# langchain-scratch

**Repository Path**: zypdominate/langchain-scratch

## Basic Information

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

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2025-12-30
- **Last Updated**: 2026-02-03

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LangChain 学习与实践项目

这个项目是我在学习 LangChain 框架过程中整理的一些示例代码和实战项目。主要目的是通过实际动手来理解 LangChain 的各种功能，包括模型调用、提示模板、链式组合、RAG 检索增强生成、Agent 工具调用等等。

## 项目结构

项目主要分为两部分：学习示例和实战项目。

### 学习示例

在 `demo` 目录下，我按照学习顺序整理了一系列示例代码：

- `1.langchain_deepseek-api.py` - 调用 DeepSeek API 的基础示例
- `2.langchain-ollama-local.py` - 使用本地 Ollama 部署的模型
- `3.prompt_template.py` - 学习 PromptTemplate 字符串模板
- `4.chat_prompt_template.py` - 学习 ChatPromptTemplate 对话模板
- `5.StrOutputParser.py` - 字符串输出解析器
- `6.JsonOutputParser.py` - JSON 输出解析器
- `7.PydanticOutputParser.py` - Pydantic 结构化输出解析器
- `8.chain_lcel.py` - LCEL 链式组合语法
- `9.chain_stream.py` - 流式输出处理
- `10.langchain_text_load.py` - 文档加载示例
- `11.langchain_text_splitter.py` - 文本切分示例
- `12.embedding_huggingface.py` - 使用 HuggingFace 的嵌入模型
- `13.RAG.py` - RAG 检索增强生成完整示例
- `14.RunnerableWithMsgHistory.py` - 消息历史记录
- `15.persist_chat_history.py` - 持久化聊天历史
- `16.agent_tool.py` - Agent 和自定义工具
- `17.agent_langchain_tools.py` - 使用 LangChain 内置工具

这些示例代码基本覆盖了 LangChain 的核心功能，每个文件都可以独立运行，方便学习和调试。

### 实战项目

#### 1. RAG 知识库问答系统

位置：`demo/rag_project/`

这是一个基于 RAG 技术的知识库问答系统，主要功能包括：

- 支持上传 PDF、Markdown、Word 等多种格式的文档
- 自动将文档切分、向量化并存储到 Chroma 向量数据库
- 通过自然语言查询，从知识库中检索相关内容并生成答案
- 支持流式输出，实时显示回答内容
- 显示答案的来源文档，方便追溯

使用 Streamlit 构建了简单的 Web 界面，可以直接在浏览器中上传文档和提问。

运行方式：
```bash
cd demo/rag_project
streamlit run app.py
```

#### 2. Swagger 接口测试代码生成器

位置：`demo/swagger_testgen/`

这个工具可以自动从 Swagger 接口文档生成 Pytest 测试代码，主要功能：

- 上传 Swagger JSON 或 YAML 文件
- 自动解析接口列表
- 选择指定接口后，使用大模型生成对应的测试代码
- 生成的代码可以直接使用，包含基本的断言和请求发送逻辑

同样使用 Streamlit 构建界面，操作简单直观。

运行方式：
```bash
cd demo/swagger_testgen
streamlit run app.py
```

## 环境配置

### 创建 Python 环境

推荐使用 conda 创建独立的 Python 环境：

```bash
conda create -n langchain python=3.12 -y
conda activate langchain
```

### 依赖安装

项目依赖都在 `requirements.txt` 中，直接安装即可：

```bash
pip install -r requirements.txt
```

如果需要手动安装核心依赖，也可以使用以下命令：

```bash
pip install langchain==0.3.25
pip install langchain-openai==0.3.16
pip install langchain-deepseek==0.1.3
pip install langchain-ollama==0.3.2
```

主要依赖包括：
- LangChain 核心库和社区扩展
- 文档处理相关库（pypdf、python-docx 等）
- 向量数据库 ChromaDB
- 嵌入模型相关库（HuggingFace）
- Streamlit 用于构建 Web 界面

### 模型配置

项目支持多种大模型调用方式，通过 `demo/llm_factory.py` 统一管理。需要在项目根目录创建 `.env` 文件配置：

```ini
# 选择使用的模型提供商：ollama_deepseek | ollama_qwen | deepseek | openai
LLM_PROVIDER=ollama_deepseek

# Ollama 配置（如果使用本地模型）
OLLAMA_DEEPSEEK_MODEL=deepseek-r1:1.5b
OLLAMA_QWEN_MODEL=qwen2.5:7b
OLLAMA_TEMPERATURE=0.5

# DeepSeek API 配置
DEEPSEEK_API_KEY=your_api_key_here
DEEPSEEK_MODEL=deepseek-chat
DEEPSEEK_TEMPERATURE=0.5

# OpenAI API 配置
OPENAI_MODEL=gpt-4
OPENAI_TEMPERATURE=0.5
```

