每天分钟，混剪视频Agent产出条爆款，单月变现位数（喂饭级教程）
哦凑型旨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")
使用 st.spinner() 显示加载状态，提升用户体验
通过 init_chat_model() 初始化DeepSeek模型
使用LangChain 1.0的链(Chain)语法：prompt | chat_model | StrOutputParser()
异常处理确保错误时能友好提示用户
关键技术点
Streamlit 会话状态：利用 st.session_state 保存对话历史，实现状态管理
LangChain 1.0 链语法：采用新的管道运算符 | 构建处理流程
消息类型区分：使用 HumanMessage 和 AIMessage 区分不同角色的消息
API 密钥管理：支持环境变量和手动输入两种方式配置API密钥
错误处理：完善的异常捕获和用户提示