qq_37193169的博客

原创 操作Windows系统

本文介绍通过Python实现对PowerShell终端的自动化控制，包括安装依赖（psutil、pyautogui、pywin32），封装打开、关闭及向窗口发送命令的功能。利用pyautogui模拟键盘输入，结合进程管理与窗口激活，实现精准命令执行。最终将功能封装为MCP工具，支持通过标准输入输出与AI Agent交互，完成跨进程自动化操作。

原创 操作MAC系统

本文提供一段Python脚本，通过AppleScript实现关闭所有打开的Terminal终端。脚本使用subprocess调用osascript执行命令，检测系统中是否存在名为“Terminal”的进程，若存在则强制退出。代码简洁高效，适用于macOS环境下的自动化操作，可作为批量关闭终端的实用工具。

原创 新建一个MCP并使用

本文介绍如何基于MCP框架创建可执行Shell命令的工具，通过@mcp.tool装饰器定义安全命令执行函数，并利用FastMCP启动服务。结合MultiServerMCPClient连接多个MCP服务器，动态获取工具集。最终在LangChain Agent中调用异步封装的Shell工具，实现创建文件夹等操作，完成端到端自动化任务。

原创 创建一个shell的执行工具（subprocess.run）

该代码实现安全执行系统命令，通过shlex.split解析命令并禁止使用rm指令。利用subprocess.run配合shell=True和capture_output=True捕获输出，避免直接打印。支持跨平台（Windows/Linux）执行dir或ls -al，返回标准输出或错误信息，提升命令执行安全性与可控性。

原创 文件持久化+多轮对话

本文介绍了一个简单的文件检查点保存工具类FileSaver的实现。该类继承自BaseCheckpointSaver，用于将检查点数据保存到指定目录。主要功能包括：通过构造函数接收基础路径参数，自动创建不存在的目录（exist_ok=True避免报错）。代码示例展示了如何初始化该工具类，并配有相关示意图。这个轻量级工具适合用于AI代理等需要持久化检查点数据的场景。

原创 使用MongoDB实现Agent的持久化记忆

本文介绍了如何使用langgraph-checkpoint-mongodb库实现对话记忆存储。首先通过uv安装该库，然后在Python项目中配置MongoDB连接，创建带有记忆功能的智能代理。代码示例展示了如何通过设置唯一thread_id来保持对话连续性，演示了两轮对话过程：第一轮询问"你好，我是汉堡包"，第二轮询问"我是谁"时，代理能正确识别用户身份。最后获取每轮对话的最终回答，并关闭数据库连接。整个流程实现了基于MongoDB的对话状态持久化存储。

原创 使用redis实现Agent的持久化记忆

摘要：本文介绍了在使用langgraph-checkpoint-redis库时遇到的Redis模块缺失问题及解决方案。由于纯净版Redis镜像缺少RediSearch模块，导致memory.setup()报错，建议改用redis-stack镜像（redis/redis-stack-server:latest）。文中提供了安装命令和代码示例，展示如何通过RedisSaver实现对话记忆功能，并附完整Python代码，演示了基于Qwen模型和文件工具的智能代理创建及多轮对话测试流程。

原创 Agent内存记忆能力

本文介绍了如何使用LangGraph和LangChain构建具备记忆功能的AI代理。通过MemorySaver实现内存记忆存储，演示了创建代理、设置线程ID以及连续对话的实现方法。代码示例展示了代理如何记住上下文信息（用户名为"汉堡包"），并在后续对话中正确回答"我是谁"的问题。输出结果验证了记忆功能的正确实现，为开发者提供了构建上下文感知AI系统的实用参考。

原创 创建多轮对话

本文介绍了使用阿里云通义千问大模型API创建多轮对话系统的实现方法。主要内容包括：1) 通过ChatOpenAI类配置qwen3.7模型参数，包含API基础URL和密钥设置；2) 使用ChatPromptTemplate构建对话模板，设置系统角色为幽默数学老师并保留历史对话；3) 演示多轮对话实现流程，通过StrOutputParser处理模型输出流式返回结果。代码示例展示了如何发起包含历史消息的对话请求，并实时输出模型响应。

原创 使用GitHub的MCP

本文介绍了如何在ModelScope魔搭社区使用GitHub相关功能。首先登录社区并搜索GitHub，找到NPX示例代码后修改server_params参数，其中需要配置GitHub个人访问令牌（TOKEN）。获取TOKEN的步骤包括：登录GitHub进入Settings→Developer settings→Personal access tokens创建新token。最后通过示例代码连接服务并查询GitHub的MCP Tools工具列表。整个过程涉及社区平台操作、代码配置和GitHub权限设置

