人工智能应用通识教程 课件 基于LangChain实现大模型API调用-第五次课

基于LangChain实现大模型API调用什么是LangChain？核心定义：LangChain是一个强大的开源框架，旨在简化由大语言模型(LLM)驱动的应用程序开发。它提供了一套工具、组件和接口，帮助开发者轻松构建复杂的AI应用。核心价值组件化环节解耦，便于复用可扩展性支持多模型与工具集成上下文管理内置记忆模块，理解多轮对话提示词工程丰富模板，优化交互体验典型应用场景智能客服·代码助手·文档问答(RAG)·数据分析·自主智能体(Agent)1、实验准备获取

APIKey1、进入智谱官网：/，并完成登录（或注册）2、右上角进入个人中心

选择APIKey进入3、添加新的APIKey环境准备与配置安装依赖库使用pip命令安装LangChain核心库：pipinstalllangchain_openailangchain_core-i/simple

获取API密钥前往智谱AI开放平台()注册账号，在控制台获取APIKey，并妥善保管。config.py#智谱AIAPIKey（替换成你自己的）ZHIPU_API_KEY="your_api_key_here"#智谱AI接口地址（固定不变）ZHIPU_API_BASE="/api/paas/v4/"#智谱AI模型名称（支持：glm-5、glm-4等）MODEL_NAME="glm-5"注意：在正式的开发过程中勿直接APIKey在公开的代码仓库中。确保APIKey不被泄漏。2、编码实现第一步：创建LLM客户端（ChatOpenAI）api_key你的智谱AI平台API密钥，用于身份验证。base_url智谱AI的API接口地址，指向服务端点。model指定使用的模型名称（如glm-5,glm-4）。streaming是否启用流式输出，默认开启(True)。temperature控制生成文本的随机性（0-1），0.7为平衡值。函数功能：创建并返回一个配置好的智谱AILLM客户端实例，支持流式响应。参数详解-streamingstreaming=True（流式输出）模型将生成的文本分成多个小块逐块返回，适合实时展示（如打字机效果）。streaming=False（非流式输出）模型一次性生成并返回完整结果，适合需获取全文后再处理的场景。核心区别流式注重交互体验，非流式便于一次性批量处理。参数详解-temperature核心作用控制生成文本的随机性与创造性，取值范围通常为0到1。低温度(0.1)-保守模式结果确定、可预测，适合需要准确答案的场景。高温度(0.9)-创意模式结果随机、多样，适合头脑风暴或创意写作。经验值建议(0.5-0.7)在回答的确定性与创造性之间取得最佳平衡。参数调节可视化示意图第二步：构建提示词模板（ChatPromptTemplate）系统角色(System)定义AI的行为准则、性格设定和背景信息，确立对话基调。历史占位符(History)使用占位符动态插入多轮对话历史，保持上下文连贯性。用户输入(Human)代表当前用户提出的具体问题或指令，触发AI的即时响应。函数功能总结：该函数通过结构化的消息列表构建提示词模板，将系统指令、历史上下文与当前问题有机结合，是实现具备记忆能力的AI对话系统的基础。SystemPrompt&human（User）

Prompt？SystemPrompt(系统提示词)核心作用：定义AI的身份、角色和行为准则，为AI设定“人设”。本质是给AI的“指令手册”。“你是一位资深的软件架构师，擅长使用简洁清晰的语言解释复杂的技术概念...”确保一致性：对话全程保持角色统一设定边界：明确AI能做什么，不能做什么提供背景：赋予AI特定领域的专业知识human（User）

