3.8 KiB

Raw Blame History

CLAUDE.md

This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.

项目概述

这是一个基于 LangChain 的学习演示项目,展示如何使用大语言模型进行各种应用场景的开发,包括基础调用、提示词模板、输出解析、向量存储、RAG 检索增强和 Agent。

环境配置

依赖管理

Python 项目,依赖列表在 requirements.txt
安装依赖: pip install -r requirements.txt
关键依赖包括: langchain, langchain-openai, langchain-community, python-dotenv, faiss-cpu

环境变量配置

项目根目录的 .env 文件包含 API 配置:

OPENAI_BASE_URL: OpenAI API 基础 URL
OPENAI_API_KEY1: OpenAI API 密钥
LANGSMITH_TRACING: LangSmith 追踪开关(必须设置为 "true")
LANGSMITH_API_KEY: LangSmith API 密钥
LANGSMITH_PROJECT: LangSmith 项目名称

注意: 代码中使用 OPENAI_API_KEY1 而不是标准的 OPENAI_API_KEY

代码结构

目录组织

/app/demo/: 包含演示代码的 Jupyter notebook
- demo1.ipynb: 主要演示文件,包含 7 个核心示例
/models/: 模型相关文件(目前为空)
/data/: 数据文件(目前为空)
sample.ipynb: 根目录的示例 notebook,展示环境配置和基础模型调用

核心功能模块

1. 基础 LLM 调用

使用 ChatOpenAI 调用大模型:

from langchain_openai import ChatOpenAI
llm = ChatOpenAI(model="gpt-4.1-nano")
response = llm.invoke("你的问题")

2. 提示词模板系统

使用 ChatPromptTemplate 创建结构化提示:

from langchain_core.prompts import ChatPromptTemplate
prompt = ChatPromptTemplate.from_messages([
    ("system", "系统角色描述"),
    ("user", "{input}")
])
chain = prompt | llm

3. 输出解析

使用 JsonOutputParser 将 LLM 输出解析为 JSON:

使用 output_parser.get_format_instructions() 获取格式要求
将格式要求注入到提示词模板中

4. 向量存储与检索

使用 FAISS 向量数据库:

通过 WebBaseLoader 抓取网页内容
使用 RecursiveCharacterTextSplitter 分割文档(chunk_size=500, chunk_overlap=50)
使用 OpenAIEmbeddings (model="text-embedding-3-small") 生成向量
使用 FAISS.from_documents() 创建向量存储

5. RAG (检索增强生成)

核心流程:

使用 vector.as_retriever() 创建检索器(k=3)
检索相关文档片段
将检索结果作为上下文注入提示词
LLM 基于上下文生成回答

6. Agent 系统

使用 LangChain Agent 实现工具调用:

使用 create_retriever_tool() 创建检索工具
使用 create_openai_functions_agent() 创建 Agent
使用 AgentExecutor 执行 Agent(verbose=True 可查看执行过程)

开发工作流

运行 Jupyter Notebooks

主要开发工作在 Jupyter notebook 中进行:

启动 Jupyter: jupyter notebook 或 jupyter lab
主要演示代码位于 app/demo/demo1.ipynb

环境初始化模式

代码使用严格的环境变量检查:

import dotenv
dotenv.load_dotenv()
# 必须在 .env 中配置所有必需变量,否则会抛出异常

模型配置

当前项目使用的模型:

LLM: gpt-4.1-nano (通过 OpenAI 兼容接口)
Embeddings: text-embedding-3-small

技术要点

链式调用 (Chain)

使用管道操作符 | 组合组件:

chain = prompt | llm | output_parser
result = chain.invoke({"input": "问题"})

向量检索配置

默认检索 top-k=3 个最相关文档
文档分割使用重叠策略避免语义断裂
向量数据当前存储在内存中,未做持久化

Web 数据加载

使用 WebBaseLoader 抓取特定网页内容:

支持使用 bs4.SoupStrainer 精确定位内容区域
示例中抓取中国政府网站的法律条文内容

3.8 KiB Raw Blame History