# LangChain 学习项目

这是一个 LangChain 学习演示项目,涵盖了从基础调用到高级应用(RAG、Agent)的完整示例。

## 项目结构

```
lang-demo1/
├── notebooks/          # Jupyter 学习笔记
│   ├── demo1.ipynb    # 核心示例(7个主题)
│   └── sample.ipynb   # 基础示例
├── src/               # 可复用代码
│   ├── utils/        # 工具函数
│   └── chains/       # 自定义链
├── tests/            # 单元测试
├── data/             # 数据文件
└── models/           # 模型文件
```

## 快速开始

### 1. 安装依赖

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

主要依赖:
- `langchain` - LangChain 核心库
- `langchain-openai` - OpenAI 集成
- `langchain-community` - 社区工具
- `faiss-cpu` - 向量数据库
- `python-dotenv` - 环境变量管理

### 2. 配置环境变量

在项目根目录创建 `.env` 文件:

```env
# OpenAI API 配置
OPENAI_BASE_URL=你的API地址
OPENAI_API_KEY1=你的API密钥

# LangSmith 追踪配置(可选)
LANGSMITH_TRACING=true
LANGSMITH_API_KEY=你的LangSmith密钥
LANGSMITH_PROJECT=你的项目名
```

### 3. 运行示例

```bash
jupyter notebook
# 或
jupyter lab
```

然后打开 `notebooks/demo1.ipynb` 开始学习。

## 学习内容

### 1. 基础 LLM 调用
使用 `ChatOpenAI` 进行基本的模型调用

### 2. 提示词模板
使用 `ChatPromptTemplate` 创建结构化提示词

### 3. 输出解析器
使用 `JsonOutputParser` 将输出解析为 JSON 格式

### 4. 向量存储
使用 FAISS 向量数据库存储和检索文档

### 5. RAG (检索增强生成)
结合向量检索和 LLM 实现知识问答

### 6. Agent 系统
使用 LangChain Agent 实现工具调用和自主决策

## 技术栈

- **LLM**: GPT-4.1-nano (通过 OpenAI 兼容接口)
- **Embeddings**: text-embedding-3-small
- **向量数据库**: FAISS
- **Web 抓取**: BeautifulSoup4
- **开发环境**: Jupyter Notebook/Lab

## 注意事项

- 代码中使用 `OPENAI_API_KEY1` 而不是标准的 `OPENAI_API_KEY`
- 向量数据存储在内存中,未做持久化
- `.env` 文件包含敏感信息,已在 `.gitignore` 中排除

## 学习资源

- [LangChain 官方文档](https://python.langchain.com/)
- [LangChain 中文文档](https://www.langchain.com.cn/)