LangChain

# 引入 langchain 的聊天模板
from langchain_core.prompts import ChatPromptTemplate,SystemMessagePromptTemplate,HumanMessagePromptTemplate
from langchain_openai import OpenAI, ChatOpenAI;

system_template = "你是一位专业智能助理提供信息和帮助，你的名字是{name}"

prompt_template = ChatPromptTemplate.from_messages([
    ("system", system_template),
    ("human", "{input}")
])

# 修改: 使用 format_messages() 方法生成格式化的消息列表，而不是 format()
messages = prompt_template.format_messages(name="生活小助手", input="你好!请告诉我明天的广州天气")

deepseek_llm = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key="sk-6b900b2ad92f4654axxxxxx",
    model="deepseek-chat"
)

# 修改: 确保 chain 接收的是字典或可运行对象
chain = prompt_template | deepseek_llm

# 修改: 将 messages 列表传递给 chain.invoke()
response = chain.invoke({"name":"小助手","input": "你好!请告诉我明天的广州天气"})
print(messages)

print(response)

"""
[SystemMessage(content='你是一位专业智能助理提供信息和帮助，你的名字是生活小助手', additional_kwargs={}, response_metadata={}), 
HumanMessage(content='你好!请告诉我明天的广州天气', additional_kwargs={}, response_metadata={})]
content='你好！要获取明天广州的准确天气预报，你可以通过以下方式查询：\n\n1. **推荐方式**：  \n   - 打开手机天气应用（如中国天气网、墨迹天气等），搜索“广州”并查看明日预报。  \n   - 在搜索引擎输入“广州明天天气”，结果页会直接显示权威气象数据（如中央气象台或广东气象局提供）。\n\n2. **简要参考**（以当前季节为例）：  \n   - **温度**：预计25°C~32°C（夏季通常闷热，可能有短时阵雨）。  \n   - **建议**：出门可带晴雨伞，注意防暑。  \n\n*注：天气动态变化，建议以实时更新为准。需要我帮你整理其他信息吗？*' 
additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 162, 'prompt_tokens': 23, 'total_tokens': 185, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 23}, 'model_name': 'deepseek-chat', 'system_fingerprint': 'fp_8802369eaa_prod0425fp8', 'id': '1a0ef608-d1cf-487b-9c80-bb0b872007eb', 'service_tier': None, 'finish_reason': 'stop', 'logprobs': None} id='run--823f2578-d477-4779-b0b3-5167e9860ad3-0' usage_metadata={'input_tokens': 23, 'output_tokens': 162, 'total_tokens': 185, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}
"""

# 转成字符串
from langchain_core.output_parsers import StringOutputParser


chain = prompt_template | deepseek_llm | StringOutputParser()

"""
你好！我目前无法实时获取天气信息，但你可以通过以下方式查询广州明天的天气：

1. 使用天气应用（如中国天气网、墨迹天气等）
2. 在搜索引擎输入"广州明天天气"
3. 查看手机自带天气应用

建议查询时注意：
- 更新时间（确保是最新预报）
- 温度范围（广州近期温差可能较大）
- 降水概率（近期可能有阵雨）

需要其他帮助可以随时告诉我~
"""

import langchain
import langchain_core
print(langchain.__version__)
print(langchain_core.__version__)

from langchain_core.prompts import ChatPromptTemplate, HumanMessage, MessagePlacholder

system_template = "你是一位专业智能助理提供信息和帮助，你的名字是{name}"

prompt_template = ChatPromptTemplate.from_messages([
  ("system", system_template),
  ("human", "{input}").
  # 传入一组预先输入的消息 
  MessagePlacholder('msg')
])
"""
prompt_template = PromptTemplate.from_messages(
 "给我讲一个关于{content}的{adjective}笑话。"
)
"""
...

response = chain.invoke({"msg":[HumanMessage(content="你好!请告诉我明天的广州天气"),HumanMessage(content="上面的问题回答不完整，请继续回答")]})

from langchain_core.prompts import ChatPromptTemplate, HumanMessage, MessagePlacholder

system_template = "你是一位专业智能助理提供信息和帮助，你的名字是{name}"

prompt_template = ChatPromptTemplate.from_messages([
  ("system", system_template),
  ("human", "{input}").
  # 传入一组预先输入的消息 
  MessagePlacholder('msg')
])
...

from langchain.prompts import PromptTemplate
from langchain.prompts.few_shot import FewShotPromptTemplate

example=[
 {
  "question": "建党节是哪一天",
  "answer": "7月1日"
 },
 {
  "question": "建军节是哪一天",
  "answer": "8月1日"
 },
]

example_prompt = PromptTemplate(input_variables=["question", "answer"], template="问题: {question}\\n 答案：{answer}")