如果使用本地 Ollama 模型，需要先安装并配置 Ollama 服务。如果使用云端 API，需要先获取对应的 API Key。

### Ollama 本地模型配置

**安装 Ollama**

下载安装 Ollama：[https://ollama.com/download](https://ollama.com/download)

Windows 系统默认会安装到 `C:\Users\username\AppData\Local\Programs\Ollama`

验证安装是否成功：
```bash
ollama --version
```

**下载和运行模型**

选择并下载模型，例如 [deepseek-r1:1.5b](https://ollama.com/library/deepseek-r1:1.5b)：

```bash
ollama run deepseek-r1:1.5b      # 运行模型，第一次会自动下载
ollama list                      # 列出所有已安装的模型
ollama remove deepseek-r1:1.5b   # 删除指定模型
```

**迁移模型存放位置（可选）**

为了避免模型文件占满 C 盘，可以将模型文件迁移到其他盘：

1. 退出 Ollama 服务
2. 将 `C:\Users\<用户名>\.ollama\models` 目录剪切到目标位置（如 `D:\ProgramData\Ollama\models`）
3. 在默认目录创建符号链接（需要管理员权限）：

   ```
   mklink /D C:\Users\<用户名>\.ollama\models D:\ProgramData\Ollama\models
   ```



**配置代理问题**

Windows 环境下如果出现 502 错误，但命令行可以使用 ollama 命令，可能是本地代理导致的问题。可以在代码中关闭代理：

```python
# 在初始化 llm 之前添加，确保不走代理
import os
os.environ['HTTP_PROXY'] = ""
os.environ['HTTPS_PROXY'] = ""
os.environ['NO_PROXY'] = "localhost,127.0.0.1"
```

> 提示：更多关于 Ollama 的使用说明，可以参考 `LangChain框架.md` 文档中的 "1.3.3 调用本地 Ollama 部署的 DeepSeek" 章节。

## 使用说明

### 运行单个示例

直接运行对应的 Python 文件即可：

```bash
python demo/1.langchain_deepseek-api.py
```

所有示例代码都是可以直接运行的，只需要确保 `.env` 文件配置正确。

### 运行实战项目

两个实战项目都使用 Streamlit 构建，启动后会在浏览器中打开界面：

```bash
# RAG 知识库问答系统
cd demo/rag_project
streamlit run app.py

# Swagger 测试代码生成器
cd demo/swagger_testgen
streamlit run app.py
```

## 学习路径

如果是第一次接触 LangChain，建议按照以下顺序学习：

1. 先看基础示例 1-2，了解如何调用不同的模型
2. 学习 3-4，理解提示模板的使用
3. 学习 5-7，掌握输出解析器的用法
4. 学习 8-9，理解链式组合和流式输出
5. 学习 10-12，了解文档处理和向量化
6. 学习 13，完整理解 RAG 的实现流程
7. 学习 14-15，掌握对话历史管理
8. 学习 16-17，了解 Agent 和工具调用
9. 最后看两个实战项目，理解如何将知识点组合成完整应用

## 注意事项

### 通用注意事项

- 使用本地 Ollama 模型时，需要先确保 Ollama 服务正在运行
- 使用云端 API 时，注意 API Key 的安全性，不要提交到代码仓库
- 向量数据库会占用一定磁盘空间，ChromaDB 的数据默认存储在 `vectorstore` 目录
- 首次使用 HuggingFace 嵌入模型时会自动下载，需要一定时间

### Windows 环境常见问题

**PyTorch DLL 加载失败**

如果遇到以下错误：
```
OSError: [WinError 127] 找不到指定的程序。 Error loading
"D:\software\miniforge3\envs\langchain\Lib\site-packages\torch\lib\shm.dll" or one of
its dependencies.
```

解决方案：

1. 先安装 [Visual C++ Redistributable](https://learn.microsoft.com/zh-cn/cpp/windows/latest-supported-vc-redist?view=msvc-170)，安装后重启电脑

2. 如果问题依然存在，重新安装 PyTorch（CPU 版本）：
```bash
conda run -n langchain pip uninstall -y torch torchvision torchaudio transformers sentence-transformers
conda install -n langchain pytorch torchvision torchaudio cpuonly -c pytorch -y
```

3. 或者使用 FastEmbedEmbeddings 替代，避免依赖 transformers/torch，解决 Windows 上 torch DLL 加载失败的问题：

```bash
pip install "langchain-community[fastembed]" fastembed
```

然后在代码中使用 `FastEmbedEmbeddings` 替代 `HuggingFaceEmbeddings`。

## 参考资料

项目中还包含了一个 `LangChain框架.md` 文档，详细介绍了 LangChain 的各个模块和使用方法，可以作为学习参考。

## 后续计划

这个项目还在持续更新中，后续可能会添加：
- 更多实用的示例代码
- 其他类型的实战项目
- 性能优化和最佳实践

如果有什么问题或建议，欢迎提出。