原创 浏览器控制MCP服务

本文介绍了nvm的安装与使用流程：1) 从官网下载nvm-setup.exe并完成安装；2) 通过nvm安装指定版本Node.js（示例版本v16.20.2），支持版本切换；3) 在ModelScope社区获取Playwright浏览器自动化工具，通过npm全局安装@executeautomation/playwright-mcp-server。全文包含详细安装截图指引，涵盖nvm管理Node版本和MCP工具集成的完整操作步骤。

原创 通过stdio调用本地创建的mcp

本文演示了如何通过FastMCP框架创建并调用数学工具服务。首先创建了一个MCP服务器，注册了加法和乘法工具（其中加法函数额外增加了666）；然后通过stdio方式建立客户端连接，加载工具并创建智能代理。当用户询问"1+2*5=?"时，代理正确执行运算流程（先乘法后加法），最终输出结果677。这展示了MCP框架实现本地工具服务化、通过标准输入输出进行进程间通信的能力，以及智能代理自动编排工具调用的过程。

原创 使用langchain调用高德MCP并生成网页

本文介绍了如何创建一个集成高德地图API的智能出行规划助手。通过LangChain工具调用高德MCP服务，实现从大连周水子机场到星海广场的行程规划，包括公交地铁和打车路线选择、早高峰时段分析和天气穿衣建议。代码演示了如何配置文件管理工具、集成地图API工具、编写提示词模版，最终生成包含行程信息的HTML网页，并支持在高德APP中展示。系统能自动考虑交通状况和天气因素，为用户提供全面的出行方案。

原创 使用langchain调用MCP（高德）

本文介绍了如何集成高德MCP服务到LangChain项目中的步骤：1）安装langchain_mcp_adapters依赖库；2）查询高德MCP教程获取服务地址，并将URL中的mcp替换为sse；3）代码实现部分，包括创建MultiServerMCPClient实例（需配置高德API Key）、异步获取可用工具列表。文中提供了完整的代码示例和关键环节的截图说明，展示了客户端实例化成功和工具列表获取的结果。通过.env文件管理密钥，实现了配置与代码的分离。

原创 LangChain output_parsers库详解

本文介绍了LangChain中的三种常用输出解析器：StrOutputParser直接返回原始文本；CommaSeparatedListOutputParser将逗号分隔文本转换为Python列表；JsonOutputParser格式化返回JSON数据。每种解析器都配有示例代码和输出效果图，展示了如何从LLM响应中提取结构化数据。文章最后列出LangChain支持的其他解析器类型，包括Pydantic对象、XML等格式处理工具，为开发者提供了灵活的数据转换方案。这些解析器能有效简化语言模型输出的后处理工作。

原创 使用智能体开发项目（一）

本文介绍了如何使用Python工具创建智能体并生成提示词模板。首先定义PythonREPL工具，然后创建智能体并设置提示词模板格式，最后生成具体提示词用于在指定目录创建企业官网HTML文件。关键步骤包括工具定义、智能体创建、模板设计和提示词生成，最终目标是实现自动化文件创建任务。

原创 LangChain内置工具-Python REPL

本文介绍了如何通过uv工具添加langchain_experimental依赖，并演示了Python REPL的基本使用方法。首先使用uv add langchain_experimental命令安装依赖，然后通过导入PythonREPL类创建实例，执行简单Python代码print(1+1)并输出结果。整个过程展示了依赖安装到代码执行的完整流程，为使用LangChain实验性功能提供了基础示例。

原创 将智能体的输入转成JSON格式

本文介绍了如何通过LangChain框架实现JSON格式的AI输出解析。主要内容包括： 使用JsonOutputParser定义输出模型，包含参数、结果和思考过程三个字段 在提示词中明确要求返回严格JSON格式 通过json.loads()将字符串解析为字典类型 关键配置注意事项：工具类中return_direct必须设为False才能正常格式化返回结果 代码示例展示了完整的实现流程，从创建计算工具、设置输出解析器到最终获取结构化JSON响应，适用于需要规范AI输出格式的应用场景。

