从0开始：用 Streamlit + LangChain 搭建个简易ChatGPT

雪碧没气阿

于 2025-02-18 11:20:39 发布

阅读量818

点赞数 12

文章标签： langchain chatgpt Streamlit 人工智能大模型应用 AI大模型 AI

本文链接：https://blog.csdn.net/xxue345678/article/details/145701396

版权

流式传输允许实时接收生成的文本，随着文本的生成而接收。这样，您就不必等到整个文本准备好后才能开始向用户展示。我们将使用 LangChain 与LLM进行流式交互，并使用 Streamlit 创建应用的前端。

\1. 什么是 Streamlit？
\2. 什么是 LangChain？
\3. 什么是流式输出？
\4. 代码实现
- 4.1 安装依赖
- 4.2 导入必要的库
- 4.3 初始化 OpenAI 语言模型
- 4.4 创建 Streamlit UI
- 4.5 实现流式输出
- 4.6 管理聊天历史
- 4.7 显示聊天记录
- 4.8 获取用户输入并生成 AI 回复
\5. 运行项目
总结

要构建的聊天AI将具有以下功能：

在生成过程中实时流式传输来自LLM的响应。
使用 LangChain 与 LLM 进行交互。
使用 Streamlit 创建应用的前端。
记住聊天记录并向用户显示。

最终效果如下：

用户输入问题 → LLM 实时流式回复 → 记录历史对话 → 支持用户反馈（点赞/踩）

1. 什么是 Streamlit？

Streamlit 是一个快速搭建 Web 应用的 Python 库，特别适合机器学习和 AI 相关项目。

它允许开发者仅用几行 Python 代码，就能创建交互式的用户界面。你不需要写 HTML、CSS 或 JavaScript，也不需要进行前端开发，从而可以专注于项目的核心功能。而且，Streamlit 已经为创建 AI 聊天应用提供了内置支持。

Streamlit 主要特点

简洁易用：用 Python 脚本就能创建 Web 应用，无需 HTML、CSS 或 JavaScript。
自动刷新：修改代码后，应用会自动更新，无需手动刷新。
支持交互组件：提供按钮、滑块、文件上传等组件，方便用户与应用交互。
数据可视化：支持 Matplotlib、Plotly等数据可视化库，直接在 Web 页面展示图表。

2. 什么是 LangChain？

LangChain的核心思想是通过模块化能设计和力抽象，将不同的组件和功能“链”在一起，以创建更复杂和多功能的语言处理系统。

这些组件包括模型、聊天模型、文本嵌入模、型提示模板、索引、文档加载器、文本分割器、向量存储、检索器、记忆功能、链和代理等。

这种设计不仅提高了系统的灵活性和可扩展性，还使得开发者可以根据具体需求自由组合和调整各个模块，从而实现更强大、更定制化的AI应用

通俗来说，LangChain 是一种帮助开发者用大模型制作“应用程序”的开发工具。它就像一个“搭建AI房子”的工具箱，里面有各种现成的积木，开发者只需要把这些积木拼起来，就可以实现很多强大的功能。

使用 LangChain，我们可以更容易地集成 OpenAI 的 GPT-4o，并专注于构建 AI 对话的核心逻辑。

3. 什么是流式输出？

流式输出是指在用户输入问题后，AI 并不是等待一段时间再一次性返回完整的答案，而是 边生成边显示，逐步展示 AI 的思考过程。这种方式不仅减少了等待时间，而且让 AI 的回答看起来更自然，仿佛它在思考时逐渐给出答案。这种交互体验显得更加生动、真实，用户可以感觉到 AI “在实时作答”。

如果不使用流式输出，模型需要等到所有文本生成完毕后才返回结果，用户可能会感到延迟很长。而流式调用能够逐步生成输出，减少等待时间，提升交互体验，类似于 ChatGPT 的打字效果。

普通 vs. 流式输出

模式	特点
普通输出（非流式）	用户提交问题 → 等待几秒 → 一次性返回完整答案
流式输出（像 ChatGPT）	用户提交问题 → AI 边生成边显示 → 逐步输出答案

4. 代码实现

4.1 安装依赖

首先，我们需要安装所需的 Python 库。打开终端并执行以下命令：

pip install streamlit langchain langchain-openai

安装完成后，我们可以开始编写代码。

4.2 导入必要的库

在 Python 代码中，我们需要导入 Streamlit 和 LangChain 的相关库。具体如下：

# 导入必要的Python库
import os  # 用于处理操作系统相关的功能

# 设置OpenAI API密钥
OPENAI_API_KEY = 'hk-iwta91e427'  
os.environ['OpenAI_API_KEY'] = OPENAI_API_KEY  # 将API密钥添加到环境变量中

# 导入Streamlit库用于创建Web界面，导入OpenAI聊天模型
import streamlit as st
from langchain_openai.chat_models import ChatOpenAI

在这里， os 是用来处理环境变量的， streamlit 是我们创建前端界面的核心库， ChatOpenAI 则是 LangChain 中与 OpenAI 进行交互的模块。

