真正通俗易懂的Langchain入门学习（五）

---

四、项目实战：从玩具到工具的蜕变

---

项目1：智能客服助手（1-2天）

场景需求：

• 用户咨询产品信息 → 自动查询数据库
• 处理退换货请求 → 生成工单并邮件通知
• 多轮对话 → 记住用户历史订单

技术栈：

分步实现：

1. 搭建基础问答链

   from langchain.chains import RetrievalQA
   
   # 连接产品数据库
   qa_chain = RetrievalQA.from_chain_type(
       llm=llm,
       chain_type="stuff",
       retriever=product_db.as_retriever()
   )
   
   print(qa_chain.run("手机X的屏幕尺寸是多少？")) 
   # 输出：6.7英寸，分辨率2400×1080...
   

2. 添加工单处理功能

   def create_ticket(info):
       ticket_id = db.insert({"user": "张三", "problem": info})
       return f"工单已创建（编号：{ticket_id}），客服将在24小时内联系您"
   
   ticket_tool = Tool(
       name="create_ticket",
       func=create_ticket,
       description="用户发起退换货时调用"
   )
   

3. 整合记忆模块

   from langchain.memory import ConversationBufferMemory
   
   memory = ConversationBufferMemory()
   memory.save_context(
       {"input": "我的订单号是123456"}, 
       {"output": "已记录您的订单信息"}
   )
   

4. 完整调用示例

   user_input = "我想退换订单123456的商品"
   if "退换" in user_input:
       # 调用工单工具
       print(agent.run(user_input, tools=[ticket_tool])) 
   else:
       # 常规问答
       print(qa_chain.run(user_input))
   

效果演示：

用户：订单123456什么时候发货？
客服：该订单已于今日上午10点发出，预计明天送达。

用户：我要退货这个订单
客服：好的，已为您创建工单T202311001，请保持电话畅通。

---

项目2：学术论文分析工具（3-4天）

核心功能：

• PDF论文 → 自动生成摘要
• 输入问题 → 定位相关段落
• 关键图表 → 提取并生成描述

技术架构：

from langchain.document_loaders import PyPDFLoader
from langchain.chains import AnalyzeDocumentChain

# 1. 加载论文
loader = PyPDFLoader("paper.pdf")
pages = loader.load()

# 2. 构建分析链
summary_chain = AnalyzeDocumentChain.from_chain_type(
    llm=llm,
    chain_type="map_reduce",  # 适用于长文本
)

# 3. 执行分析
print(summary_chain.run("请用中文总结这篇论文的创新点"))

高级功能扩展：

1. 图表描述生成

   # 假设已通过OCR提取图表标题
   figure_chain = LLMChain(
       prompt=PromptTemplate(
           template="描述以下图表内容：{caption}",
           input_variables=["caption"]
       )
   )
   print(figure_chain.run("图3: 不同算法在数据集A上的准确率对比"))
   # 输出：本图表对比了CNN、Transformer等模型在数据集A上的表现...
   

2. 跨论文对比

   compare_prompt = """
   对比两篇论文的核心观点：
   论文1：{paper1_summary}
   论文2：{paper2_summary}
   """
   compare_chain = LLMChain(...)
   

可视化增强：

# 生成Markdown格式报告
report = f"""
# 论文分析报告

## 摘要  
{summary}

## 创新点  
1. {innovation_points[0]}  
2. {innovation_points[1]}
"""

---

项目3：自动化数据分析助手（2-3天）

核心流程：

关键技术点：

1. 数据预处理

   from langchain.tools import PythonAstREPLTool
   
   data_tool = PythonAstREPLTool(
       description="输入Python代码执行数据分析",
       locals={"df": pd.read_csv("data.csv")}
   )
   
   agent.run("计算销售额的月度增长率", tools=[data_tool])
   

2. 可视化集成

   # 生成绘图代码
   plot_code = llm.predict("""
   为DataFrame df生成绘制月度销售额折线图的Python代码，
   要求：
   - x轴为月份
   - y轴为销售额
   - 使用seaborn样式
   """)
   
   # 执行代码
   exec(plot_code)  
   plt.savefig("sales_trend.png")
   

3. 自动生成报告

   report_template = """
   # 数据分析报告
   
   ## 关键指标  
   总销售额：{total_sales}  
   同比增长率：{growth_rate}%  
   
   ## 趋势分析  
   ![销售趋势图](sales_trend.png)
   """
   

完整调用示例：

agent.run(
    "分析data.csv，计算各产品线销售额占比，生成饼图",
    tools=[data_tool, plot_tool]
)

---

项目升级挑战

为已完成项目添加以下进阶功能：

项目	基础功能	挑战任务
客服助手	回答产品问题	接入语音接口实现电话机器人
论文分析	生成摘要	自动提取参考文献生成知识图谱
数据分析	生成统计图表	预测下季度销售额并输出Excel报告

示例：客服助手升级电话版

from langchain.tools import APITool

# 接入Twilio语音API
call_tool = APITool(
    name="make_call",
    endpoint="https://api.twilio.com/...",
    method="POST",
    description="拨打电话并转接AI回复"
)

agent.run("致电13800138000解释退货政策", tools=[call_tool])

---

项目复盘指南

1. 性能评估表

   指标	评估方法	优化方向
   响应速度	平均响应时间	启用缓存/异步调用
   准确率	人工抽查100个回答	优化提示词/增加示例
   稳定性	连续运行24小时错误率	添加异常重试机制

2. 代码优化技巧

   • 模块化拆分：

     # 将客服功能拆分为独立类
     class CustomerService:
         def __init__(self, llm):
             self.qa_chain = self._init_qa_chain(llm)
             self.ticket_tool = self._init_ticket_tool()
         
         def _init_qa_chain(self, llm):
             ...
     

   • 配置分离：
     创建config.yaml存储API密钥、模型参数等敏感信息

---

毕业设计建议

结合前三项技术，打造智能办公助手：

1. 会议记录 → 语音转文字 + 提取待办事项
2. 邮件处理 → 自动分类 + 生成回复草稿
3. 数据看板 → 定时生成报表并邮件发送

架构设计：

from langchain.agents import AgentExecutor
from langchain.tools import BaseTool

class OfficeAssistant:
    def __init__(self):
        self.email_agent = self._init_email_agent()
        self.meeting_chain = self._init_meeting_chain()
    
    def _init_email_agent(self):
        tools = [email_classifier, reply_generator]
        return AgentExecutor.from_agent_and_tools(...)
    
    def process_meeting(self, audio_path):
        text = speech_to_text(audio_path)
        return self.meeting_chain.run(text)

---

下一步行动

1. 选择你的启动项目：从三个基础项目中任选其一
2. 搭建最小可行版本：先实现核心功能再优化细节
3. 加入LangChain社区：在GitHub分享代码获取反馈

记住：每个复杂的AI应用都是由Chain、Agent、Tool等基础模块组合而成，就像用乐高积木搭建城堡——现在你已拥有所有基础积木块，是时候创造你的AI作品了！