# examples 接收示例数组参数，example_prompt 接收示例模板，suffix 接收后缀内容，input_variables 接收输入变量
# input_variables 用于定义suffix 模板中替换为实际值。
few_shot_prompt = FewShotPromptTemplate(
 examples=example,
 example_prompt=example_prompt,  # 修正拼写错误
 suffix="问题: {input}",  # 确保suffix包含input_variables中定义的变量
 input_variables=["input"]
)

print(few_shot_prompt.format(input="建党节是哪一天"))
print(example_prompt.format(**example[0]))

from langchain.prompts.example_selector import SemanticSimilarityExampleSelector
...
selector = SemanticSimilarityExampleSelector(
    llm=deepseek_llm,
    example_prompt=example_prompt,
    k=2,  # 选择2个最相似的示例
    max_examples=10,  # 最多考虑10个示例
    max_tokens=100,  # 限制输入长度
    temperature=0.1,  # 控制随机性
    top_k=5,  # 选择最相似的5个示例
)
...


from langchain.prompts.few_shot import FewShotPromptTemplate
from langchain.prompts.prompt import PromptTemplate
from langchain.prompts.example_selector import LengthBasedExampleSelector
from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser

# 定义示例集，包含多个问题及对应答案的详细推理过程
examples = [
	{
		"question": "《哈利·波特》和《指环王》的原著作者都是女性吗？",
		"answer":
			"""
			这里需要跟进问题吗：是的。
			跟进：《哈利·波特》的原著作者是谁？
			中间答案：《哈利·波特》的原著作者是J.K.罗琳（J.K. Rowling）。
			跟进：J.K.罗琳是男性还是女性？
			中间答案：女性。
			跟进：《指环王》的原著作者是谁？
			中间答案：《指环王》的原著作者是J.R.R.托尔金（J.R.R. Tolkien）。
			跟进：J.R.R.托尔金是男性还是女性？
			中间答案：男性。
			所以最终答案是：不是
			"""
	},
 ...
]

# 定义示例提示词模板，指定输入变量和模板格式
example_prompt = PromptTemplate(input_variables=["question", "answer"], template="问题：{question}\n{answer}")

# 创建基于长度的示例选择器，根据输入长度选择合适数量的示例
example_selector = LengthBasedExampleSelector(
	examples=examples,
	example_prompt=example_prompt,
	max_length=200  # 可根据实际情况调整最大长度
)

# 创建少样本提示模板，结合示例选择器、示例提示词模板及后缀等信息
prompt = FewShotPromptTemplate(
	example_selector=example_selector,
	example_prompt=example_prompt,
	suffix="问题：{input}",
	input_variables=["input"]
)

# 初始化 ChatOpenAI 语言模型
chat_model = ChatOpenAI(
	base_url="https://api.deepseek.com/v1",
	api_key="sk-6b9xxxxxxxxxxxxxxxxxxxxxxxxxxx",
	model="deepseek-chat"
)

# 该解析器用于将模型的输出结果解析为字符串类型
output_parser = StrOutputParser()

# 使用管道操作符|将提示模板、聊天模型和输出解析器连接起来，形成一个处理链
chain = prompt | chat_model | output_parser

# 用户新的问题
new_question = "牛顿和爱因斯坦谁提出重要理论的时间更早？"

# 与大模型交互，获取回答
response = chain.invoke({"input": new_question})

print(f"问题: {new_question}")
print(f"回答: {response}")

from langchain.prompts import PromptTemplate
from langchain.prompts.few_shot import FewShotPromptTemplate

