基于LangChain与Ollama的API封装实战详解（含完整代码）

本文链接：https://blog.youkuaiyun.com/python12345_/article/details/146979845

本文将介绍如果使用 LangChain 封装成 Api 提供给其他人使用。

环境搭建

在开始实际编码之前，首先需要搭建一个干净、稳定的开发环境。本文推荐使用 conda 管理虚拟环境，并利用 pip 安装所需的依赖包。以下将详细介绍如何创建环境并安装相关依赖。

创建开发环境

使用 conda 创建一个独立的虚拟环境，可以确保项目间依赖不会相互干扰。执行以下命令，即可创建名为 langchain-api 的 Python 3.10 环境：

bin/conda create -n langchain-api python=3.10

这条命令会自动下载并安装 Python 3.10，同时为该环境配置基本的包管理工具。使用虚拟环境不仅有助于依赖的隔离，还能在需要时轻松切换不同版本的 Python 环境，适应各种项目需求。

在创建环境后，记得激活该环境：

conda activate langchain-api

安装依赖包

在环境搭建好后，我们需要安装实现 API 所需的各个依赖包。本文主要涉及以下几个核心组件：

• langserve：用于将 LangChain 链封装为 API 路由，便于与 FastAPI 集成。
• langchain：核心链式处理框架，负责提示模板、模型调用等功能。
• langchain_community：社区扩展包，提供了与 Ollama 大语言模型交互的接口。
• FastAPI：轻量级、高性能的 Web 框架，用于构建 API 服务。

pip install "langserve[all]"
pip install langchain
pip install langchain_community
pip install fastapi

API 实现原理与代码详解

在完成环境搭建之后，接下来的重点工作便是构建 API 服务。本文将结合代码示例，详细介绍如何利用 LangChain 与 Ollama 模型进行交互，并将整个流程封装为一个 API 接口。

环境依赖导入与模型初始化

# 导入FastAPI库，用于创建Web服务
from fastapi import FastAPI
# 从langchain_community.llms模块导入Ollama类，它是与Ollama大语言模型进行交互的接口
from langchain_community.llms import Ollama  
# 从langchain_core.prompts模块导入ChatPromptTemplate类，用于创建对话提示词模板
from langchain_core.prompts import ChatPromptTemplate  
# 从langchain_core.output_parsers模块导入StrOutputParser类，用于将模型的输出解析为字符串
from langchain_core.output_parsers import StrOutputParser  
# 从langserve模块导入add_routes函数，用于将LangChain链添加到FastAPI应用中作为API路由
from langserve import add_routes

对话提示模板与链式处理流程

# 创建输出解析器实例，其作用是将模型的输出转换为字符串类型
output_parser = StrOutputParser()

# 初始化Ollama模型的配置
llm = Ollama(
    # 指定要使用的Ollama模型名称为"deepseek-r1:14b"
    model="deepseek-r1:14b",  
    # 模型的API端点URL，程序将通过此URL与Ollama模型进行通信
    base_url="https://203.0.113.10:8443"
)

# 构建对话提示模板
prompt = ChatPromptTemplate.from_messages([
    # 系统角色的提示信息，告知模型要用指定的开发语言实现需求代码
    # {dev_language} 是一个占位符，在运行时会被具体的开发语言替换
    ("system", "请用{dev_language}语言帮我实现这个需求代码"),  
    # 用户角色的提示信息，{user_requirements} 是一个占位符，在运行时会被用户的具体需求替换
    ("user", "{user_requirements}")  
])

这一部分主要完成了三个功能：

• 输出解析器：创建了一个 StrOutputParser 实例，用于将模型返回的复杂数据解析为纯文本，便于后续展示和处理。
• 模型初始化：通过 Ollama 类初始化了大语言模型，并配置了模型名称和 API 端点。此处我们将原有的敏感 URL 替换为示例地址，以保障信息安全。
• 提示模板构建：利用 ChatPromptTemplate 构建了一个对话提示模板，通过定义系统角色与用户角色的对话内容，将具体的开发语言与用户需求参数化，确保在实际调用时能够灵活生成符合预期的提示信息。

在实际运行中，当用户通过 API 接口传递开发语言及需求描述后，提示模板会自动将占位符替换为具体内容，形成完整的请求文本，随后传递给 Ollama 模型进行处理。

FastAPI 路由注册与服务启动

# 构建处理流水线，它定义了数据的处理流程
# 首先，将输入的数据应用到提示词模板中，生成完整的提示信息
# 然后，将生成的提示信息传递给Ollama模型进行处理
# 最后，使用输出解析器将模型的输出转换为字符串
chain = prompt | llm | output_parser

# 以下代码注释掉了，它的作用是执行问答流程
# 调用chain的invoke方法，通过字典传递输入参数，这里的"input"可以替换为具体的需求
# 例如：{"dev_language": "Python", "user_requirements": "实现一个简单的加法函数"}
# print(chain.invoke({"input": "容器化相比传统虚拟化有哪些优势？"}))  

# 把我们的程序部署成服务
# 创建FastAPI的应用实例
# title：应用的标题，用于描述应用的名称
# version：应用的版本号
# description：应用的描述信息，简要说明应用的功能
app = FastAPI(title='LangChain Api 服务', version='V1.0', description='基于 Ollama 的 LangChain Api 服务')

