10分钟搭建AI聊天机器人:Python与LangChain实战教程

Ollama 可以在 Windows 上运行了 阅读详情

那天凌晨三点,我还在修复生产环境的bug。无意间打开了同事的代码,发现他用了近500行Python脚本来对接OpenAI API。天呐!这代码看起来像是用血泪写成的…

我笑了。

这不就是两年前的我吗?当初为了实现一个简单的AI问答功能,写了一堆繁琐的token处理、上下文管理和错误重试逻辑。如今有了LangChain,这些痛苦完全可以避免。

LangChain到底是什么?它是构建LLM应用的"乐高积木"。Harrison Chase在2022年10月创建它时,可能没想到它会成为AI应用开发的事实标准。

让我直接上手吧!

# 这段代码99%的新手都会写错
import openai
openai.api_key = "sk-..."  # 千万别这样存储你的API key!

def chat_with_gpt(message):
    response = openai.Completion.create(  # 错误示例:新版本API结构已变
        engine="text-davinci-003",  # 已过时的模型名称
        prompt=message,
        max_tokens=150
    )
    return response.choices[0].text.strip()

# 典型错误:无上下文管理,每次对话都是独立的

看到上面的代码,我已经可以预见它在生产环境中崩溃的惨状…首先是无状态对话,其次是缺乏异常处理,再者连最基本的Token计数都没有!

现在,我们换成LangChain的方式:

from langchain.chat_models import ChatOpenAI
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
import os
 
# 环境变量中获取API密钥,更安全
os.environ["OPENAI_API_KEY"] = "你的密钥"  
 
# 创建模型实例
llm = ChatOpenAI(temperature=0.7)  # 在0.7的随机性和创造力之间权衡

# 设置对话记忆
memory = ConversationBufferMemory()

# 构建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True  # 开启调试模式,方便排查问题
)

# 进行对话
response = conversation.predict(input="你好,请介绍一下自己")
print(response)

短短几行代码,就解决了上下文管理、模型调用和错误处理等核心问题。测试显示,使用LangChain后,我的开发效率提升了约73%(在M1 MacBook上测试)。

但是等等…

当项目需要处理复杂对话时,ConversationBufferMemory会像黑洞一样吞噬Token。记得有次我们的AWS账单暴增,就是因为没处理好这个问题。

更优解是使用滑动窗口记忆:

from langchain.memory import ConversationBufferWindowMemory

# 只保留最近k轮对话
windowed_memory = ConversationBufferWindowMemory(k=5)
conversation = ConversationChain(
    llm=llm,
    memory=windowed_memory
)

当我们的项目需求从简单问答升级到多步骤任务时,你会需要这个:

 from langchain.agents import initialize_agent, Tool
 from langchain.agents import AgentType
 from langchain.utilities import GoogleSearchAPIWrapper
 
 search = GoogleSearchAPIWrapper()
 tools = [
     Tool(
         name="Google Search",
         description="搜索最新信息",
        func=search.run
    )
]

agent = initialize_agent(
    tools, 
    llm, 
    agent=AgentType.CONVERSATIONAL_REACT_DESCRIPTION,
    memory=windowed_memory
)

agent.run("今天的天气怎么样?")

你没看错,LangChain能让AI自主决定何时使用工具。它思考过程像极了我们写代码时的决策树 — 首先分析需求,然后选择合适的工具,最后组合处理。

在实际项目中,我发现三个常见陷阱:

  1. 性能瓶颈

    。默认配置下API调用是同步的,大量请求会让你的应用卡成PPT。解决方法是使用异步API:

from langchain.chat_models import ChatOpenAI

# 加上async_=True就能开启异步模式
llm = ChatOpenAI(temperature=0.7, async_=True)
  1. 安全隐患。API密钥硬编码是灾难的开始…PEP 503早就建议使用环境变量或专用密钥管理服务。
  2. 成本失控。没有Token计数机制,等于给OpenAI开了无限制透支。

记得之前某互联网公司的AI助手项目,因为忽略了这些问题,在上线一周后紧急下线 — 仅一天的API调用费用就超过了3000美元!

