pip install langchain openai python-dotenv

OPENAI_API_KEY=你的API密钥

from langchain.llms import OpenAI
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 初始化OpenAI LLM模型
llm = OpenAI(
    model_name="text-davinci-003",  # OpenAI最强大的文本模型之一
    temperature=0.7,               # 控制输出的创造性(0-1)
    max_tokens=1000,               # 限制响应长度
    openai_api_key=os.getenv("OPENAI_API_KEY")
)

def simple_qa(question):
    prompt = f"""
    请回答以下问题，并解释你的思考过程：

    问题: {question}

    回答:
    """

    response = llm(prompt)
    return response

# 测试问答函数
question = "为什么天空是蓝色的？"
print(simple_qa(question))

天空呈现蓝色是由于瑞利散射现象。当太阳光穿过大气层时，波长较短的蓝光比波长较长的红光更容易被空气分子散射到各个方向。这种散射过程被称为瑞利散射。

思考过程：
1. 首先考虑光的性质及其在大气中的行为
2. 回忆不同颜色光对应的波长差异（蓝光波长较短）
3. 理解散射现象对不同波长光的影响程度不同
4. 综合这些因素得出最终结论

from langchain.prompts import PromptTemplate
from langchain.chains import LLMChain

# 定义更结构化的提示模板
prompt_template = PromptTemplate(
    input_variables=["question"],
    template="""
    请按照以下步骤回答问题：

    问题: {question}

    1. [理解]首先分析问题的核心是什么：_______
    2. [检索]回忆相关知识：_______
    3. [推理]基于这些知识进行逻辑推理：_______
    4. [验证]检查推理是否合理：_______
    5. [结论]最终答案：_______
    """
)

# 创建链式处理流程
qa_chain = LLMChain(llm=llm, prompt=prompt_template)

# 测试增强版问答系统
response = qa_chain.run("为什么植物是绿色的？")
print(response)

1. [理解]首先分析问题的核心是什么：植物为什么呈现绿色，这与它们的色素有关。
2. [检索]回忆相关知识：植物含有叶绿素这种色素，主要用于光合作用。
3. [推理]基于这些知识进行逻辑推理：叶绿素吸收红光和蓝光较多，反射绿光。
4. [验证]检查推理是否合理：这与我们观察到的植物颜色一致。
5. [结论]最终答案：植物呈现绿色是因为它们含有叶绿素，这种色素主要反射绿光波段的光线。

from langchain.memory import ConversationBufferMemory

# 创建带记忆功能的对话链
memory = ConversationBufferMemory()
conversation_chain = LLMChain(
    llm=llm,
    prompt=PromptTemplate(
        input_variables=["history", "input"],
        template="""
        当前对话历史:
        {history}

        用户最新问题: {input}

        请逐步思考并回答:
        """
    ),
    memory=memory,
    verbose=True  # 显示详细处理过程
)

# 测试对话系统（多次交互保留上下文）
conversation_chain.run("什么是光合作用？")
conversation_chain.run("它为什么对植物很重要？")

from langchain.agents import load_tools, initialize_agent, AgentType

# 加载工具集（需要额外安装某些包）
tools = load_tools(["serpapi", "llm-math"], llm=llm)

# 初始化代理(agent)
agent = initialize_agent(
    tools,
    llm,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,
    verbose=True,
)

# Agent会自动决定何时使用计算器或搜索引擎查询数据后再回答复杂问题
result = agent.run("截至2023年，中国人口是多少？是美国人口的多少倍？")
print(result)

# Good -限制最大token数和温度参数来控制成本和质量平衡 
llm = OpenAI(max_tokens=500, temperature=0)  

# Bad -不设限制可能导致意外的高额账单 
llm = OpenAI()  

# Good -结构化提示模板提高稳定性 
template="""分三步回答: 
1)理解:{question}的核心是什么? 
2)分析:相关因素有哪些? 
3)结论:综合以上得出什么答案?"""

# Bad -过于简单的提示可能导致不稳定的输出 
template="回答:{question}"  

from tenacity import retry, stop_after_attempt 

@retry(stop=stop_after_attempt(3)) 
def safe_query(prompt):     
"""添加重试机制的查询函数"""     
try:         
return llm(prompt)     
except Exception as e:         
print(f"Error occurred: {e}")         
raise  

from langchain.cache import InMemoryCache  
from langchain.globals import set_llm_cache  

set_llm_cache(InMemoryCache()) #缓存重复查询结果  

#混合多个专家模型获得更好效果  
from langchain.chains import MultiPromptChain  

experts={'物理':'你是一位物理学教授...',          
'生物':'你是一位生物学博士...'}  

multi_chain = MultiPromptChain.from_expert(llm,experts)  
multi_chain.run("光合作用中的量子效应")