# 将LangChain链添加到FastAPI应用中作为API路由
# app：FastAPI应用实例
# chain：要添加的LangChain链
# path：API的访问路径，用户可以通过此路径调用该API
add_routes(
    app,
    chain,
    path="/coder",
)

# 当脚本作为主程序运行时执行以下代码
if __name__ == "__main__":
    # 导入uvicorn库，它是一个用于运行ASGI应用的服务器
    import uvicorn
    # 调用uvicorn的run方法启动服务器
    # app：要运行的FastAPI应用实例
    # host：服务器监听的主机地址，这里设置为本地主机
    # port：服务器监听的端口号，这里设置为12345
    uvicorn.run(app, host="localhost", port=12345 )

在这一部分中，我们首先将前面构建的提示模板、模型实例和输出解析器通过管道符号（|）串联起来，形成一个完整的数据处理链。该链条从接收用户输入开始，依次完成提示生成、模型调用、输出解析三个环节，最终输出处理后的结果。

接着，我们利用 FastAPI 创建了一个 Web 服务实例，并设置了服务的标题、版本号和描述信息。通过调用 add_routes 函数，将 LangChain 链注册为 API 路由，使得外部用户可以通过指定路径（此处为 /coder）访问我们的服务。最后，使用 uvicorn 启动服务器，使服务能够在本地监听指定端口（12345）。

完整代码，复制即可运行

# 导入FastAPI库，用于创建Web服务
from fastapi import FastAPI
# 从langchain_community.llms模块导入Ollama类，它是与Ollama大语言模型进行交互的接口
from langchain_community.llms import Ollama  
# 从langchain_core.prompts模块导入ChatPromptTemplate类，用于创建对话提示词模板
from langchain_core.prompts import ChatPromptTemplate  
# 从langchain_core.output_parsers模块导入StrOutputParser类，用于将模型的输出解析为字符串
from langchain_core.output_parsers import StrOutputParser  
# 从langserve模块导入add_routes函数，用于将LangChain链添加到FastAPI应用中作为API路由
from langserve import add_routes

# 创建输出解析器实例，其作用是将模型的输出转换为字符串类型
output_parser = StrOutputParser()

# 初始化Ollama模型的配置
llm = Ollama(
    # 指定要使用的Ollama模型名称为"deepseek-r1:14b"
    model="deepseek-r1:14b",  
    # 模型的API端点URL，程序将通过此URL与Ollama模型进行通信
    base_url="https://u573698-94e7-29ab86b7.nmb1.seetacloud.com:8443"
)

# 构建对话提示模板
prompt = ChatPromptTemplate.from_messages([
    # 系统角色的提示信息，告知模型要用指定的开发语言实现需求代码
    # {dev_language} 是一个占位符，在运行时会被具体的开发语言替换
    ("system", "请用{dev_language}语言帮我实现这个需求代码"),  
    # 用户角色的提示信息，{user_requirements} 是一个占位符，在运行时会被用户的具体需求替换
    ("user", "{user_requirements}")  
])

# 构建处理流水线，它定义了数据的处理流程
# 首先，将输入的数据应用到提示词模板中，生成完整的提示信息
# 然后，将生成的提示信息传递给Ollama模型进行处理
# 最后，使用输出解析器将模型的输出转换为字符串
chain = prompt | llm | output_parser

# 以下代码注释掉了，它的作用是执行问答流程
# 调用chain的invoke方法，通过字典传递输入参数，这里的"input"可以替换为具体的需求
# 例如：{"dev_language": "Python", "user_requirements": "实现一个简单的加法函数"}
# print(chain.invoke({"input": "容器化相比传统虚拟化有哪些优势？"}))  

# 把我们的程序部署成服务
# 创建FastAPI的应用实例
# title：应用的标题，用于描述应用的名称
# version：应用的版本号
# description：应用的描述信息，简要说明应用的功能
app = FastAPI(title='LangChain Api 服务', version='V1.0', description='基于 Ollama 的 LangChain Api 服务')

# 将LangChain链添加到FastAPI应用中作为API路由
# app：FastAPI应用实例
# chain：要添加的LangChain链
# path：API的访问路径，用户可以通过此路径调用该API
add_routes(
    app,
    chain,
    path="/coder",
)

# 当脚本作为主程序运行时执行以下代码
if __name__ == "__main__":
    # 导入uvicorn库，它是一个用于运行ASGI应用的服务器
    import uvicorn
    # 调用uvicorn的run方法启动服务器
    # app：要运行的FastAPI应用实例
    # host：服务器监听的主机地址，这里设置为本地主机
    # port：服务器监听的端口号，这里设置为12345
    uvicorn.run(app, host="localhost", port=12345 )

API 接口部署与测试

使用 curl 进行接口测试

curl -X POST -H "Content-Type: application/json" -d '{
    "input": {
        "dev_language": "Python",
        "user_requirements":"写一个冒泡排序"
    }
}' http://localhost:12345/coder/invoke

上述命令解释：

• -X POST：指定 HTTP 请求方法为 POST，因为调用/invoke接口通常是通过 POST 请求传递数据。
• -H "Content-Type: application/json"：设置请求头，表明发送的数据是 JSON 格式。
• -d '{...}'：-d参数用于在请求体中发送数据，花括号内是具体的 JSON 格式请求参数，按照接口要求构造，这里设置了dev_language为Java ，user_requirements为写一个冒泡排序。
• http://localhost:12345/coder/invoke：指定请求的接口地址。