2025.10.30

04_langchain_basics/README.md

@@ -5,7 +5,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 
 ---
 
-### 1. `01_Models.py`（模型调用）  
+### 1. `01_models.py`（模型调用）  
 封装 LLM 实例，实现标准调用流程。  
 
 ✅ 掌握点：  
@@ -14,7 +14,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 
 ---
 
-### 2. `02_Prompt.py`（提示词构建）  
+### 2. `02_prompt.py`（提示词构建）  
 使用 `ChatPromptTemplate` 构建可复用的 Prompt 模板。  
 
 ✅ 掌握点：  
@@ -24,7 +24,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 
 ---
 
-### 3. `03_Chain.py`（链式调用）  
+### 3. `03_chain.py`（链式调用）  
 将 Prompt + LLM + Parser 组合成 Chain。  
 
 ✅ 掌握点：  
@@ -34,7 +34,7 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 
 ---
 
-### 4. `04_Memory.py`（记忆功能）  
+### 4. `04_memory.py`（记忆功能）  
 添加会话记忆，实现多轮对话。  
 
 ✅ 掌握点：  
@@ -52,4 +52,6 @@ LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 - 实际运行体验  
 - 可直接扩展为 Web 应用
 
+---
+
 💡 建议：跑通后，试试让 AI 记住你喜欢的颜色，并在后续对话中提及。

05_langchain_advanced/01_define_toolbox.py

@@ -0,0 +1,23 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+
+from langchain_core.tools import tool
+
+@tool
+def get_weather(location):
+    """模拟获得天气信息"""
+    return f"{location}当前天气：23℃，晴，风力2级"
+
+@tool
+def get_user_name(user):
+    """模拟获得用户名字"""
+    return f'用户名字是:{user}'
+
+
+# 封装好我们要用的工具
+tools = [get_weather,get_user_name]
+print('工具箱已封装完毕!')

05_langchain_advanced/02_general_agent.py

@@ -0,0 +1,54 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+
+import os
+from langchain_openai import ChatOpenAI
+from langchain.agents import AgentExecutor, create_tool_calling_agent
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.tools import tool # 导入 @tool
+
+# 配置LLM
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# 配置prompt
+prompt = ChatPromptTemplate.from_messages([
+    ("system","你是一个聪明的智能助手。当你遇到解决不了的问题时，会调用工具来解决问题。"),
+    ("human","{input}"),
+    MessagesPlaceholder(variable_name="agent_scratchpad") # 必加，Agent的思考过程
+])
+
+# 配置tool
+@tool
+def get_weather(location):
+    """模拟获得天气信息"""
+    return f"{location}当前天气：23℃，晴，风力2级"
+
+@tool
+def get_user_name(user):
+    """模拟获得用户名字"""
+    return f'用户名字是:{user}'
+
+
+tools = [get_weather,get_user_name]
+
+# 创建Agent(大脑)
+agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
+# 创建AgentExecutor(执行器)--负责运行ReAct循环
+agent_executor = AgentExecutor(agent=agent,tools=tools,verbose=True) # 开启verbose以看到ai思考链
+# 运行
+response = agent_executor.invoke({
+    'input':"今天北京的天气怎么样？"
+})
+
+print(response)
+print()
+print(response['output'])
+

