第一章：AI与LangChain初探 —— 你的第一个“智能”程序

第一章：AI与LangChain初探 ------ 你的第一个"智能"程序

你好，我是阿扩。欢迎来到我们实战系列的第一站！

在上一篇引言里，我们聊到了LangChain就像一套强大的"乐高积木"。那么今天，我们就从这套积木中，拿出最核心的那一块------大语言模型（LLM），并用最简单的方式将它启动。你将亲手编写并运行你的第一个"智能"程序，见证AI如何响应你的指令。

准备好了吗？让我们开始吧！

1.1 本节目标

成功配置好LangChain与通义千问（Qwen）模型的开发环境。
理解LangChain调用大语言模型的最基本流程。
编写并成功运行一个程序，向AI提问并获得回答。

1.2 核心概念速览

在今天的实践中，有三个核心概念，我们先用一个简单的比喻来理解它：

大语言模型 (LLM) ：想象它是一位住在云端的、无所不知的"智慧先知"。这位先知能听懂你的问题，并给出充满智慧的回答。在我们的例子里，这位先知就是阿里的通义千问（Qwen）。
API Key ：这位"先知"不是对谁都有求必应的。你需要一个特殊的"信物"来证明你的身份，才能与他对话。这个信物，就是API Key。它是一串独特的字符串，代表了你的使用权限。
LangChain：我们自己（Python代码）和"先知"（LLM）说的语言不同，而且先知住在遥远的云端。LangChain就扮演了**"超级电话"**的角色。我们只需要通过LangChain这个电话，用标准的方式（Python代码）拨号并提问，它就会负责接通云端的先知，传递我们的问题，并把先知的回答转达给我们。

所以，我们今天的任务就是：拿到信物（API Key），通过超级电话（LangChain），向智慧先知（Qwen）问一个问题。

1.3 LangChain组件解析

今天我们只会用到一个最基础的LangChain组件，它属于"模型（Models）"这个类别：

ChatTongyi : 这是LangChain社区（langchain-community）提供的一个专门用来与阿里通义千问聊天模型进行交互的类。你可以把它理解为LangChain为通义千问量身定做的一个"电话听筒"。通过实例化这个类，我们就创建了一个可以直接与通义千问对话的对象。

1.4 实战代码演练

理论说再多，不如亲手敲一遍代码来得实在。下面是我们的第一个AI程序的完整代码。

第一步：安装必要的库

在运行代码之前，请打开你的终端（Terminal）或命令提示符（Command Prompt），执行以下命令来安装我们需要的Python库：

bash 复制代码

pip install langchain langchain_community dashscope

第二步：获取并设置API Key

访问阿里云的百炼大模型平台。
登录你的阿里云账户（如果没有，需要注册一个）。
在左侧导航栏找到并进入"API-KEY管理"，点击"创建新的API-KEY"来生成你的专属Key。
重要：将获取到的API Key设置为环境变量。这是最安全和推荐的做法，避免将密钥硬编码在代码里。
- 在macOS或Linux系统 :
  bash 复制代码
```
export DASHSCOPE_API_KEY="你的API Key"
```
- 在Windows系统 :
  bash 复制代码
```
set DASHSCOPE_API_KEY="你的API Key"
```
提示：这种在终端设置的环境变量只在当前会话有效。为了永久生效，你需要将它添加到系统的配置文件中（如 .bashrc, .zshrc 或系统属性的环境变量设置里）。

第三步：编写并运行Python代码

现在，创建一个名为 hello_ai.py 的文件，将下面的代码完整地复制进去，然后运行它！

python 复制代码

# 1. 导入必要的模块
# ChatTongyi 是我们与通义千问模型交互的接口
from langchain_community.chat_models import ChatTongyi
# HumanMessage 是用来表示用户提问的消息类型
from langchain_core.messages import HumanMessage

def main():
    """主函数，执行AI问答流程"""
    print("你好，我是你的第一个AI程序！")
    
