🐇明明跟你说过：个人主页
🏅个人专栏：《深度探秘：AI界的007》 🏅
🔖行路有良友，便是天堂🔖
目录
一、引言
1、什么是LangChain
如果把 大语言模型（LLM） 比作一个强大的“智能大脑”，那么 LangChain 就像是它的“手和脚”——帮助这个大脑连接外部世界，完成更复杂的任务。
🌟 LangChain 是什么？
LangChain 是一个 用于构建智能应用的框架，它让大语言模型（如 ChatGPT、Llama、Claude 等）能够更好地记忆、思考、规划，并与各种外部工具（数据库、API、搜索引擎等）进行交互。
🚀 为什么要用 LangChain？
单独使用 ChatGPT，你只能进行简单的对话；但如果你想让 AI 变得更智能，比如：
记住你上次的聊天记录（记忆能力）
访问数据库查询信息（数据能力）
自动执行任务，比如帮你查天气、发邮件（行动能力）
进行复杂的推理，比如分步规划解决问题（思考能力）
3、LangChain应用场景
LangChain 让大语言模型（LLM）不再只是一个“聊天机器人”，而是一个能执行任务、调用工具、与外部世界交互的 智能 AI 助手。
1️⃣ 智能问答系统（企业知识库 / 客服机器人） 🏢💬
📌 场景：
公司有大量文档（如产品手册、政策文件、FAQ），用户或员工想快速查询答案。
💡 LangChain 解决方案：
向量数据库（如 FAISS、Chroma）存储企业文档，LangChain 通过 RAG（检索增强生成） 获取精准答案。
结合 Memory 记忆，客服机器人可以记住用户的上下文对话，提高体验。
✅ 应用示例：
企业内部 FAQ 查询助手
电商智能客服（解答订单、物流、退货问题）
IT 技术支持（帮助用户解决软件或硬件问题）
2️⃣ 智能搜索 & 文档分析 📖🔍
📌 场景：
需要在海量文档、PDF、数据库中查找信息，并进行分析总结。
💡 LangChain 解决方案：
结合向量数据库，支持模糊匹配搜索（即使问题表述不完全一致）。
支持多模态，不仅能查文本，还能处理表格、代码、图片等数据。
结合 LLM 进行摘要，快速提炼关键信息。
✅ 应用示例：
法律助手（快速查找法规、案例）
学术搜索（从大量论文中提炼关键信息）
金融数据分析（从财报中提取核心指标）
3️⃣ 智能运维（AIOps） 🖥️⚙️
📌 场景：
运维工程师需要随时监控服务器状态，发现异常并快速处理。
💡 LangChain 解决方案：
结合 Agent 代理，让 AI 根据指令选择执行不同任务（如查看 CPU 使用率、磁盘空间、网络流量）。
结合 API 工具，让 AI 直接调用 Prometheus、Grafana、Elasticsearch 进行监控。
自动异常检测 & 预警，AI 主动发现异常并给出建议。
✅ 应用示例：
服务器健康检查（比如：“帮我看看服务器 192.168.1.1 运行状态”）
日志分析（查找系统日志、过滤特定错误）
自动化运维（执行运维任务，如重启某个服务）
二、安装前准备
1、硬件与系统要求
硬件：
- CPU：>4C
- 内存：>8G
- 硬盘：最好使用SSD，机械硬盘也
系统：
- Win10/Win11
2、依赖项
- python版本：3.12
- pip版本：最新版（示例版本为 25.0.1）
- 编辑器：PyCharm
三、LangChain 安装
1、pip 安装 LangChain
创建虚拟环境（可选）
python -m venv langchain_env
source langchain_env/bin/activate # Mac/Linux
langchain_env\Scripts\activate # Windows使用 pip 安装：
pip install langchain验证安装
import langchain
print(langchain.__version__) # 显示 LangChain 版本如果成功输出版本号，说明安装完成 ✅。
2、安装OpenAI API 相关依赖
运行以下命令安装 OpenAI 官方 SDK 及相关库：
pip install openai tiktoken langchain-openai langchain-ollamaopenai：用于调用 OpenAI API（GPT-4、GPT-3.5）。tiktoken：用于优化 Token 计算，提高处理效率。
3、安装本地 LLM Ollama（可选）
下载安装包，Download Ollama on Windows
下载完成后，直接点击下一步安装
然后拉取大模型到本地，这里拉取的是 deepseek-r1:32b
ollama pull deepseek-r1:32b拉取后查看版本信息