05_langchain_advanced/03_sql_agent.py

@@ -0,0 +1,50 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+import sqlite3
+from langchain_openai import ChatOpenAI
+from langchain_community.agent_toolkits import create_sql_agent
+from langchain_community.utilities import SQLDatabase  # 导入 SQLDatabase
+
+# 配置llm
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+
+# 创建一个临时的数据库--用于演示
+db_file = "test_sql.db"
+if os.path.exists(db_file):
+    os.remove(db_file)
+conn = sqlite3.connect(db_file)
+cursor = conn.cursor()
+cursor.execute("CREATE TABLE users (id INT,name TEXT,age INT);")
+cursor.execute("INSERT INTO users (id,name,age) VALUES (1,'Alice',30);")
+cursor.execute("INSERT INTO users (id,name,age) VALUES (2,'Bob',25);")
+conn.commit()
+conn.close()
+
+# 连接数据库 -- LangChain 使用 SQLAlchemy URI (连接方式)
+db_uri = f'sqlite:///{db_file}'
+db = SQLDatabase.from_uri(db_uri)
+
+# 创建sqlAgent -- 一键完成，无需定义tools，仅告诉它使用openai-tools,即Tool Calling(工具调用)模式
+agent_executor = create_sql_agent(
+    llm=llm,
+    db=db,
+    agent_type="openai-tools",
+    verbose=True
+)
+
+# 运行
+response = agent_executor.invoke({"input":"告诉我Alice多大了？"})
+print(response['output'])
+
+# 清理
+db._engine.dispose() # 关闭连接池，避免文件被占用
+if os.path.exists(db_file):
+    os.remove(db_file)

05_langchain_advanced/04_memory_general_agent.py

@@ -0,0 +1,81 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+
+import os
+from langchain_openai import ChatOpenAI
+from langchain.agents import AgentExecutor, create_tool_calling_agent
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.tools import tool # 导入 @tool
+from langchain_community.chat_message_histories import ChatMessageHistory
+from langchain_core.runnables import RunnableWithMessageHistory
+
+
+# 配置llm
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+# 配置prompt(新增俩占位符 一个为对话历史记录，一个为agent的思考过程)
+prompt = ChatPromptTemplate.from_messages([
+    ('system','你是小智，一个帮助他人的智能助手。当你无法解答当前问题时，会调用工具来解决问题。'),
+    MessagesPlaceholder(variable_name="history"),
+    ('human','{input}'),
+    MessagesPlaceholder(variable_name="agent_scratchpad")
+])
+
+# 配置tool
+@tool
+def get_weather(location):
+    """模拟获得天气信息"""
+    return f"{location}当前天气：23℃，晴，风力2级"
+
+
+tools = [get_weather]
+# 配置agent
+agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
+# 配置AgentExecutor
+agent_executor = AgentExecutor(agent=agent,tools=tools) # 这里没加verbose=True，想打印日志看思考链的可以自行打印
+
+
+# 记忆存储--包装agent_executor
+store = {}
+def get_session_history(session_id:str):
+    if session_id not in store:
+        store[session_id] = ChatMessageHistory()
+    return store[session_id]
+
+
+agent_with_memory = RunnableWithMessageHistory(
+    runnable=agent_executor,
+    get_session_history=get_session_history,
+    input_messages_key="input",
+    history_messages_key="history"
+)
+# 打印测试
+session_id = 'user123'
+
+if __name__ == '__main__':
+    while 1:
+        user_input = input('\n你:')
+        if user_input == 'quit':
+            print('拜拜~')
+            break
+        response = agent_with_memory.invoke(
+            {'input': user_input},
+            config={'configurable': {'session_id': session_id}}
+        )
+        print(f"AI:{response['output']}")
+
+
+
+
+
+
+
+
+

05_langchain_advanced/05_caching.py

@@ -0,0 +1,52 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+
+import time
+from langchain_openai import ChatOpenAI
+from langchain.globals import set_llm_cache
+from langchain_community.cache import InMemoryCache
+
+# 配置llm
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com"
+)
+# 设置全局缓存
+set_llm_cache(InMemoryCache())
+
+# 第一次调用llm(会远程请求)
+query = "用中文写一句关于猫的五言诗。"
+start_time = time.time()
+response1 = llm.invoke(query).content
+print(f"第一次调用结果: {response1}")
+print(f"第一次运行时间: {time.time() - start_time:.4f} 秒")
+print('')
+
+# 第二次调用llm(会命中缓存)
+start_time = time.time()
+response2 = llm.invoke(query).content
+print(f"第二次调用结果: {response2}")
+print(f"第二次运行时间 (已缓存): {time.time() - start_time:.4f} 秒")
+
+# 清理
+set_llm_cache(None) # 关闭缓存，以免影响后续实例
+print('缓存清理完成')
+
+
+
+
+
+
+
+
+
+
+
+
+
+