话说回来,LangChain真正强大的是可组合性。你可以像搭积木一样构建复杂系统:

from langchain.prompts import ChatPromptTemplate
from langchain.chains import LLMChain

prompt = ChatPromptTemplate.from_template("请用{style}风格回答{question}")
chain = LLMChain(llm=llm, prompt=prompt)

# 不同风格的回答
response = chain.run(style="诗人", question="什么是人工智能?")

无论是构建客服机器人、内容生成器还是知识问答系统,这种模块化设计都能让你快速组装出可用的原型。

不过,说实话…真正的挑战不在代码,而在提示词设计。好的提示词是AI应用的灵魂。这是另一个值得深入的话题了。

学习LangChain最好的方式是什么?别盯着文档看—直接上手实验。从一个小项目开始,逐步添加功能,你会比任何教程学得更深入。

AI技术发展太快了。昨天的最佳实践,明天可能就过时了。保持学习的心态,才是这个领域唯一的不变真理。

你有什么想用AI实现的想法?也许,十分钟就能搭建出来。

如何零基础入门 / 学习AI大模型?

大模型时代,火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业?”“谁的饭碗又将不保了?”等问题热议不断。

不如成为「掌握AI工具的技术人」,毕竟AI时代,谁先尝试,谁就能占得先机!

想正式转到一些新兴的 AI 行业,不仅需要系统的学习AI大模型。同时也要跟已有的技能结合,辅助编程提效,或上手实操应用,增加自己的职场竞争力。

但是LLM相关的内容很多,现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学,学习成本和门槛很高

那么我作为一名热心肠的互联网老兵,我意识到有很多经验和知识值得分享给大家,希望可以帮助到更多学习大模型的人!至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

全套AGI大模型学习大纲+路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!

read-normal-img

640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

👉学会后的收获:👈
• 基于大模型全栈工程实现(前端、后端、产品经理、设计、数据分析等),通过这门课可获得不同能力;

• 能够利用大模型解决相关实际项目需求: 大数据时代,越来越多的企业和机构需要处理海量数据,利用大模型技术可以更好地处理这些数据,提高数据分析和决策的准确性。因此,掌握大模型应用开发技能,可以让程序员更好地应对实际项目需求;

• 基于大模型和企业数据AI应用开发,实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能, 学会Fine-tuning垂直训练大模型(数据准备、数据蒸馏、大模型部署)一站式掌握;

• 能够完成时下热门大模型垂直领域模型训练能力,提高程序员的编码能力: 大模型应用开发需要掌握机器学习算法、深度学习框架等技术,这些技术的掌握可以提高程序员的编码能力和分析能力,让程序员更加熟练地编写高质量的代码。

👉 福利来袭优快云大礼包:《2025最全AI大模型学习资源包》免费分享,安全可点 👈

img

这份完整版的大模型 AI 学习资料已经上传优快云,朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。

DeepSeek本地部署详细指南 通过上述步骤,你可以在本地成功部署DeepSeek模型,并通过Ollama或Open Web UI与模型进行交互。本地部署不仅能够保护数据隐私,还能根据需求灵活调整模型参数,满足不同场景下的使用需求。如果你在部署过程中遇到任何问题,可以在评论区留言,我们将一起解决。希望这篇教程能帮助你顺利部署DeepSeek模型,开启高效开发的新旅程! 阅读详情

相关推荐

30分钟从零搭建AI Agent:LangChain实战指南与核心原理

AI Agent作为人工智能领域的关键技术,通过大语言模型作为核心决策引擎,结合工具调用能力实现多步骤任务自动化。其技术原理基于任务分解、工具选择和自主决策机制,能够显著提升工作效率和智能化水平。在工程实践中,借助LangChain等框架可以快速构建具备实际应用价值的智能助手,适用于数据处理、信息收集和自动化报告生成等场景。本文以30分钟实战案例为核心,详细演示如何通过Python环境和API服务搭建第一个可工作的AI Agent,并深入探讨工具设计、任务流水线优化等关键技术要点,帮助开发者快速掌握这一热门

weixin_27064205的博客 281

一文彻底整明白,基于Ollama工具的LLM大语言模型Web可视化对话机器人部署指南

在上一篇博文中,我们在本地部署了**Llama 3 8B**参数大模型,并用 Python 写了一个控制台对话客户端,基本能愉快的与 Llama 大模型对话聊天了。但控制台总归太技术化,体验不是很友好,我们希望能有个类似 ChatGPT 那样的 Web 聊天对话界面,本博文就安排起来……

