当前位置：首页 > news >正文

AI(学习笔记第二课) 使用langchain进行AI开发

news 来源：原创 2025/8/13 16:31:36

文章目录

AI(学习笔记第二课) 使用langchain进行AI开发
学习内容：
- 1. 使用背景
- 2.创建`python`（`pycharm community版`）开发环境并连接`deepseek`
- - 2.1 创建`python`（`pycharm community版`）开发环境
  - 2.2 创建`python`工程
  - 2.3 写入初始`python`的`AI`代码
  - 2.4 使用`pycharm`导入必要的包进入`venv`
  - 2.5 使用`langchain`导入必要的包
  - 2.6 执行`AI`的`langchain`代码
- 3. 结合`ollama`构造`知识向量库`并进行`RAG`
- - 3.1 构建本地的`ollama`服务
  - - 3.1.1 构建`ollama`的`LLM`大模型完全通过`deepseek.com`就可以查询到。
    - 3.1.2 在 Windows 上安装 Ollama 的步骤如下：
    - 3.1.3 验证`ollama`的启动情况
  - 3.2 使用`langchain`测试本地的`ollama`服务
  - - 3.2.1 测试代码
    - 3.2.2 执行代码
  - 3.3 进行`RAG Retrieval Argumented`测试
  - - 3.3.1 知之为知之，不知`AI`知
    - 3.3.2 测试代码
    - 3.3.3 执行代码

AI(学习笔记第二课) 使用langchain进行AI开发

创建python开发环境（pycharm community版）并连接deepseek
结合ollama构造知识向量库

学习内容：

创建python开发环境并连接deepseek
结合ollama构造知识向量库，进行Retrieval-Augmented Generation (RAG)

1. 使用背景

pycharm已经是非常主流的python IDE，在开发工作是经常使用，这里通过pycharm进行python的AI开发。pycharm community版是开源的开发IDE，所以在开发中选择使用pycharm。
ollama也是AI开发的开源大模型，可以从ollama得到很多的大模型，这里大模型采用ollama。
知识向量库是RAG Retrieval-Augmented Generation的基础，可以使用知识向量库给AI提供公司内部的数据文件，让其可以拥有AI的分析基础数据。
langchain是一个AI开发平台，使用langchain，能够简化和规范AI开发的流程。

在这里插入图片描述

2.创建`python`（`pycharm community版`）开发环境并连接`deepseek`

2.1 创建`python`（`pycharm community版`）开发环境

这里在windows上安装，所以选择windows版。

pycharm windows
选择pycharm community版

2.2 创建`python`工程

在这里插入图片描述
这里，默认使用python venv环境，进行虚拟环境的设定。之后创建src代码文件夹。
同时，创建langchain_deepseek.py文件进行AI的入门测试。

2.3 写入初始`python`的`AI`代码

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain.schema import HumanMessage# 配置 DeepSeek API（deepseek 兼容 OpenAI）
llm = ChatOpenAI(api_key = 'your own deepseek key',base_url = 'https://api.deepseek.com/v1',model='deepseek-chat'# 或其他 DeepSeek 模型
)# 直接调用
response = llm.invoke("你好，DeepSeek！")
print(response.content)# 使用 PromptTemplate
prompt = ChatPromptTemplate.from_messages([("system", "你是一个专业的AI助手"),("user", "{question}")
])
chain = prompt | llm
result = chain.invoke({"question": '请解释机器学习的基本概念'})
print(result.content)

这里langchain没有直接专用deepseek的包，所以使用langchain_openai。
这里，调用ChatPromptTemplate.from_messages的时候，有两种prompt。
- system --系统提示词一般指在整个AI应用中不变化的部分，作为系统提示词。
- user --用户提示词一般指在整个AI应用中根据用户提示的，变化的提示词。

2.4 使用`pycharm`导入必要的包进入`venv`

在这里插入图片描述

2.5 使用`langchain`导入必要的包

python -m pip install langchain-openai langchain langchain-core

2.6 执行`AI`的`langchain`代码

在这里插入图片描述
可以看出，这里已经采用langchain连接上deepseek进行AI对话了。

3. 结合`ollama`构造`知识向量库`并进行`RAG`

3.1 构建本地的`ollama`服务

3.1.1 构建`ollama`的`LLM`大模型完全通过`deepseek.com`就可以查询到。

http://deepseek.com
如何在windows上安装ollama 使用自然语言进行AI对话

3.1.2 在 Windows 上安装 Ollama 的步骤如下：

1. 下载 Ollama
- 访问 Ollama 的官方 GitHub 发布页面：Ollama Releases
- 找到最新的 Windows 版本（通常是 .exe 安装文件），例如 OllamaSetup.exe，然后下载。
1. 运行安装程序
- 双击下载的 OllamaSetup.exe 文件。
- 按照安装向导的提示完成安装（通常只需点击“下一步”即可）。
1. 验证安装
- 安装完成后，Ollama 应该会自动启动。
- 打开 命令提示符（CMD） 或 PowerShell，运行以下命令检查是否安装成功：
```
ollama --version
```
  如果返回版本号，说明安装成功。**
1. 运行 Ollama
- 在终端运行：
```
ollama run llama2
```
  这会下载并运行 llama2 模型（首次运行需要下载模型，可能需要一些时间）。
1. （可选）设置环境变量
- 如果 ollama 命令无法识别，可能需要手动将 Ollama 的安装路径添加到系统环境变量 PATH 中：
  1. 右键“此电脑” > “属性” > “高级系统设置” > “环境变量”。
  2. 在 PATH 变量中添加 Ollama 的安装路径（默认可能是 C:\Program Files\Ollama）。
1. 更新 Ollama
- 如果有新版本，可以重新下载安装包覆盖安装，或运行：
```
ollama update
```
常见问题
权限问题：如果安装失败，尝试以管理员身份运行安装程序。
防火墙阻止：确保 Ollama 可以访问网络（下载模型需要联网）。
GPU 支持：Ollama 默认使用 CPU，如需 GPU 加速，确保已安装 NVIDIA 驱动并支持 CUDA。
现在你应该可以在 Windows 上使用 Ollama 运行各种大语言模型了！ 🎉