4.3 初始化 OpenAI 语言模型

我们将通过 LangChain 初始化 OpenAI 的 GPT 模型。以下代码片段展示了如何配置 GPT-4o，并设置它的一些基本参数：

# 初始化ChatOpenAI模型
llm = ChatOpenAI(
    model="gpt-4o-mini",  # 指定使用的模型名称
    temperature=0,  # 设置温度为0，使模型输出更加确定性（不那么随机）
    base_url="https://api.openai-hk.com/v1"  # 设置API的基础URL地址
)

这里， model="gpt-4o-mini" 是选择使用 GPT-4o 的迷你版本， temperature=0 表示我们希望模型输出更加确定性，不那么随机， base_url 则是一个代理 URL，适用于我们在某些地区需要通过代理访问 OpenAI API 的情况。

4.4 创建 Streamlit UI

接下来，我们使用 Streamlit 创建一个简单的用户界面，允许用户输入问题并显示 AI 的回答。

# 设置网页标题
st.title("从0开始：用 Streamlit + LangChain 搭建流式聊天 AI")
st.write("输入你的问题，AI 将实时回答！")

这段代码会在页面上显示标题，并写下提示文字。

4.5 实现流式输出

为了实现流式输出，我们定义一个函数，使用 yield 逐步返回 AI 模型生成的回答。这是流式输出的核心部分：

def chat_stream(prompt):
    """
    使用流式方式获取并返回AI模型的响应。
    
    Args:
        prompt (str): 用户输入的提示文本
        
    Yields:
        str: AI模型响应的文本片段
    """
    for chunk in llm.stream(prompt):
        if chunk.content:
            yield chunk.content

在这个函数中，我们通过 llm.stream() 向模型发送请求，并逐步返回其生成的内容。每次返回一个小片段，直到完整的回答生成完毕。

4.6 管理聊天历史

为了让用户能够查看之前的聊天记录，我们使用 Streamlit session_state 来存储聊天历史。这样，即使刷新页面，聊天记录也不会丢失。

# 定义保存反馈的函数
def save_feedback(index):
    """
    保存用户对AI回复的反馈。
    
    Args:
        index (int): 消息在历史记录中的索引位置
    """
    st.session_state.history[index]["feedback"] = st.session_state[f"feedback_{index}"]

# 初始化聊天历史记录
if "history" not in st.session_state:
    st.session_state.history = []

4.7 显示聊天记录

我们用以下代码展示所有历史对话消息。这里，用户的消息和 AI 的回答会依次显示，仿佛是在进行真实的对话。

# 显示历史对话记录
for i, message in enumerate(st.session_state.history):
    with st.chat_message(message["role"]):  # 创建聊天消息气泡
        st.write(message["content"])  # 显示消息内容
        if message["role"] == "assistant":  # 如果是AI助手的回复
            feedback = message.get("feedback", None)  # 获取之前的反馈（如果有）
            st.session_state[f"feedback_{i}"] = feedback  # 存储反馈状态
            # 添加反馈按钮（赞/踩）
            st.feedback(
                "thumbs",
                key=f"feedback_{i}",
                disabled=feedback isnotNone,  # 如果已有反馈则禁用按钮
                on_change=save_feedback,  # 设置反馈变化时的回调函数
                args=[i],  # 传递消息索引作为参数
            )

4.8 获取用户输入并生成 AI 回复

当用户输入一个问题时，我们将触发 AI 生成回答并通过流式输出逐步显示。以下代码展示了如何处理用户输入并展示 AI 的流式回答：

# 创建聊天输入框
if prompt := st.chat_input("说出你的故事"):  # 如果用户输入了新消息
    with st.chat_message("user"):  # 显示用户消息
        st.write(prompt)

    # 将用户消息添加到历史记录
    st.session_state.history.append({"role": "user", "content": prompt})

    with st.chat_message("assistant"):  # 显示AI助手的回复
        full_response = ""# 用于存储完整的回复内容

        # 调用大模型，使用流式输出显示AI的回复
        for chunk in st.write_stream(chat_stream(prompt)):
            full_response += chunk

        # 为AI回复添加反馈按钮
        st.feedback(
            "thumbs",
            key=f"feedback_{len(st.session_state.history)}",
            on_change=save_feedback,
            args=[len(st.session_state.history)],
        )
    # 将AI的回复添加到历史记录
    st.session_state.history.append({"role": "assistant", "content": full_response})

在这段代码中，当用户输入问题时，应用会先显示用户的问题，再通过流式输出逐步展示 AI 的回答。

5. 运行项目

最后，使用以下命令启动应用：

streamlit run app.py

  You can now view your Streamlit app in your browser.

  Local URL: http://localhost:8501
  Network URL: http://198.18.0.1:8501

打开浏览器，聊天AI就会运行起来，用户可以实时与 AI 进行对话。