LangChain构建智能助理

1. 简介

LangChain是一个强大的框架，专门用于开发基于大语言模型的应用。本文将介绍如何使用LangChain构建一个智能助理。

2. 环境准备

首先需要安装必要的依赖：

pip install langchain openai python-dotenv

3. 基础配置

from langchain.llms import OpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
import os
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()

# 初始化OpenAI
llm = OpenAI(temperature=0.7)

4. 构建对话链

# 创建对话记忆
memory = ConversationBufferMemory()

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

5. 增加提示模板

from langchain.prompts import PromptTemplate

template = """你是一个专业的助理。
当前对话历史：
{chat_history}
人类: {human_input}
助理:"""

prompt = PromptTemplate(
    input_variables=["chat_history", "human_input"],
    template=template
)

6. 实现对话功能

def chat_with_assistant(user_input):
    response = conversation.predict(input=user_input)
    return response

# 使用示例
while True:
    user_input = input("你: ")
    if user_input.lower() == 'quit':
        break
    response = chat_with_assistant(user_input)
    print(f"助理: {response}")

7. 增加功能扩展

7.1 添加工具能力

from langchain.agents import load_tools
from langchain.agents import initialize_agent

# 加载工具
tools = load_tools(["wikipedia", "llm-math"], llm=llm)

# 初始化agent
agent = initialize_agent(
    tools, 
    llm, 
    agent="zero-shot-react-description",
    verbose=True
)

7.2 添加文档问答能力

from langchain.document_loaders import TextLoader
from langchain.indexes import VectorstoreIndexCreator

# 加载文档
loader = TextLoader('data.txt')
index = VectorstoreIndexCreator().from_loaders([loader])

# 查询文档
response = index.query("你的问题", llm=llm)

8. 最佳实践

1. 合理设置temperature参数，控制回答的创造性
2. 使用合适的记忆机制管理上下文
3. 根据具体场景选择合适的工具
4. 注意API调用频率和成本控制

9. 总结

通过LangChain，我们可以快速构建功能强大的智能助理。框架提供的模块化设计使得我们能够灵活地组合各种功能，打造适合特定场景的应用。