当前位置：首页 > news >正文

Streamlit + LangChain 1.0 简单实现智能问答前后端

news 2026/5/12 12:21:29

Streamlit + LangChain 1.0 简单实现智能问答前后端

概述

Streamlit 是一款专为数据科学家和机器学习工程师设计的 Python 库，可快速将数据脚本转换为交互式 Web 应用，无需前端开发经验，所以最近研究了一下，结合LangChain 1.0 实现了简单的智能问答前后端应用，大模型使用DeepSeek。

依赖库

streamlit：用于构建Web交互界面
langchain 及相关组件：处理LLM交互逻辑
python-dotenv：加载环境变量，比如加载存储在配置文件中的API KEY。

Highlight code

1. 初始化配置

# 加载环境变量
load_dotenv()# 配置页面
st.set_page_config(page_title="DeepSeek 问答应用",page_icon="🤖",layout="wide",initial_sidebar_state="expanded"
)

使用 load_dotenv() 加载 .env 文件中的环境变量
st.set_page_config() 配置页面基本属性，包括标题、图标和布局

2. 页面UI构建

# 设置页面标题和说明
st.title("🤖 DeepSeek 智能问答应用")
st.markdown("使用 LangChain 1.0 和 Streamlit 构建的对话系统")

通过 st.title() 和 st.markdown() 设置页面标题和说明文字

3. 侧边栏配置

with st.sidebar:st.header("配置选项")# API 密钥配置deepseek_api_key = st.text_input("DeepSeek API Key",value=os.getenv("DEEPSEEK_API_KEY", ""),type="password",help="请输入您的 DeepSeek API Key")# 清除对话历史按钮if st.button("清除对话历史", type="secondary"):st.session_state["messages"] = []st.rerun()

使用 st.sidebar 创建侧边栏配置区域
提供API密钥输入框（密码类型），默认从环境变量获取
实现清除对话历史功能，通过操作 st.session_state 实现

4. 对话历史管理

# 初始化对话历史
if "messages" not in st.session_state:st.session_state["messages"] = []# 显示对话历史
for message in st.session_state["messages"]:if isinstance(message, HumanMessage):with st.chat_message("user"):st.markdown(message.content)elif isinstance(message, AIMessage):with st.chat_message("assistant"):st.markdown(message.content)

使用 st.session_state 存储对话历史，实现页面刷新后数据保留
区分用户消息（HumanMessage）和助手消息（AIMessage）并分别显示

5. 用户输入处理

user_input = st.chat_input("请输入您的问题...")if user_input:# 验证API密钥if not deepseek_api_key:st.error("请在侧边栏配置您的 DeepSeek API Key")st.stop()# 添加用户消息到会话历史st.session_state["messages"].append(HumanMessage(content=user_input))# 显示用户消息with st.chat_message("user"):st.markdown(user_input)

使用 st.chat_input() 获取用户输入
进行API密钥验证，确保调用模型前密钥已配置
将用户消息添加到历史记录并显示

6. AI响应生成

# 显示助手思考中状态
with st.chat_message("assistant"):with st.spinner("正在思考..."):chat_model=init_chat_model(model="deepseek:deepseek-chat")# 创建提示模板prompt = ChatPromptTemplate.from_messages([("system", "你是一个智能助手，使用中文回答用户问题，保持友好和专业。"),*st.session_state["messages"]])# 创建链chain = prompt | chat_model | StrOutputParser()try:# 生成回答response = chain.invoke({})# 显示回答st.markdown(response)# 添加助手消息到会话历史st.session_state["messages"].append(AIMessage(content=response))except Exception as e:st.error(f"请求失败: {str(e)}")st.error("请检查您的API密钥或网络连接")