原创 创建第一个agent

本文介绍了如何使用LangChain框架创建和初始化一个计算工具的智能体。主要内容包括： 工具初始化： 配置ChatOpenAI语言模型参数 创建提示词模板 定义加法工具函数add()，包含输入参数验证 智能体创建： 添加LangChain和LangGraph依赖 使用create_agent()方法创建智能体 传入计算工具和语言模型 测试智能体执行"100+200=?"的计算 实现效果： 智能体能够正确调用计算工具 获取并输出最终计算结果 该示例展示了如何将自定义工具集成到LangChain智能体中，实现

原创 开发自定义工具（重要）

摘要：本文介绍了如何通过LangChain框架实现大模型与工具函数的集成。主要内容包括：1)创建通用配置文件设置大模型参数和提示模板；2)将加法函数封装为LangChain工具对象；3)将工具与大模型绑定；4)调用模型时自动触发工具计算。展示了完整的代码实现，包括工具调用参数解析和结果处理流程，实现了大模型与自定义函数的协同工作。

原创 链式调用大模型

这篇文章演示了如何使用LangChain框架构建一个少样本提示模板(FewShotPromptTemplate)进行英中翻译。代码展示了如何定义示例模板、提供翻译示例对，并通过流式调用Qwen大模型实现实时翻译输出。核心步骤包括：创建ChatOpenAI实例配置模型参数、构建包含示例的提示模板、使用管道运算符(|)将模板与模型连接成链式调用，最后通过stream方法实现流式响应处理。该示例完整呈现了从提示工程到模型调用的端到端流程。

原创 少样本提示模板（FewShotPromptTemplate）

本文介绍了FewShotPromptTemplate在少样本学习中的应用，通过示例引导模型完成翻译等复杂任务。该模板支持动态示例选择，包含前缀、示例和后缀三部分。示例代码演示了如何使用LangChain构建少量示例提示模板，将英文单词翻译为中文，并通过阿里云大模型API获取流式响应。实现过程包括定义示例模板、设置输入输出示例、配置提示模板参数，最终调用模型生成翻译结果"苹果"。完整代码展示了从模板构建到模型调用的全流程。

原创 聊天提示词模板（ChatPromptTemplate）

这篇技术文档介绍了如何在聊天模型中使用ChatPromptTemplate构建多轮对话提示模板。该模板支持系统消息、用户提问和AI回复三种消息类型，可灵活替换变量（如角色、领域和问题）。文档提供了完整代码示例，展示如何创建数学专家角色模板，并调用通义千问模型进行流式响应。通过format()方法动态填充变量，开发者能快速生成结构化提示词，适用于教育、客服等对话场景。关键特性包括多消息类型支持、变量插值以及流式输出处理能力。

原创 提示词模板功能（langchain_core.prompts）

摘要： PromptTemplate是一种基于字符串的提示词模板，用于文本补全模型的输入。它支持通过{}占位符动态替换变量，适用于简单任务如文本生成或问答。示例展示了如何创建模板（如"今天世界杯{team}又赢了"），替换变量（team="法国队"），并将生成的提示词发送给大模型（如阿里云通义千问）进行流式响应输出。代码演示了从模板构建到模型调用的完整流程，适用于快速生成动态文本内容。

原创 使用langchain_openai调用qwen大模型（非原生openai）

本文介绍了使用langchain_openai库的优势与基本配置方法。通过对比原生OpenAI客户端的痛点，指出langchain_openai能实现统一LLM接口、适配不同厂商模型参数、标准化消息结构等优势。文章提供了安装命令uv add langchain_openai，并演示了创建ChatOpenAI工具类的代码示例，包括设置model、base_url和api_key等参数。特别说明可使用pydantic的SecretStr对api_key进行加密保护。配置完成后只需修改少量参数即可在不同模型间切换

原创 在 PyCharm 中调用 阿里云百炼API基础大模型+思考+流式

阿里云百炼大模型服务平台使用指南摘要：本文介绍了阿里云百炼大模型服务平台的优势及接入流程。该平台无需本地部署大模型，可节省硬件资源并灵活切换最新模型。主要步骤包括：1）登录控制台创建业务空间获取WorkSpaceId；2）配置API Key和模型权限；3）在模型广场选择所需模型并获取Python调用代码；4）安装openai依赖包后测试API调用。平台提供免费额度监控功能，支持用量用尽自动停止，避免额外费用。文中配有详细操作截图和代码示例，帮助开发者快速接入不同大模型服务。