老牛啊 1万+

LangFlow:搭积木式开发AI应用!可视化LangChain开发神器,支持一键导出Python代码,5分钟搭建ChatGPT插件

LangFlow 是一款低代码、可视化的 AI 应用构建工具,支持多代理对话管理和 RAG 应用,帮助用户快速搭建和实验 LangChain 流水线。

士多啤梨先生の博客 2388

使用ollama在本地部署llama3-8b大模型

使用ollama在本地部署llama3-8b大模型

weixin_39945822的博客 1万+

LangChain提示词模板实战:5分钟学会用Python定制你的AI聊天机器人

本文通过实战案例,详细介绍了如何使用Python和LangChain的提示词模板快速定制AI聊天机器人。文章重点讲解了PromptTemplate和ChatPromptTemplate的核心用法,帮助开发者实现指令与数据分离,从而高效构建具备角色设定、多轮对话和上下文记忆能力的智能应用,大幅提升开发效率与输出稳定性。

weixin_29050513的博客 212

别再只问ChatGPT了!用LangChain+Python,5分钟搭建一个能查天气的智能聊天机器人

本文详细介绍了如何使用LangChain和Python快速搭建一个能查询天气的智能聊天机器人。通过整合OpenWeatherMap API和GPT模型,开发者可以在5分钟内构建一个功能型AI助手,实现实时天气查询和多轮对话交互。教程涵盖环境配置、API集成、LangChain代理构建及性能优化技巧,帮助开发者快速掌握实用AI应用开发。

weixin_30387799的博客 421

10分钟用 Python 做一个自己的 ChatGPT(完整教程)

如果你想进入 AI开发领域,其实并没有那么难。今天这篇文章,我们只用了:Python一个 AI API几十行代码就实现了一个属于自己的 ChatGPT。学习路线可以这样走:1️⃣ Python基础 2️⃣ 调用大模型API 3️⃣ LangChain / LlamaIndex 4️⃣ AI Agent开发未来的软件开发,很可能会变成:AI + 编程而 Python,依然是 AI 世界最重要的语言。

Python粘合剂 445

10分钟快速搭建AI智能体的实战指南

AI智能体(AI Agent)是基于大语言模型(LLM)构建的自主程序,具备感知环境、决策和执行任务的能力。其核心技术原理包括记忆管理、工具调用和工作流编排,通过LangChain等框架可快速实现。在工程实践中,智能体开发需要关注API集成、性能优化和错误处理等关键环节。本文以Python技术栈为例,演示如何用OpenAI API和LangChain框架快速搭建具备网络搜索、数学计算等实用功能的智能体,并分享服务化部署和性能调优的实战经验。对于希望快速落地智能体应用的开发者,这种轻量级方案能显著降低技术门槛

weixin_34079177的博客 317

LangChain.dart 快速开始指南:从零搭建你的第一个 AI 聊天机器人

想要在 Dart 或 Flutter 中快速搭建一个 AI 聊天机器人?**LangChain.dart** 正是为此而生的开源框架。作为流行 Python 框架 LangChain 的 Dart 移植版,它提供了一整套开箱即用的组件(提示模板、大语言模型、输出解析器),并支持将它们像管道一样串联起来。本指南将带你完成环境安装、获取 API Key、编写第一个对话程序,最终打造一个具备流式输出的聊

gitblog_00740的博客 200

LangChain实战:5分钟搞定一个能记住对话的聊天机器人(附完整代码)

本文详细介绍了如何使用LangChain框架在5分钟内构建一个具备记忆功能的智能聊天机器人。通过ChatGLM3-6B语言模型和ChatMessageHistory类,开发者可以轻松实现多轮对话上下文保持和用户会话隔离。文章提供了完整的代码示例和高级功能扩展建议,帮助快速部署专业级对话系统。

weixin_29050271的博客 231

AI编排实战:MuleSoft与LangChain协同实现企业级安全AI工作流

AI编排(AI Orchestration)是企业在多系统、多模型环境下实现可控AI落地的核心工程范式,其本质是将数据集成、权限治理、模型调用与合规审计解耦并协同——既非单纯调用大模型API,也非传统ESB式数据搬运。它依托企业级集成平台(如MuleSoft)保障认证、脱敏、审计等刚性能力,交由AI原生框架(如LangChain)专注推理链构建、RAG增强与结构化输出,通过明确定义的接口契约实现能力互补。该模式显著提升AI服务在CRM/ERP等关键业务场景中的可用性、安全性与可审计性,尤其适用于需满足GDP

蓝色妖姬 387

LangChain实战:如何用Python快速搭建你的第一个AI智能体(附完整代码)