    # 2. 实例化模型
    # 这里我们创建了一个通义千问模型的实例。
    # LangChain会自动从环境变量中寻找名为 DASHSCOPE_API_KEY 的密钥。
    llm = ChatTongyi()
    
    # 3. 准备输入信息
    # 我们将问题"请用一句话介绍你自己，并说一句问候。"包装成一个HumanMessage对象。
    # 这是LangChain中与模型交互的标准格式。
    messages = [
        HumanMessage(content="请用一句话介绍你自己，并说一句问候。")
    ]
    
    # 4. 调用模型并获取回答
    # 使用 .invoke() 方法，就像是按下了电话的呼叫按钮。
    # LangChain会将我们的消息发送给通义千问，并等待回复。
    print("正在思考中...")
    response = llm.invoke(messages)
    
    # 5. 打印模型的回答
    # response 是一个AIMessage对象，我们通过 .content 属性获取其文本内容。
    print("\nAI的回答是：")
    print(response.content)

if __name__ == "__main__":
    main()

当你运行 python hello_ai.py 后，稍等片刻，你将会在终端看到类似下面的输出：

erlang 复制代码

你好，我是你的第一个AI程序！
正在思考中...

AI的回答是：
我是一个由阿里巴巴开发的人工智能语言模型，很高兴认识你！

恭喜你！你已经成功地让AI为你工作了！

1.5 代码逻辑详解

让我们回顾一下刚才的代码，弄懂每一行都在做什么：

from ... import ... : 我们从LangChain的库中导入了两个关键工具：ChatTongyi（通义千问的"电话听筒"）和 HumanMessage（包装我们问题的"信封"）。
llm = ChatTongyi() : 这里，我们创建了ChatTongyi类的一个实例，并赋值给变量llm。从现在起，llm就代表了那个连接着云端智慧的AI模型。因为我们之前设置了环境变量，LangChain会自动找到并使用它，无需在代码里写任何密钥。
messages = [HumanMessage(...)] : 我们把想问的问题 "请用一句话介绍你自己..." 放进了一个叫 HumanMessage 的"信封"里。LangChain规定，与聊天模型沟通时，输入必须是这类消息对象的列表（list）。这为我们以后实现多轮对话打下了基础。
response = llm.invoke(messages) : 这是最神奇的一步！我们调用了llm对象的 invoke 方法（invoke意为"调用、触发"），并把打包好的消息列表传给它。程序会在这里暂停一下，因为LangChain正在通过网络与通义千问模型进行通信。当模型处理完我们的问题并生成回答后，invoke方法会返回一个结果。
print(response.content) : 模型返回的response不是一个简单的字符串，而是一个 AIMessage 对象。这个对象里包含了AI的回答以及其他一些信息。我们通过访问它的 .content 属性，就能拿到我们最关心的、AI生成的文本内容。

1.6 总结与思考

在这一章，我们迈出了至关重要的一步。我们没有深入复杂的理论，而是通过一个简单的动手实践，完成了从环境配置到成功运行的全过程。

本章重点回顾：

我们学会了如何安装LangChain及相关库。
我们知道了如何获取和配置API Key（通过环境变量）。
我们掌握了调用LLM的最简三部曲：实例化模型 (ChatTongyi()) -> 准备输入 (HumanMessage) -> 调用模型 (.invoke())。

这只是一个起点，但你已经亲手验证了LangChain的强大与便捷。它将复杂的API调用过程，简化成了短短几行优雅的Python代码。

思考与练习： 现在，轮到你来"玩"了！尝试修改 hello_ai.py 文件中 HumanMessage 的 content 内容，向AI提出一些你感兴趣的问题，看看它会如何回答。比如：

"帮我写一首关于程序员的五言绝句。"
"用简单的语言解释一下什么是'黑洞'？"
"我今天心情有点低落，能给我一些鼓励吗？"

大胆去尝试吧！探索与AI对话的乐趣，是学好这门技术的最佳动力。在下一章，我们将深入了解LangChain中更多关于"模型（Models）"的知识。期待与你再次相见！