langchain搭建一个问答系统

　　LangChain 是一个基于大型语言模型（LLM）的开源编程框架。由 Harrison Chase 于 2022 年 10 月创立。它通过将 LLM、提示工程、外部工具、记忆、检索、代理（Agent）等功能抽象为可组合的模块，让开发者能够像搭积木一样快速构建生产级的 AI 应用。

• 官方文档：https://python.langchain.com
• GitHub：https://github.com/langchain-ai/langchain
• LangSmith 平台：用于调试和监控 LangChain 应用

1. langchain安装

　　核心包安装

pip install langchain

　　完整生态安装

# 安装核心框架 + 常用集成包
pip install langchain langchain-core langchain-community langgraph

# 如需使用 OpenAI 模型
pip install langchain-openai

# 如需使用其他模型提供商
pip install langchain-anthropic    # Anthropic Claude
pip install langchain-ollama       # 本地 Ollama 模型
pip install langchain-groq         # Groq 高速推理

　　分场景安装

 2. 用户交互界面

　　Streamlit 是一个开源的 Python 库，用于快速构建交互式数据应用和机器学习仪表盘。它让数据科学家和开发者无需前端开发经验，就能将 Python 脚本转换为可分享的 Web 应用。核心特点如下:

• 零前端代码:纯 Python 开发，无需 HTML/CSS/JavaScript 
• 实时热重载:保存代码后页面自动刷新，即时查看效果
• 丰富组件:内置滑块、按钮、图表、文件上传等交互组件 
• 数据原生支持:无缝集成 Pandas、Matplotlib、Plotly、Altair 等
• 快速部署:支持 Streamlit Cloud、Docker 等多种部署方式 

　　安装:

pip install streamlit

 

app.py

import streamlit as st

#设置页面显示标题
st.title("热门文章AI生成器")
#生成一个文本框，带有提示信息
topic=st.text_input("请输入你想写的话题")

#streamlit run app.py

可以使用streamlit run app.py启动，或者使用下面代码运行启动。

run_app.py

# run_app.py
import subprocess
import sys
import os


def main():
    """启动Streamlit应用"""
    # 获取当前目录
    current_dir = os.path.dirname(os.path.abspath(__file__))
    app_file = os.path.join(current_dir, "app.py")

    if not os.path.exists(app_file):
        print(f"错误: 找不到 app.py 在 {current_dir}")
        return

    print("🚀 正在启动 Streamlit 应用...")
    print("🌐 浏览器将自动打开: http://localhost:8501")
    print("⏹️ 按 Ctrl+C 停止应用")
    print("-" * 50)

    try:
        # 运行streamlit
        subprocess.run([sys.executable, "-m", "streamlit", "run", app_file])
    except KeyboardInterrupt:
        print("\n⏹️ 应用已停止")
    except Exception as e:
        print(f"❌ 启动失败: {e}")


if __name__ == "__main__":
    main()

　　这样，一个超简单的交互界面就完成了，如下：

 

3. 问答系统

　　先去阿里创建一个模型需要的API-KEY。

　　

 　　由于，我们这里无法访问外网，不再使用国外的openai调用模型。页面中有个模型用量，有一定的免费额度，可以开启。

 

 首先，我们需要在项目中配置一个.env文件，存放我们的api-key，就一行，如下:

DASHSCOPE_API_KEY=我们的api-key
然后编写主要程序，如下:

#app2.py

import streamlit as st

#设置页面显示标题
st.title("问答系统")
#生成一个文本框，带有提示信息
question=st.text_input("请输入你想问的问题")


import os
from dotenv import load_dotenv
from langchain_community.llms import Tongyi

# 从.env文件加载环境变量
load_dotenv()

# 阿里云DashScope API Key（不是OpenAI的）
api_key = os.getenv("DASHSCOPE_API_KEY")

# 初始化通义千问模型
llm = Tongyi(
    dashscope_api_key=api_key,
    model_name="qwen-plus"  # 可选：qwen-turbo, qwen-plus, qwen-max 等
)

# question = "我国的最大淡水湖是哪个?
if question:
    promot=question+"用最简短的文字回答"
    response = llm.invoke(promot)
    print(response)
    st.write(response)

　　我们可以通过运行命令streamlit run app2.py来启动应用。或者直接通过下面的代码启动:

# run_app.py
import subprocess
import sys
import os


def main():
    """启动Streamlit应用"""
    # 获取当前目录
    current_dir = os.path.dirname(os.path.abspath(__file__))
    app_file = os.path.join(current_dir, "app2.py")

    if not os.path.exists(app_file):
        print(f"错误: 找不到 app2.py 在 {current_dir}")
        return

    print("🚀 正在启动 Streamlit 应用...")
    print("🌐 浏览器将自动打开: http://localhost:8501")
    print("⏹️ 按 Ctrl+C 停止应用")
    print("-" * 50)

    try:
        # 运行streamlit
        subprocess.run([sys.executable, "-m", "streamlit", "run", app_file])
    except KeyboardInterrupt:
        print("\n⏹️ 应用已停止")
    except Exception as e:
        print(f"❌ 启动失败: {e}")


if __name__ == "__main__":
    main()

运行后，如下:

 

　　简单测试一下，输入问题回车，效果如下:

　　

 　

　　小结:使用streamlit开发交互界面，无法连上外网，所以无法测试OpenAI调用大模型，最后使用了国内的然后通过from langchain_community.llms import Tongyi去调用qwen大模型，最后可以发现回答很简洁，是因为我提示词让模型回答的简洁一点。另外，我们也可以使用ollama,vllm去部署本地大模型，尽情期待!

 

 

　　不足或错误之处，欢迎指出与评论。