers(a: float, b: float) -> float:
+    """将两个数字相加"""
+    return a + b
+
+# 注意：你可以添加更多工具，比如天气查询、网络搜索等
+
+tools = [get_current_time, add_numbers]
+
+# 创建 LLM（必须支持 function calling）
+llm = ChatOpenAI(
+    api_key=os.getenv("OPENAI_API_KEY"),
+    base_url=os.getenv("DASHSCOPE_BASE_URL"),
+    model="qwen-plus",
+    temperature=0.7,
+    streaming=True,
+)
+
+# 构建提示模板（LangChain 会自动注入工具信息）
+prompt = ChatPromptTemplate.from_messages([
+    ("system", "你是一个智能助手，可以使用工具来回答问题。"),
+    ("human", "{input_message}"),
+    ("placeholder", "{agent_scratchpad}"),  # 必须包含这个占位符
+])
+
+# 创建 OpenAI 工具型智能体（兼容 function calling）
+agent = create_openai_tools_agent(llm, tools, prompt)
+
+# 创建执行器
+agent_executor = AgentExecutor(
+    agent=agent,
+    tools=tools,
+    verbose=True,  # 打印中间步骤（可选）
+    handle_parsing_errors=True,
+)
+
+# 非流式调用（AgentExecutor 目前对流式支持有限，尤其在工具调用场景）
+response = agent_executor.invoke({"input_message": "现在几点了？然后把 123 和 456 加起来。"})
+print('\n---\n')
+print(response["output"])