05_langchain_advanced/06_streaming.py

@@ -0,0 +1,78 @@
+import os
+from dotenv import load_dotenv
+
+load_dotenv()
+api_key = os.getenv("OPENAI_API_KEY")
+
+
+from langchain_openai import ChatOpenAI
+from langchain.agents import AgentExecutor, create_tool_calling_agent
+from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
+from langchain_core.tools import tool # 导入 @tool
+from langchain_community.chat_message_histories import ChatMessageHistory
+from langchain_core.runnables import RunnableWithMessageHistory
+from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
+
+
+# 配置llm
+llm = ChatOpenAI(
+    model="deepseek-chat",
+    api_key=api_key,
+    base_url="https://api.deepseek.com",
+    streaming=True,
+    callbacks=[StreamingStdOutCallbackHandler()]
+)
+# 配置prompt(新增俩占位符 一个为对话历史记录，一个为agent的思考过程)
+prompt = ChatPromptTemplate.from_messages([
+    ('system','你是小智，一个帮助他人的智能助手。当你无法解答当前问题时，会调用工具来解决问题。'),
+    MessagesPlaceholder(variable_name="history"),
+    ('human','{input}'),
+    MessagesPlaceholder(variable_name="agent_scratchpad")
+])
+
+# 配置tool
+@tool
+def get_weather(location):
+    """模拟获得天气信息"""
+    return f"{location}当前天气：23℃，晴，风力2级"
+
+
+tools = [get_weather]
+# 配置agent
+agent = create_tool_calling_agent(llm=llm,prompt=prompt,tools=tools)
+# 配置AgentExecutor
+agent_executor = AgentExecutor(agent=agent,tools=tools) # 这里没加verbose=True，想打印日志看思考链的可以自行打印
+
+
+# 记忆存储--包装agent_executor
+store = {}
+def get_session_history(session_id:str):
+    if session_id not in store:
+        store[session_id] = ChatMessageHistory()
+    return store[session_id]
+
+
+agent_with_memory = RunnableWithMessageHistory(
+    runnable=agent_executor,
+    get_session_history=get_session_history,
+    input_messages_key="input",
+    history_messages_key="history"
+)
+# 打印测试
+session_id = 'user123'
+
+if __name__ == '__main__':
+    while 1:
+        user_input = input('\n你:')
+        if user_input == 'quit':
+            print('拜拜~')
+            break
+        # 用于标记"AI:"这个内容
+        # flush=True保证"AI:"立即输出，而不是等缓存区存满再输出
+        print("AI: ", end="", flush=True)
+        response = agent_with_memory.invoke(
+            {'input': user_input},
+            config={'configurable': {'session_id': session_id}}
+        )
+        print()
+

