使用 Python 和 LangChain 构建智能 AI 助手：从入门到实战

4 4 月, 2026 24点热度 0人点赞 0条评论

随着大语言模型（LLM）的快速发展，构建智能 AI 助手已经成为开发者的热门需求。本文将带你从零开始，使用 Python 和 LangChain 框架打造一个功能强大的 AI 助手。无论你是初学者还是有经验的开发者，都能从中获得实用的技能。

为什么选择 LangChain？

LangChain 是一个用于开发由语言模型驱动的应用程序的框架，它提供了以下核心优势：

模块化设计：将复杂的 AI 应用拆解为可复用的组件
丰富的集成：支持超过 100 种 LLM 提供商和工具
链式调用：轻松组合多个操作形成复杂工作流
内存管理：内置对话历史和多轮对话支持

环境准备

首先，我们需要安装必要的依赖包：

pip install langchain langchain-openai langchain-community python-dotenv

创建环境变量文件 .env 存储 API 密钥：

OPENAI_API_KEY=your_api_key_here
SERPAPI_API_KEY=your_serpapi_key

核心组件详解

1. 模型初始化

选择合适的语言模型是构建 AI 助手的第一步：

from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

# 初始化聊天模型
llm = ChatOpenAI(
    model="gpt-4",
    temperature=0.7,
    max_tokens=2000
)

# 测试模型
response = llm.invoke("你好，请介绍一下你自己")
print(response.content)

2. 提示词模板

精心设计的提示词模板可以让 AI 输出更一致、更专业：

from langchain.prompts import ChatPromptTemplate

# 创建系统提示词
system_template = """你是一个专业的{role}助手。
你的任务是{task}。
请保持回答简洁、准确、有条理。
如果不确定答案，请诚实说明。"""

# 创建提示词模板
prompt = ChatPromptTemplate.from_messages([
    ("system", system_template),
    ("human", "{input}")
])

# 组合链
chain = prompt | llm

# 使用示例
result = chain.invoke({
    "role": "Python 编程",
    "task": "解答编程问题并提供代码示例",
    "input": "如何用 Python 实现快速排序？"
})
print(result.content)

3. 记忆管理

让 AI 记住对话历史，实现真正的多轮对话：

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 创建记忆对象
memory = ConversationBufferMemory(
    memory_key="chat_history",
    return_messages=True
)

# 创建对话链
conversation = ConversationChain(
    llm=llm,
    memory=memory,
    verbose=True
)

# 多轮对话示例
print(conversation.run("我想学习 Python"))
print(conversation.run("有什么好的学习资源推荐吗？"))
print(conversation.run("我之前学过 Java，这会有帮助吗？"))

4. 工具集成

让 AI 助手能够执行实际任务，比如搜索网络、计算、查询数据库等：

from langchain.agents import initialize_agent, Tool
from langchain.agents import AgentType
from langchain_community.utilities import SerpAPIWrapper

# 创建搜索工具
search = SerpAPIWrapper()
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="用于搜索当前事件或获取实时信息"
    ),
    Tool(
        name="Calculator",
        func=lambda x: str(eval(x)),
        description="用于数学计算"
    )
]

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

# 使用代理
response = agent.run("今天北京的天气如何？")
print(response)

实战：构建客服机器人

让我们将所学知识整合，构建一个完整的电商客服机器人：

from langchain.chains import RetrievalQA
from langchain.vectorstores import FAISS
from langchain.embeddings import OpenAIEmbeddings
from langchain.text_splitter import RecursiveCharacterTextSplitter

# 产品知识库（实际应用中可从数据库加载）
product_docs = """
产品 A：智能手表，价格 1999 元，支持心率监测、GPS 定位、7 天续航。
产品 B：无线耳机，价格 899 元，主动降噪、30 小时续航、IPX4 防水。
产品 C：平板电脑，价格 3999 元，10.9 英寸屏幕、256GB 存储、支持手写笔。
"""

# 文本分割
text_splitter = RecursiveCharacterTextSplitter(
    chunk_size=500,
    chunk_overlap=50
)
docs = text_splitter.create_documents([product_docs])

# 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(docs, embeddings)

# 创建问答链
qa_chain = RetrievalQA.from_chain_type(
    llm,
    retriever=vectorstore.as_retriever(),
    return_source_documents=True
)

# 客服对话
query = "有适合运动的手表推荐吗？"
result = qa_chain({"query": query})
print(f"客户：{query}")
print(f"客服：{result["result"]}")