3.1.3 验证`ollama`的启动情况

这里，使用mac机器进行安装，IP为192.168.2.208。http://192.168.2.208:11434
出现下图，就表示正常已经LLM大模型在本地进行正常动作了。
在这里插入图片描述

3.2 使用`langchain`测试本地的`ollama`服务

3.2.1 测试代码

from langchain_community.llms import Ollama
from langchain.chains import LLMChain
from langchain.prompts import ChatPromptTemplate
import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)# 初始化Ollama模型
llm = Ollama(model="deepseek-r1:1.5b",base_url="http://192.168.2.208:11434")# 创建提示模板
prompt = ChatPromptTemplate.from_template("用简单的语言解释以下概念: {concept}"
)# 创建链
chain = LLMChain(llm=llm, prompt=prompt)# 运行链
concept = "llamaIndex"
result = chain.run(concept=concept)
print(result)

注意，同时安装必要的python package
在这里插入图片描述

3.2.2 执行代码

在这里插入图片描述

3.3 进行`RAG Retrieval Argumented`测试

3.3.1 知之为知之，不知`AI`知

使用LangChain构建向量数据库与Ollama集成@deepseek.com，问问AI会得到你想要的答案。
为什么不用自己构建的ollama，因为自己构建的本地机器性能太差，大模型查询一下耗时太长。

3.3.2 测试代码

import warnings
warnings.filterwarnings("ignore", category=DeprecationWarning)
from langchain.document_loaders.pdf import PyMuPDFLoaderfrom langchain.text_splitter import RecursiveCharacterTextSplitter
from langchain.vectorstores import Chromafrom langchain.embeddings import OllamaEmbeddings
from langchain.vectorstores import Chroma
from langchain.embeddings import OllamaEmbeddingsfrom langchain.llms import Ollama
from langchain.chains import RetrievalQAtry:# 创建文档loader，这里使用pdf loader# langchain提供了大量的loaderloader = PyMuPDFLoader(file_path="../test_pdf/test.pdf",mode="single",pages_delimiter="")documents = loader.load()# 对文档进行分割text_splitter = RecursiveCharacterTextSplitter(chunk_size=1000,chunk_overlap=200)splits = text_splitter.split_documents(documents)# 使用Ollama的嵌入模型embeddings = OllamaEmbeddings(model="llama2")# 创建向量数据库,文档指定为上面的分割结果splitsvectorstore = Chroma.from_documents(documents=splits,embedding=embeddings,persist_directory="../chroma/chroma_db")# 使用chat大模型，指定在retriever中回答提问(人类的自然语言)llm = Ollama(model="llama2")qa_chain = RetrievalQA.from_chain_type(llm,retriever=vectorstore.as_retriever(),chain_type="stuff"  # 简单文档拼接方式)query = "文档中提到了哪些重要概念？"result = qa_chain({"query": query})print(result["result"])except Exception as e:error_msg = f"执行错误: {e}"print(error_msg)  # Continue 会捕获控制台输出

在这里插入图片描述

3.3.3 执行代码

TODO（继续检证）

文章目录

AI(学习笔记第二课) 使用langchain进行AI开发

学习内容：

1. 使用背景

2.创建python（pycharm community版）开发环境并连接deepseek

2.1 创建python（pycharm community版）开发环境

2.2 创建python工程

2.3 写入初始python的AI代码

2.4 使用pycharm导入必要的包进入venv

2.5 使用langchain导入必要的包

2.6 执行AI的langchain代码

3. 结合ollama构造知识向量库并进行RAG

3.1 构建本地的ollama服务

3.1.1 构建ollama的LLM大模型完全通过deepseek.com就可以查询到。

3.1.2 在 Windows 上安装 Ollama 的步骤如下：

3.1.3 验证ollama的启动情况

3.2 使用langchain测试本地的ollama服务

3.2.1 测试代码

3.2.2 执行代码

3.3 进行RAG Retrieval Argumented测试

3.3.1 知之为知之，不知AI知

3.3.2 测试代码

3.3.3 执行代码

相关文章：

2.创建`python`（`pycharm community版`）开发环境并连接`deepseek`

2.1 创建`python`（`pycharm community版`）开发环境

2.2 创建`python`工程

2.3 写入初始`python`的`AI`代码

2.4 使用`pycharm`导入必要的包进入`venv`

2.5 使用`langchain`导入必要的包

2.6 执行`AI`的`langchain`代码

3. 结合`ollama`构造`知识向量库`并进行`RAG`

3.1 构建本地的`ollama`服务

3.1.1 构建`ollama`的`LLM`大模型完全通过`deepseek.com`就可以查询到。

3.1.3 验证`ollama`的启动情况

3.2 使用`langchain`测试本地的`ollama`服务

3.3 进行`RAG Retrieval Argumented`测试

3.3.1 知之为知之，不知`AI`知