Prompt(用户提示词)核心作用：传达用户当前的具体问题、需求或指令，是触发AI响应的直接原因。“请解释一下什么是微服务架构，以及它的优缺点。”明确目标：告诉AI用户希望得到什么结果驱动对话：每一轮交互的起点和核心个性化：可包含具体格式、长度等要求两者结合的价值：SystemPrompt提供宏观框架（知道自己是谁），human（User）Prompt提供微观需求（需要做什么）。只有两者结合，AI才能在正确的角色设定下，准确、高效地响应用户的具体问题，产生高质量的回答。核心区别解析：from_template()vsfrom_messages()ChatPromptTemplate.from_template()prompt=ChatPromptTemplate.from_template("请分析产品：{product}的优缺点")#输出:[("user","请分析产品：手机...")]核心特点：✅最简单快捷，纯文本输入。❌仅生成user角色，无系统提示。❌无法构建多轮对话历史。适用场景：超简单单轮问答或快速测试。ChatPromptTemplate.from_messages()prompt=ChatPromptTemplate.from_messages([("system","你是专业产品分析师"),("user","请分析产品：{product}")])核心优势：✅支持system提示词，角色可控。✅完美支持多轮对话历史。✅官方推荐标准写法。适用场景：正式项目、复杂对话系统、Agent开发。消息封装顺序消息的顺序直接决定模型对上下文的理解质量。错误的顺序会导致模型混淆逻辑，生成不符合预期的回复。标准封装顺序SystemMessage：定义AI角色与准则，置于最前ChatHistory(MessagesPlaceholder)：按时间排序的历史对话记录（上下文）HumanMessage：用户当前的输入问题，置于最后警示：切勿颠倒顺序，否则模型将无法正确理解上下文语境。消息封装结构示意图MessagesPlaceholder的作用核心作用：动态占位符允许在运行时将包含HumanMessage和AIMessage的对话历史列表，无缝插入到提示词模板中。核心优势：自动处理无需手动拼接复杂的字符串。LangChain会自动处理消息的格式、顺序和角色，极大简化多轮对话管理。工作流程定义模板→传入历史列表→生成完整提示词列表图示：提示词模板与对话历史的结合处理流程提示词模板：ChatPromptTemplate.from_messages([("system","技术顾问"),MessagesPlaceholder("chat_history"),("human","{user_question}")])对话历史：[Human("什么是Python？"),AIMessage("Python是高级语言...")]用户输入："它适合初学者吗？"生成结果：[("system","技术顾问"),("human","什么是Python？"),("ai","Python是高级语言..."),("human","它适合初学者吗？")]其他创建ChatPromptTemplate的方法直接使用字符串模板prompt=ChatPromptTemplate.from_template("你是一个助手，用户问：{user_question}，请回答。")核心区别解析：from_template()vsfrom_messages()ChatPromptTemplate.from_template()prompt=ChatPromptTemplate.from_template("请分析产品：{product}的优缺点")#输出:[("user","请分析产品：手机...")]核心特点：✅最简单快捷，纯文本输入。❌仅生成user角色，无系统提示。❌无法构建多轮对话历史。适用场景：超简单单轮问答或快速测试。ChatPromptTemplate.from_messages()prompt=ChatPromptTemplate.from_messages([("system","你是专业产品分析师"),("user","请分析产品：{product}")])核心优势：✅支持system提示词，角色可控。✅完美支持多轮对话历史。✅官方推荐标准写法。适用场景：正式项目、复杂对话系统、Agent开发。核心区别解析：from_template()vsfrom_messages()ChatPromptTemplate.from_template()prompt=ChatPromptTemplate.from_template("请分析产品：{product}的优缺点")#输出:[("human","请分析产品：手机...")]核心特点：✅最简单快捷，纯文本输入。❌仅生成user角色，无系统提示。❌无法构建多轮对话历史。适用场景：超简单单轮问答或快速测试。ChatPromptTemplate.from_messages()prompt=ChatPromptTemplate.from_messages([("system","你是专业产品分析师"),("human","请分析产品：{product}")])核心优势：✅支持system提示词，角色可控。✅完美支持多轮对话历史。✅官方推荐标准写法。适用场景：正式项目、复杂对话系统、Agent开发。第三步：实现流式响应（Steam）1.格式化提示词调用prompt.format_messages()，整合系统提示与对话历史生成完整消息列表。2.调用流式接口使用llm.stream()发送请求，获取流式响应迭代器，建立长连接。3.处理流式结果遍历迭代器，提取AIMessageChunk内容，实时打印并拼接成完整回复。核心逻辑总结：该函数通过“格式化-流式调用-实时拼接”的三步闭环，实现了大模型的高效交互。相比同步调用，流式响应显著提升了用户体验的即时感。流式返回的处理#初始化变量存储完整回复full_response=""forchunkinllm.stream(messages):content=chunk.contentprint(content,end="",flush=True)full_response+=content回复内容样例(AIMessageChunk){"content":"你好！我是一个AI助手，","additional_kwargs":{},"type":"ai","name":null,"id":"msg-12345"}回复字段解析•content:本次返回的文本片段。•additional_kwargs:额外信息，如函数调用。•type:消息类型，固定为"ai"。•id:消息的唯一标识符。核心逻辑总结：通过循环迭代流数据，利用chunk.content获取增量文本，实现边生成边展示的交互体验。核心区别解析：from_template()vsfrom_messages()ChatPromptTemplate.from_template()prompt=ChatPromptTemplate.from_template("请分析产品：{product}的优缺点")#输出:[("user","请分析产品：手机...")]核心特点：✅最简单快捷，纯文本输入。❌仅生成user角色，无系统提示。❌无法构建多轮对话历史。适用场景：超简单单轮问答或快速测试。ChatPromptTemplate.from_messages()prompt=ChatPromptTemplate.from_messages([("system","你是专业产品分析师"),("user","请分析产品：{product}")])核心优势：✅支持system提示词，角色可控。✅完美支持多轮对话历史。✅官方推荐标准写法。适用场景：正式项目、复杂对话系统、Agent开发。完整对话流程演示(1/2)defchat_demo():#1.创建LLM客户端llm=create_zhipu_llm_client(stream=True)#2.创建提示词模板prompt=create_chat_prompt()#3.初始化对话历史列表chat_history=[]#4.加载系统提示词system_prompt=load_system_prompt()创建客户端连接底层大模型服务，开启流式传输模式，确保实时响应。提示词模板定义用户输入与系统指令的格式化结构，规范输入输出。对话历史初始化空列表用于存储上下文，维持多轮对话的连续性。系统提示词配置加载角色设定与能力约束，确立AI助手的行为边界与基调。完整对话流程演示(2/2)whileTrue:user_input=input("\n🙋你：")ifuser_input.lower()in["exit","quit"]:print("👋对话结束！");break#调用流式响应并更新历史resp=stream_chat_response(llm=llm,prompt=prompt,system_prompt=system_prompt,user_question=user_input,chat_history=chat_history)#更新历史chat