# LangChain

**Repository Path**: MayLight/lang-chain

## Basic Information

- **Project Name**: LangChain
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: main
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-06-03
- **Last Updated**: 2025-06-13

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LangChain 学习课程

欢迎来到我的 LangChain 学习项目！

本项目通过一系列循序渐进的 Python 脚本，记录了从零开始学习 LangChain 核心概念的全过程。

## 环境配置

本项目依赖于一个 `env.example` 配置文件，其格式如下：

```env
# 用于大语言模型 (LLM) 的 API Key
OPENAI_API_KEY="sk-xxxxxxxxxxxxxxxxxxx"
# 你的 LLM 服务商提供的 API 地址 (例如阿里云 DashScope)
OPENAI_BASE_URL="https://dashscope.aliyuncs.com/compatible-mode/v1"
# 你要使用的聊天模型名称 (例如 qwen-plus-latest)
OPENAI_MODEL=qwen-plus-latest
# 你要使用的文本嵌入模型名称 (例如 text-embedding-v1)
OPENAI_EMBEDDING_MODEL=text-embedding-v1
```

## 课程目录

### 第一课：模型 (Models) - AI 的大脑
- `lesson_1_chat_model.py`: 演示如何初始化一个聊天模型并与之进行最基本的交互。

### 第二课：提示模板 (Prompt Templates) - 规范化指令
- `lesson_2_prompts.py`: 学习使用提示模板和 LCEL (`|`) 来动态地生成提示，构建第一个简单的链。

### 第三课：输出解析器 (Output Parsers) - 理解 AI 的回答
- `lesson_3_parsers.py`: 演示如何使用 `StrOutputParser` 和 `JsonOutputParser` 将模型的文本输出转换为结构化的字符串或 JSON 对象。
- `lesson_3b_pydantic_parser.py`: (进阶) 学习使用 `PydanticOutputParser` 将模型输出直接转换为类型安全的 Python 自定义对象。

### 第四课：记忆 (Memory) - 让 AI 拥有上下文
- `lesson_4_memory.py`: (已弃用) 使用经典的 `LLMChain` 和 `ConversationBufferMemory` 来实现对话记忆，用于理解基本概念。
- `lesson_4b_memory_lcel.py`: 使用现代的 `RunnableWithMessageHistory` 来实现一个可扩展的、按会话 ID 管理的对话记忆链。
- `lesson_4c_advanced_memory.py`: (进阶) 在 `RunnableWithMessageHistory` 基础上，通过自定义包装类实现"窗口记忆"，防止上下文过长。
- `lesson_4e_summary_lcel.py`: (高级) 完全使用 LCEL，通过自定义 `ChatMessageHistory` 类和一个独立的"摘要链"，从零开始构建一个健壮的、可定制的"摘要记忆"系统。

### 第五课：检索 (Retrieval) - 连接外部知识
- `my_knowledge.txt`: 一个示例文档，作为我们 RAG 应用的外部知识库。
- `lesson_5_rag.py`: 构建一个完整的 RAG (检索增强生成) 链，让 AI 能够根据 `my_knowledge.txt` 的内容来回答问题。

### 第六课：智能体 (Agents) - 赋予 AI 行动能力
- `lesson_6_agents.py`: 构建一个基于 ReAct 模式的 Agent，它能通过调用自定义的 Python 工具来完成计算任务，并展示了 Agent 的思考-行动-观察循环。

## 如何运行

在终端中，使用 `python` 命令运行你想要学习的脚本文件，例如：
```