原创 在 PyCharm 中调用 Ollama 大模型（直接输出和流式输出）

本文介绍了如何通过LangChain调用本地Ollama大模型进行对话开发。主要内容包括：1) 安装langchain-ollama库并添加项目依赖；2) 基础调用示例，通过ChatOllama类实例化模型并获取响应；3) 使用Message实现多轮对话；4) 实现流式输出效果。文章还提供了常见错误的解决方法，如因Ollama未启动导致的连接问题。这些步骤为开发者提供了完整的本地大模型调用指南，适合快速上手LangChain与Ollama的集成开发。

原创 在 PyCharm 中配置 Python虚拟环境

本文详细介绍了在PyCharm中配置Python虚拟环境的两种方法。第一种通过PyCharm设置：确认项目结构后，依次设置Python解释器、修改终端选项并补充虚拟环境路径。第二种通过终端切换：打开命令提示符后使用conda命令激活指定虚拟环境。两种方法均可实现虚拟环境的配置，用户可根据需求选择。文章通过多张截图和具体命令演示了完整配置流程，确保开发者能正确建立并使用Python虚拟环境进行开发。

原创 PyCharm工具安装

PyCharm 官方下载地址为 https://www.jetbrains.com.cn/pycharm/download，提供专业版和社区版两种选择，适合不同开发需求。该 IDE 支持 Python 开发，具有智能代码补全、调试等功能。建议用户访问官网获取最新版本和详细功能说明。

原创 本地私有化大模型Ollama

Ollama本地大模型部署指南 本文介绍了Ollama框架的安装与使用教程。Ollama是一个开源本地大模型运行框架，支持在个人电脑上部署各类开源大语言模型。教程包含： 从官网或镜像加速下载安装包 安装过程中的配置修改（特别注意模型存放位置设置） 服务启动方式（命令行或图形界面） 模型下载与运行示例（以deepseek-r1:1.5b模型为例） 基础使用方法及退出操作 文章提供了详细的图文指引，帮助用户快速搭建本地私有化大模型环境，适合想要体验本地运行大语言模型的开发者。

原创 Python uv安装

摘要： uv工具通过项目专属.venv目录实现Python依赖的完全隔离，每个项目的site-packages独立存储，互不干扰。全局缓存仅加速安装，不影响隔离性。使用步骤：1) pip install uv安装工具；2) uv init初始化项目；3) uv add添加依赖（自动识别当前项目环境）；4) 通过pyproject.toml配置镜像源提升下载速度。实测安装pyyaml后依赖仅写入当前项目的pyproject.toml，验证了隔离有效性。uv的设计解决了多项目依赖冲突问题，确保环境独立性。

原创 使用Anaconda Navigatior安装python环境

本文详细介绍了使用Anaconda Navigator创建Python虚拟环境的完整步骤：1）通过搜索或快捷方式启动Navigator并登录账号；2）进入Environments面板，点击Create按钮配置环境名称和Python版本；3）创建成功后可通过图形界面或命令行（conda env list/activate）管理环境；4）强调了虚拟环境的隔离优势，建议为每个项目创建独立环境。

原创 Anaconda 安装教程：从下载到验证的完整步骤

本文介绍了Anaconda的安装流程，主要作用是为Python开发提供便捷的环境管理功能。文章详细展示了从官网下载安装包（https://www.anaconda.com/download）到完成注册的全过程，包括验证码获取、邮箱确认、选择开发者身份（6种职业选项说明）等步骤，并建议下载完整版进行安装。安装过程中若遇到验证问题可尝试刷新解决，注册时可选择是否订阅服务。

原创 Dify连接外部知识库

一、选择连接外部知识库。

原创 Dify创建本地知识库

保存后在知识库中查看。

原创 ragflow创建知识库

原创 ragflow部署

为了和Dify导入的docker区分，这里将docker文件夹修改为ragflow_docker。由于80和443端口被Dify的容器占用了，这里修改一下。

原创 Dify进行图片转文字（硅基流动）

原创 Dify语音转文字（二）（调用硅基流动）

7、设置完成后点击工作室-创建空白应用-Chatflow。1、登陆：http://localhost/apps。5、安装后等一会在模型列表中就出现了硅基流动。8、允许上传MP3文件，进行文件转文字。3、在安装模型供应商中找到硅基流动。6、设置硅基流动key。

原创 Dify语音转文字（一）

一、登陆Dify二、打开语音转文字。