ollama list 
四、环境配置
1、获取OpenAI Key
我们没有办法直接访问到OpenAI，所以这里使用香港代理，大家注册一个账户，然后登录，购买一个套餐即可，如果是自己学习使用，买一个10元的基本就够用了
GPT4.0 API KEY By OPENAI HK 中转ChatGPT
购买完成后，到控制台获取一个Key
2、配置环境变量
配置我们刚刚申请的Key
setx OPENAI_BASE_URL "https://api.openai-hk.com/v1"
setx OPENAI_API_KEY "hx-*************************"五、运行 LangChain 示例代码
1、调用 OpenAI API 进行对话
from openai import OpenAI
import os
# 初始化 OpenAI 服务。
client = OpenAI()
completion = client.chat.completions.create(
model="gpt-4o",
messages=[
{"role": "system", "content": "assistant"},
{"role": "user", "content": "你好，你是谁"}
]
)
print(completion.choices[0].message)- client = OpenAI()：这一行初始化了一个 OpenAI 客户端对象，允许通过该对象与 OpenAI 的 API 进行交互。此时，client 将是一个可以调用 OpenAI API 的对象。
- completion = client.chat.completions.create(...)：这一行调用了 client 对象的 chat 属性中的 completions.create() 方法，用于向 OpenAI 的 API 发送一个聊天请求，并获取聊天补全（chat completion）结果。具体来说：
- model="gpt-4o"：指定使用的模型是 gpt-4o，即 GPT-4 的一个版本。
- messages=[...]：定义了聊天的对话历史，格式为一系列字典对象，每个字典包含 role 和 content 字段。
- role 指明消息的角色，可以是 system（系统消息）、user（用户消息）、assistant（助手消息）。
- content 是消息的实际内容。
- 在这个例子中：
- 第一条消息的角色是 system，内容是 "assistant"，意味着这是一个系统消息，指示助手的身份。
- 第二条消息的角色是 user，内容是 "你好，你是谁"，即用户发送给助手的消息。
2、调用Ollama本地模型进行对话
from langchain_ollama import OllamaLLM
# from langchain_core.output_parsers import StrOutputParser
# from langchain_core.prompts import ChatPromptTemplate
# 初始化本地 LLM
llm = OllamaLLM(base_url="http://192.168.0.99:11434", model="deepseek-r1:32b")
# 发送对话请求
response = llm.invoke("介绍一下 LangChain 的核心功能")
print(response)- llm = OllamaLLM(...)：这行代码创建了一个 OllamaLLM 对象（即本地语言模型），并将其赋值给变量 llm。该对象用于与本地的 Ollama 模型进行交互。
- base_url="http://192.168.0.99:11434"：这是 Ollama 服务的 URL 地址，指向本地运行的 Ollama 实例。这个地址会被用来发送请求到该服务。你需要将其替换为你的本地 Ollama 服务的 IP 地址和端口号。
- model="deepseek-r1:32b"：指定要使用的具体本地模型。在这里使用的是名为 deepseek-r1:32b 的模型。这个模型可以是任何已安装并运行的本地模型，具体的模型名称取决于本地环境中的配置。
- print(response)：这行代码将打印模型返回的响应。response 是模型基于输入文本生成的回答，它会被输出到控制台。我们可以看到模型生成的对话内容或文本。
💕💕💕每一次的分享都是一次成长的旅程，感谢您的陪伴和关注。希望这些文章能陪伴您走过技术的一段旅程，共同见证成长和进步！😺😺😺
🧨🧨🧨让我们一起在技术的海洋中探索前行，共同书写美好的未来！！！