example=[
 {
  "question": "建党节是哪一天",

#### 保护 API 密钥

```python
import os
from langchain_openai import ChatOpenAI

deepseek_llm = ChatOpenAI(
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("DEEPSEEK_API_KEY"),  # 从环境变量读取
    model="deepseek-chat"
)

from langchain_openai import ChatOpenAI

model = ChatOpenAI(
	base_url="https://api.deepseek.com/v1",
	api_key="sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx",
	model="deepseek-chat"
)


chunk = []

for _ in model.stream('广东夏天是怎么样的'):
	chunk.append(_)
 #打印出来就有现在chatai的输出感觉
	print(_.content,end='|',flush=True)

print(chunk)

# 异步模式
import asyncio  # 异步调用
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser

model = ChatOpenAI(
	base_url="https://api.deepseek.com/v1",
	api_key="sk-xxxxxxxxxxxxxxxxxxx",
	model="deepseek-chat"
)
prompt = ChatPromptTemplate.from_template("请给我讲一个{text}故事")
chain = prompt | model | StrOutputParser()

chunks = []
async def chat_await():
	async for i in chain.astream({"text":'广东夏天'}):
		chunks.append(i)
		print(i,end='|',flush=True)

asyncio.run(chat_await())

import asyncio  # 异步调用
from langchain_openai import ChatOpenAI
from langchain_core.prompts import ChatPromptTemplate

model = ChatOpenAI(
	base_url="https://api.deepseek.com/v1",
	api_key="sk-6b90xxxxxxxxxxxxxxxxxxx",
	model="deepseek-chat"
)

prompt = ChatPromptTemplate.from_template("请给我讲一个{text}故事")

events = []

async def chat_await():
	async for n in model.astream_events("请给我讲一个50字内的笑话故事",version="v2"):
		events.append(n)
	print(events)

asyncio.run(chat_await())

# 并发执行任务
asyncio.gather(chat_await(),chat_await())

pip install --upgrade "langserve[all]"
# 客户端
pip install  "langserve[client]"
# 服务端
pip install  "langserve[server]"

pip install -U langchain-cli

# 初始化 LangChain 配置文件
 Usage: langchain [OPTIONS] COMMAND [ARGS]...                                                                                                                           

╭─ Options ─────────────────────────────────────────╮
│ --version  -v        Print the current CLI version.                           │
│ --help               Show this message and exit.                              │
╰───────────────────────────────────────────────╯
╭─ Commands ─────────────────────────────────────────╮
│ migrate       Migrate langchain to the most recent version.                    │
│ serve         Start the LangServe app, whether it's a template or an app.      │
│ template      Develop installable templates.                                   │
│ app           Manage LangChain apps                                            │
│ integration   Develop integration packages for LangChain.                      │
╰────────────────────────────────────────────────╯

# langserve 为项目名称
langchain app new langserve  

# 按顺序安装模块
# 1.安装 pipx (https://pipx.pypa.io/stable/installation/) 成功后在控制台执行 pipx 会出现对应的命令
pip install pipx
# 2.配置环境变量  配置完成后关闭 pycharm 重启
pipx ensurepath
# 3.安装poetry 便于安装项目依赖，参考:https://python-poetry.org/docs/
pipx install poetry

# 4.切入项目文件夹安装 langchain-openai库，例如:poetry add[package-name]
poetry add langchain
poetry add langchaih-openai
poetry install  # 安装依赖

# 报错解决
# Command '['C:\\Users\\admin\\AppData\\Local\\Microsoft\\WindowsApps\\python.EXE', '-EsSc', 'import sys; print(sys.executable)']' 
# returned non-zero exit status 9009.

# 问题原因：通常发生在 Windows 系统中，当 Poetry 无法正确识别 Python 解释器路径时。错误代码 9009 表示系统找不到指定的文件或命令。
# 1.在环境变量中添加python.exe的路径，并且将位置移到最前面
# poetry add langchain 报错：Because no versions of langchain match >0.3.25,<0.4.0 and langchain (0.3.25) depends on pydantic (>=2.7.4,<3.0.0), langchain (>=0.3.25,<0.4.0) requires pydantic (>=2.7.4,<3.0.0).
# So, because langserve-tool depends on both pydantic (<2) and langchain (^0.3.25), version solving failed.
# 修改pyproject.toml  属性 pydantic = "<2" 变成pydantic = ">2"

from fastapi import FastAPI
from fastapi.responses import RedirectResponse
from langserve import add_routes
from langchain_openai import ChatOpenAI

# 创建 FastAPI 应用和对应api文档描述
app = FastAPI(
   title="LangServe Example",
   description="An example LangServe app",
   version="0.0.1",
)


@app.get("/")
async def redirect_root_to_docs():
    return RedirectResponse("/docs")


