目标
完成本教程后，你将拥有一个基于LangChain和GPT-4o的聊天机器人，支持上下文记忆、自定义提示词和流式输出。
环境准备
1. 安装依赖
pip install langchain langchain-openai python-dotenv
2. 设置API密钥
创建.env文件：
OPENAI_API_KEY=your-api-key-here
第一步：基础聊天机器人
1.1 初始化模型
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
load_dotenv()
llm = ChatOpenAI(model="gpt-4o", temperature=0.7)
1.2 创建简单对话
from langchain.schema import HumanMessage, AIMessage
messages = [HumanMessage(content="你好！")]
response = llm.invoke(messages)
print(response.content)
第二步：添加记忆功能
使用ConversationBufferMemory存储历史消息。
from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain
memory = ConversationBufferMemory()
conversation = ConversationChain(llm=llm, memory=memory)
print(conversation.predict(input="你好！"))
print(conversation.predict(input="我叫小明。"))
print(conversation.predict(input="我的名字是什么？"))
第三步：自定义提示词
通过PromptTemplate定制机器人的角色和回复风格。
from langchain.prompts import PromptTemplate
template = """你是一个乐于助人的AI助手。请用中文回答。
历史对话：
{history}
用户：{input}
AI："""
prompt = PromptTemplate(input_variables=["history", "input"], template=template)
conversation = ConversationChain(llm=llm, prompt=prompt, memory=memory)
第四步：流式输出
实现逐字输出，提升用户体验。
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler
llm = ChatOpenAI(model="gpt-4o", streaming=True, callbacks=[StreamingStdOutCallbackHandler()])
第五步：部署为Web服务（可选）
使用FastAPI创建API接口。
from fastapi import FastAPI
from pydantic import BaseModel
app = FastAPI()
class Message(BaseModel):
content: str
@app.post("/chat")
async def chat(message: Message):
response = llm.invoke([HumanMessage(content=message.content)])
return {"reply": response.content}
总结
通过以上步骤，你已成功搭建一个具备记忆和自定义能力的AI聊天机器人。你可以进一步集成外部知识库、工具调用等高级功能。