LangChain：把 LLM 拼成真正的应用

# 第一步：用 init_chat_model 拿到模型，「厂商:模型名」一个字符串就够
# 模型名换成你账号可用的任何型号即可，以各服务商控制台为准
from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-5.5", temperature=0)
print(model.invoke("用一句话说明什么是 LLM 应用编排").text)

from langchain.agents import create_agent

def get_word_count(text: str) -> int:
    """统计一段文本去掉空格后的字数。"""
    return len(text.replace(" ", ""))

agent = create_agent(
    model="openai:gpt-5.5",          # 也能传 init_chat_model 的返回值
    tools=[get_word_count],           # 函数列表，模型自己决定何时调用
    system_prompt="你是文字助手，需要统计字数时调用工具。",
)

result = agent.invoke(
    {"messages": [{"role": "user", "content": "数一数这句有多少字：大模型应用落地"}]}
)
print(result["messages"][-1].text)    # 取最后一条消息，就是最终回答

from langchain.messages import SystemMessage, HumanMessage, AIMessage, ToolMessage

messages = [
    SystemMessage("你是一名严谨的技术编辑。"),
    HumanMessage("用一句话解释什么是 RAG。"),
]
reply = model.invoke(messages)   # 返回 AIMessage
print(reply.text)                # .text 是纯文本
print(reply.content_blocks)      # 标准化内容块，兼容各厂商的推理/引用等信息

from pydantic import BaseModel

class BookReview(BaseModel):
    title: str
    score: int        # 1-10
    reason: str

review = model.with_structured_output(BookReview).invoke(
    "给《三体》写一条 30 字短评"
)
print(review.title, review.score)    # 已经是 Python 对象，不是字符串

from langchain.tools import tool

@tool
def get_weather(city: str) -> str:
    """查询一个城市今天的天气。"""
    return f"{city}：晴，26°C"       # 真实项目里换成调用天气 API

resp = model.bind_tools([get_weather]).invoke("北京天气怎么样？")
print(resp.tool_calls)   # 模型说：想调 get_weather，参数是……执行权在你手上

from langchain_community.document_loaders import TextLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_openai import OpenAIEmbeddings
from langchain_core.vectorstores import InMemoryVectorStore

docs = TextLoader("notes.txt", encoding="utf-8").load()
chunks = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50,
).split_documents(docs)

store = InMemoryVectorStore.from_documents(chunks, OpenAIEmbeddings())
print(store.similarity_search("部署要点", k=3))   # 直接检索试一下
retriever = store.as_retriever(search_kwargs={"k": 3})  # 或包成检索器接进链里

from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    model="openai:gpt-5.5",
    tools=[get_weather],
    system_prompt="你是可靠的助手。",
    checkpointer=InMemorySaver(),     # 生产可换持久化实现
)
cfg = {"configurable": {"thread_id": "user-42"}}   # 同一个 id = 同一个会话
agent.invoke({"messages": [{"role": "user", "content": "我叫小林"}]}, cfg)
agent.invoke({"messages": [{"role": "user", "content": "我叫什么？"}]}, cfg)

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY=lsv2_...
# 之后所有调用自动上报到 smith.langchain.com，先注册拿 key

# 运行前：pip install -U langchain langchain-openai
# 密钥：export OPENAI_API_KEY=sk-...
from langchain_core.vectorstores import InMemoryVectorStore
from langchain_openai import OpenAIEmbeddings

texts = [
    "LangChain 1.x 的核心入口是 create_agent，智能体底层由 LangGraph 驱动。",
    "init_chat_model 用「厂商:模型名」字符串初始化任意厂商的对话模型。",
    "RAG 三件套：文档加载、切分、向量库与检索器，检索结果作为上下文交给模型。",
    "LangSmith 是官方观测平台，设置 LANGSMITH_TRACING=true 即可记录每次调用。",
]

# 向量化并写入内存向量库；真实项目里 texts 换成 loader 读出的文档切分结果
store = InMemoryVectorStore.from_texts(texts, embedding=OpenAIEmbeddings())

from langchain.chat_models import init_chat_model
from langchain_core.prompts import ChatPromptTemplate
from langchain_core.runnables import RunnablePassthrough

retriever = store.as_retriever(search_kwargs={"k": 2})   # 每次取最相关的 2 段
llm = init_chat_model("openai:gpt-5.5", temperature=0)

prompt = ChatPromptTemplate.from_template(
    "仅根据下面的资料回答问题；资料里没有的就直说不知道。\n\n"
    "资料：\n{context}\n\n问题：{question}"
)

def format_docs(docs):
    return "\n\n".join(d.page_content for d in docs)

chain = (
    {"context": retriever | format_docs, "question": RunnablePassthrough()}
    | prompt
    | llm
)

if __name__ == "__main__":
    while True:
        q = input("\n问题（直接回车退出）> ").strip()
        if not q:
            break
        print(chain.invoke(q).text)

$ python rag_demo.py

问题（直接回车退出）> 1.x 用什么构建智能体？
1.x 通过 create_agent() 构建智能体，底层由 LangGraph 驱动，支持持久化与流式。

# pip install langchain-community langchain-chroma
from langchain_community.document_loaders import PyPDFLoader
from langchain_text_splitters import RecursiveCharacterTextSplitter
from langchain_chroma import Chroma

docs = PyPDFLoader("handbook.pdf").load()          # 换 loader
chunks = RecursiveCharacterTextSplitter(
    chunk_size=500, chunk_overlap=50,
).split_documents(docs)

store = Chroma.from_documents(                       # 换向量库，落盘
    chunks, OpenAIEmbeddings(), persist_directory="./db"
)
retriever = store.as_retriever(search_kwargs={"k": 2})
# 下面的 prompt、chain 原样复用——组件可替换正是分层的好处

echo $OPENAI_API_KEY            # 有输出才算配上了
pip show langchain langchain-openai | grep -E 'Name|Version'
python -c "from dotenv import load_dotenv; load_dotenv(); import os; print(bool(os.getenv('OPENAI_API_KEY')))"

hits = store.similarity_search("1.x 用什么构建智能体？", k=2)
for d in hits:
    print("---")
    print(d.page_content[:120])      # 捞回来的片段对不对，肉眼判断