05_langchain_advanced/README.md

@@ -0,0 +1,69 @@
+## 🧩 模块说明：LangChain Agents 进阶核心组件
+
+📌 **核心知识点**：  
+Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
+
+---
+
+### 1. `01_define_toolbox.py`（工具函数定义）  
+使用 `@tool` 装饰器将 Python 函数封装为 LangChain 可调用的工具。  
+
+✅ 掌握点：  
+- 如何用 `@tool` 定义工具  
+- 必须添加三引号描述（作为提示词）  
+- 支持任意自定义逻辑函数
+
+---
+
+### 2. `02_general_agent.py`（通用 Agent 构建）  
+基于 `create_tool_calling_agent` 创建支持工具调用的智能体。  
+
+✅ 掌握点：  
+- ReAct 思维循环：思考 → 行动 → 观察 → 再思考  
+- 使用 `MessagesPlaceholder("agent_scratchpad")` 记录推理过程  
+- `AgentExecutor` 执行完整流程，支持 `verbose=True` 查看思考链
+
+---
+
+### 3. `03_sql_agent.py`（SQL 专用 Agent）  
+一键构建自然语言查询数据库的智能体。  
+
+✅ 掌握点：  
+- 使用 `create_sql_agent` 快速接入 SQLite 数据库  
+- 自动分析表结构、生成 SQL 并执行  
+- 无需手动定义工具，开箱即用
+
+---
+
+### 4. `04_memory_general_agent.py`（带记忆的 Agent）  
+将 Agent 与对话历史结合，实现多轮上下文感知。  
+
+✅ 掌握点：  
+- 在 Prompt 中加入 `MessagesPlaceholder("history")`  
+- 使用 `RunnableWithMessageHistory` 包装 AgentExecutor  
+- 实现“记住用户身份”、“持续追问”的真实对话体验
+
+---
+
+### 5. `05_caching.py`（缓存优化技巧）  
+在开发调试阶段避免重复调用 LLM，节省成本与时间。  
+
+✅ 掌握点：  
+- 使用 `set_llm_cache(InMemoryCache())` 启用缓存  
+- 第一次调用远程请求，后续命中缓存秒出结果  
+- 开发时开启，上线前关闭（仅用于测试）
+
+---
+
+### 6. `06_streaming.py`（流式输出实战）  
+实现 AI 回复像打字机一样逐字输出，提升用户体验。  
+
+✅ 掌握点：  
+- 设置 `streaming=True` 启用流式模式  
+- 添加 `callbacks=[StreamingStdOutCallbackHandler()]` 实时打印 token  
+- 使用 `print("AI: ", end="", flush=True)` 确保提示立即显示
+
+---
+
+💡 建议：  
+跑通所有示例后，尝试将 `get_weather` 和 `query_user_info` 组合进一个带记忆的 Agent，让 AI 能连续问：“你是谁？”、“北京天气怎么样？”、“你喜欢什么颜色？”，并记住你的回答。

README.md

@@ -27,7 +27,7 @@
 |             | [02 LLM 基础调用](https://github.com/Annyfee/agent-craft/tree/main/02_llm_fundamentals)                     | [🏠](https://blog.csdn.net/2401_87328929/article/details/153735431) | LLM API 调用 · prompt · 上下文记忆     |  ⭐   |
 |             | [03 Function Calling 与工具调用](https://github.com/Annyfee/agent-craft/tree/main/03_function_calling_tools) | [🏠](https://blog.csdn.net/2401_87328929/article/details/153866573) | Function Call · 工具函数封装          |  ⭐⭐  |
 | ⚙️ **框架篇**  | [04 LangChain 基础篇](https://github.com/Annyfee/agent-craft/tree/main/04_langchain_basics)                | [🏠](https://blog.csdn.net/2401_87328929/article/details/153978186) | LLM · Prompt · Chain · Memory   |  ⭐⭐  |
-|             | 05 LangChain 进阶篇                                                                                        |                                🚧撰写中                                | Agents · 多链协作 · 缓存              | ⭐⭐⭐  |
+|             | 05 LangChain 进阶篇                                                                                        | [🏠](https://blog.csdn.net/2401_87328929/article/details/154064397) | Agents · 多链协作 · 缓存              | ⭐⭐⭐  |
 |             | 06 LangGraph 入门                                                                                         |                                 🚧                                  | Flow · Node · Edge 控制           | ⭐⭐⭐  |
 |             | 07 RAG 基础篇（Embedding & 向量）                                                                              |                                 🚧                                  | 向量化 · 检索匹配                      |  ⭐⭐  |
 |             | 08 RAG 进阶篇（检索 + 生成）                                                                                     |                                 🚧                                  | RAG Pipeline · QA 系统            | ⭐⭐⭐  |
@@ -67,8 +67,13 @@
 - **目标**：认识Langchain六大模块，学会用Langchain构建智能体。
 - **内容**：LLM 调用｜Prompt 设计｜Chain 构建｜Memory 记忆｜实战练习
 
+### ✅ 模块 05 — LangChain 进阶篇
 
-> 📌 后续模块将陆续开放（LangChain、RAG、MCP、多智能体等）
+- **目标**：掌握Langchain Agents的核心机制，构建能调用工具、持续思考、具备记忆的智能体。
+- **内容**：Function Calling｜@tool 工具封装｜ReAct 循环｜Agent 构建｜SQL Agent｜记忆+流式｜开发优化
+
+
+> 📌 后续模块将陆续开放（LangGraph、RAG、MCP、多智能体等）
 
 ---