# LangChainDemo

**Repository Path**: ji_wei_yang/LangChainDemo

## Basic Information

- **Project Name**: LangChainDemo
- **Description**: 本项目是一个基于LangChain的示例集合，涵盖了从基础的大模型交互到高级功能如自定义工具、代理执行、文本向量化以及检索增强生成（RAG）等应用场景。每个文件代表了不同的学习阶段和技能点。
- **Primary Language**: Python
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 3
- **Forks**: 0
- **Created**: 2025-07-09
- **Last Updated**: 2025-11-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LangChainDemo
[![Python](https://img.shields.io/badge/Python-3.10+-blue.svg)](https://www.python.org/downloads/)
[![LangChain](https://img.shields.io/badge/LangChain-0.3+-green.svg)](https://langchain.com/)
[![License](https://img.shields.io/badge/License-MIT-yellow.svg)](LICENSE)

## 项目结构
```
.
├── config
│   ├── __init__.py
│   └── load_key.py
├── 1_1langchain第一战.py
├── 1_2快速切换其他大模型.py
├── 1_3大模型的其他交互方式.py
├── 2_1LCEL链式表达式.py
├── 2_2基于 Redis 保存历史聊天信息.py
├── 2_3聊天历史整合 LCEL.py
├── 3_1AI大模型工具机制.py
├── 3_2深度定制本地工具.py
├── 3_3使用Agent执行工具.py
├── 4_1文本向量化.py
├── 4_2持久化向量数据.py
├── 5_1RAG之 Indexing 建立索引.py
├── 5_2RAG之 Retrivel 检索增强.py
├── 5_3RAG之提升质量.py
├── 8_1MCP_Server.py
├── 8_2MCP_Client.py
├── 8_3LangChain_MCP.py
└── Keys.json
```

## 项目描述
本项目是一个基于LangChain的示例集合，涵盖了从基础的大模型交互到高级功能如自定义工具、代理执行、文本向量化以及检索增强生成（RAG）等应用场景。每个文件代表了不同的学习阶段和技能点。

## 配置说明
配置文件`Keys.json`中包含了必要的API密钥和服务地址，确保程序能够正确访问外部服务。_此文件会在首次调用大模型时自动生成_
```json
{
    "siliconflow_base_url": "https://api.siliconflow.cn/v1",
    "siliconflow_api_key": "sk-xxxxxxxxxx",
    "deepseek_api_key": "sk-xxxxxxxx",
    "REDIS_URL": "redis://localhost:6379/0"
}
```
**本项目大量使用的是[硅基流动](https://cloud.siliconflow.cn/i/3esVN9SY)的大模型，请确保在运行任何脚本之前已经正确配置了API密钥。**
通过我的[邀请链接](https://cloud.siliconflow.cn/i/3esVN9SY)注册可以获得14元的API额度

## 文件详情
- `config/load_key.py`: 加载配置文件中的密钥。
- `1_1langchain第一战.py`: 初识LangChain，简单的翻译任务。
- `1_2快速切换其他大模型.py`: 展示如何快速切换不同的大模型。
- `1_3大模型的其他交互方式.py`: 探索大模型的多种交互方式，如流式输出、提示词模板和定制参数。
- `2_1LCEL链式表达式.py`: 使用LCEL构建链式表达式处理任务。
- `2_2基于 Redis 保存历史聊天信息.py`: 利用Redis保存和恢复聊天历史。
- `2_3聊天历史整合 LCEL.py`: 将聊天历史整合进LCEL流程。
- `3_1AI大模型工具机制.py`: 定义和使用自定义工具与大模型互动。
- `3_2深度定制本地工具.py`: 将自定义的链转换为工具供大模型调用。
- `3_3使用Agent执行工具.py`: 使用Agent来执行一系列工具。
- `4_1文本向量化.py`: 文本向量化及相似度计算。
- `4_2持久化向量数据.py`: 向量数据的持久化存储与检索。
- `5_1RAG之 Indexing 建立索引.py`: 构建文档索引以支持后续的检索。
- `5_2RAG之 Retrivel 检索增强.py`: 实现检索增强生成，提高回答的质量。
- `5_3RAG之提升质量.py`: 提升RAG应用质量的方法论。
- `8_1MCP_Server.py`: MCP协议的服务端实现。
- `8_2MCP_Client.py`: MCP协议的客户端实现。
- `8_3LangChain_MCP.py`: 将MCP协议集成到LangChain中。

## 安装依赖
运行以下命令安装项目所需的依赖：
```
pip install -r requirements.txt
```

## 运行指南
根据具体的需求运行相应的脚本文件。例如，要运行基本的LangChain示例，可以执行：
```
python 1_1langchain第一战.py
```

请确保在运行任何脚本之前已经正确配置了所有必要的API密钥和其他环境设置。