# Edit this to add the chain you want to add
add_routes(
    app,
    ChatOpenAI(
        base_url="https://api.deepseek.com/v1",
        api_key="sk-6bxxxxxxxxxxxxxxx",
        model="deepseek-chat"
    ),
    path="/openai",
)

if __name__ == "__main__":
    import uvicorn

    uvicorn.run(app, host="0.0.0.0", port=8000)

from langchain.schema.runnable import RunnableMap
from langchain_core.prompts import ChatPromptTemplate
from langserve import RemoteRunnable
# # 连接到远程服务
# openai = RemoteRunnable("http://localhost:8000/openai")
# prompt = ChatPromptTemplate.from_messages([
# 	("system","你是一个写冷笑话的AI助手"),
# 	("user","一个关于{text}的故事")
# ])
#
# chain = prompt | RunnableMap({
# 	"model": openai
# })
# response = chain.invoke([{"text":"猫"}])
# print(response)
#
# joke_chain = RemoteRunnable("http://localhost:8000/joke")
# # 调用方式2 - 直接调用joke链
# response = joke_chain.invoke({"text": "猫"})
# print(response)


# 连接到远程服务
openai = RemoteRunnable("http://localhost:8000/openai")
joke_chain = RemoteRunnable("http://localhost:8000/joke")

# 方式1 - 直接调用openai链
prompt = ChatPromptTemplate.from_messages([
	("system","你是一个写冷笑话的AI助手"),
	("user","一个关于{type}的故事")
])

chain = prompt | RunnableMap({
	"model": openai
})
response = chain.invoke({"type": "狗"})
print("OpenAI响应:", response)

# 方式2 - 调用joke链
response = joke_chain.invoke({"text": "猫"})
print("笑话响应:", response)

#windows导入环境变量
#配置LangSmith 监控开关，true开启，false关闭
setX LANGCHAIN TRACING V2 "true"
#配置 Langsmith api key
setx LANGCHAIN API KEY。
#配 taily api key
setX TAVILY API KEY

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate

llm = ChatOpenAI(model="gpt-4o")
# 大模型具有时间限制，需要调用检索获取最新数据
tools =[TavilySearchResults(max_resuts=1)] 
prompt = ChatPromptTemplate.from_messages([
  ()"system","你是一位得力的助手。")
  ("placeholderI,"{chat_history}"),
  ("human"，"{input}"),
  ("placeholder","{agent_scratchpad}")
])
# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
#通过传入代所和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input":“谁指导电影《功夫》，他多少岁了?"})
print(response)

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
#pip install U langchain-comunity tavily-pythonNsetx TAVILY_API KEY "your-api-key"
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
from langchain.globals import set_verbose

llm=ChatOpenAI(model="gpt-4o")
tools =[TavilySearchResults(max_results=1)]
prompt =ChatPromptTemplate.from_messages([
  ("system","你是一位得力的助手。")
  ("placeholder","{chat_history}"),
  ("human"，"{input}"),
  ("placeholder","{agent_scratchpad}"),
])

# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
# 打印详细日志
set_verbose(True)
#通过传入代所和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input":“谁指导电影《功夫》，他多少岁了?"})
print(response)

from langchain_openai import ChatOpenAI
from langchain.agents import AgentExecutor, create_tool_calling_agent
#pip install U langchain-comunity tavily-pythonNsetx TAVILY_API KEY "your-api-key"
from langchain_community.tools.tavily_search import TavilySearchResults
from langchain_core.prompts import ChatPromptTemplate
from langchain.globals import set_debug

llm=ChatOpenAI(model="gpt-4o")
tools =[TavilySearchResults(max_results=1)]
prompt =ChatPromptTemplate.from_messages([
  ("system","你是一位得力的助手。")
  ("placeholder","{chat_history}"),
  ("human"，"{input}"),
  ("placeholder","{agent_scratchpad}"),
])

# 构建工具代理
agent = create_tool_calling_agent(llm, tools, prompt)
# 打印详细日志
set_debug(True)
#通过传入代所和工具来创建代理执行器
agent_executor = AgentExecutor(agent=agent, tools=tools)
response = agent_executor.invoke({"input":“谁指导电影《功夫》，他多少岁了?"})
print(response)

from langchain.prompts import PromptTemplate
from langchain.prompts.few_shot import FewShotPromptTemplate

example=[
 {
  "question": "建党节是哪一天",
  "answer": "7月1日"
 },
 {
  "question": "建军节是哪一天",
  "answer": "8月1日"
 },
]

example_prompt = PromptTemplate(input_variables=["question", "answer"], template="问题: {question}\\n{answer}")

# examples 接收示例数组参数，example_prompt 接收示例模板，suffix 接收后缀内容，input_variables 接收输入变量
# input_variables 用于定义suffix 模板中替换为实际值。
few_shot_prompt = FewShotPromptTemplate(
 examples=example,
 example_prompt=example_prompt,  # 修正拼写错误
 suffix="问题: {input}",  # 确保suffix包含input_variables中定义的变量
 input_variables=["input"]
)

print(few_shot_prompt.format(input="建党节是哪一天"))