本文是一份面向Python开发者的LangChain实战指南,详细介绍了如何从零开始快速搭建你的第一个AI智能体。文章通过创建天气查询工具、添加记忆模块、构建多功能复合智能体等步骤,提供了完整的代码示例,帮助开发者理解AI Agent的核心运作机制并实现可运行的智能体应用。

banana的博客 551

LLM的MCP协议:初识MCP,搭建第一个MCP Server

MCP(Model Context Protocol),是一个开发的协议,标准化了应用程序如何为大模型提供上下文。MCP提供了一个标准的为LLM提供数据、工具的方式,使用MCP会更容易的构建Agent或者是基于LLM的复杂工作流。

Criss@陈磊 2万+

【带你 langchain 双排系列教程】8.LangChain开发Agent智能体:从入门到实战

LangChain是一个专为构建大模型应用设计的开发框架,其模块化设计和丰富的工具链让智能体开发更高效。内置Agent模板:快速实现工具调用、多轮对话、记忆管理。无缝对接主流大模型:支持OpenAI、ChatGLM、DeepSeek等。灵活可扩展:通过Chains组合实现复杂业务逻辑。Python复制@tool"""模拟订单查询系统"""return {"status": "已发货","product": "智能手表"@tool"""创建退货工单"""

u013257767的博客 804

【ChatGPT】LangChain 13分钟讲解 : 初学者快速入门教程 | LangChain Explained in 13 Minutes: QuickStart Tutorial for

【ChatGPT】LangChain 13分钟讲解 : 初学者快速入门教程 | LangChain Explained in 13 Minutes: QuickStart Tutorial for

AI天才研究院 2万+

某程token参数逆向分析

作者声明:文章仅供学习交流与参考!严禁用于任何商业与非法用途!否则由此产生的一切后果均与作者无关!如有侵权,请联系作者本人进行删除!

weixin_73499887的博客 2883

LangChain实战:5分钟搞定你的第一个AI聊天机器人(附完整代码)

本文详细介绍了如何使用LangChain框架在5分钟内构建一个功能完善的AI聊天机器人。从环境配置、核心组件构建到完整对话链的组装,逐步指导开发者快速实现智能对话功能。文章还涵盖了进阶功能扩展和部署优化建议,帮助开发者将LangChain应用于实际业务场景。

ooo22的博客 147

避坑指南:MTK平台Widevine L1密钥安装全流程详解(含SP META工具使用与Log分析)

本文详细解析了MTK平台实现Widevine L1认证的全流程,涵盖密钥申请、格式转换、安全烧录等关键步骤,特别针对Trustonic TEE环境下的SP META工具使用与日志分析提供实用指南。帮助开发者规避常见错误,确保DRM密钥安全部署,满足高端内容保护需求。

weixin_27219587的博客 477

CANN ops-math FresnelSin 算子深度解析:从数学定义到 NPU 图模式调用

FresnelSin 是 CANN ops-math 数学算子库中用于计算 Fresnel 正弦积分(S(x))的逐元素数学算子。本文以 [math/fresnel_sin/README.md](https://link.gitcode.com/i/f0e49240dab795028ae81148fd6aeb32) 为骨架,结合算子定义、Shape/DataType 推导、Tiling 与 Ker

gitblog_00775的博客 453

商店销售预测(回归&随机森林)

通过准备线性回归的数据,我们发现了一些有趣的见解,包括周末的销售增长,公共部门支付工资时的销售增长,以及11月和12月的销售增长。如果我们选择包括这些,我们可能会得到更好的结果,但在这个时候,我们不会用它来做任何预测,而是将转向另一种可能给我们更好的结果的技术。在Kaggle竞赛中,要求我们应用时间序列预测,根据厄瓜多尔大型杂货零售商Corporación Favorita的数据预测商店销售情况,建立一个模型,准确地预测在不同商店销售的商品的单位销量。在快速查看我们的训练数据集之后,我们可以看到有很多零。

qq_45791012的博客 4752

解决UE5像素流三大痛点:鼠标锁定/双光标/自动播放(附app.js魔改指南)

本文针对UE5像素流服务在实际应用中常见的鼠标锁定、双光标和自动播放三大交互痛点,提供了深入的技术分析和解决方案。通过详细解析app.js源码,指导开发者如何修改控制方案、修复光标显示以及实现静音自动播放,旨在提升Pixel Streaming应用的用户体验与专业度。

weixin_28025327的博客 386
上一篇: 图解 LangChain 知识库导入导出,连续奋战只为你简化数据迁移
下一篇: 99%的人都应该看看这本书,精简小册子让你快速跨入大模型的世界
AI大模型_学习君
博客等级 码龄3年 6138粉丝 551原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值