不用学前端！Streamlit+LangChain，1 小时搭建 GLM 聊天机器人

本文源自 GLM Coding 大师作品征集赛 的获奖作品，原文作者为 张翠山 。

这篇文章为开发者提供了一个完整的入门级大模型应用开发教程，涵盖了Streamlit和LangChain的使用，以及如何结合GLM-4.6实现聊天机器人应用。

文章详细介绍了如何利用Streamlit创建交互式Web应用、如何通过LangChain构建基于语言模型的应用程序，并通过实际代码示例带领读者完成聊天机器人UI与大模型调用的整合。

很高兴能在茫茫人海中让你阅读到这篇文章，来了就是缘分。如果这篇文章能够给你智谱 AI GLM 教程带来一些获得感，那么请不要吝啬你的点赞呀^_^。这是一篇入门级大模型应用开发教程，适合后端开发工程师，数据工程师以及大模型应用开发工程师的动手实践教程。需要你具备一丢丢Python语言开发基础，但也仅仅需要基础。要完成这个案例需具备以下技术栈：

• Streamlit： 一个开源 Python 库，它旨在让数据科学家和工程师能够以最少的代码和配置，将他们的数据分析和模型展示转化为交互式的 Web 应用。说人话就是：你不用开发前端代码了，直接调用Python第三方库用更简单的代码帮你生成前端页面。
• LangChain： 一个用于构建和管理基于语言模型（Language Models, LM）的应用程序的框架。它提供了一系列工具和组件，帮助开发者更高效地构建、训练、部署和管理语言模型应用。LangChain 的设计目标是简化语言模型的使用过程，使其更加容易被集成到各种应用场景中。

上面已经提到Streamlit是一个开源Python库，能够让你用Python函数调用方式开发你的Web前端页面。

• 简单易用。 Streamlit 的 API 非常简洁，只需要几行代码就可以创建一个基本的应用程序。无需复杂的前端开发知识，Python 代码直接决定了应用的界面和功能。
• 快速开发。 支持热重载，代码修改后自动更新应用，无需手动重启服务器。丰富的内置组件和功能，可以快速实现常见的数据可视化和交互操作。
• 高度可定制。 支持自定义 CSS 样式，可以对应用的外观进行精细调整。可以集成第三方库和框架，如 Plotly、Altair、Pandas 等，扩展应用的功能。
• 强大的社区支持。 官方文档详细且拥有一个活跃的社区，提供了大量的示例和教程，帮助用户快速上手。

使用Steamlit第一步是需要安装它的依赖：

安装成功之后，运行它的helloword示例：

运行上面命令，会自动在你的浏览器打开一个页面，出现下面的页面则说明你安装成功。

接下来看看Streamlit内置了哪些函数或者组件来完成GUI开发，我把它的组件按照用途大概归类为以下几种。

• 文本和标题： st.write(), st.title(), st.header(), st.subheader()等。
• 输入控件： st.text_input(), st.slider(), st.selectbox(), st.checkbox(), st.button()等。
• 显示数据： st.dataframe(), st.table(), st.json()等。
• 显示图表： st.pyplot(), st.altair_chart(), st.bokeh_chart(), st.plotly_chart()等。
• 布局： st.sidebar(), st.columns(), st.expander()等。

让我们来尝试创建注册页面，这个页面体现了当年的你在学习html时用到的基础标签：、、、等前端标签这些功能等效。

</pre> 

以streamlit方式运行你的脚本就行了

一个简单的注册页面如下：

好的，现在我们来看看今天要完成的任务，要干的正事：成一个聊天机器人的UI页面。注意，我们先完成纯前端页面，完成页面布局即可。

</pre> 

效果图如下：

LangChain 由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用。LangChain之所以大火，是因为它提供了一系列方便的工具、组件和接口，大大降低了 AI 应用开发的门槛，也极大简化了大模型应用程序的开发过程。

• 模块化设计： LangChain 采用模块化设计，将不同的功能拆分成独立的组件，如 Prompts、Models、Chains、Memory、Retriever 和 Agent。这些组件可以灵活组合，以满足不同应用的需求。
• 强大的模型支持： 支持多种预训练语言模型，如 GPT-3、BERT、T5 等。这些模型经过大规模数据训练，具备强大的语言理解和生成能力。
• 易用的 API：  提供简单易用的 Python API，开发者可以通过几行代码快速实现复杂的语言处理任务。
• 丰富的工具和组件：  包括数据处理工具、模型训练和微调工具、服务接口、应用开发工具等，覆盖了从数据准备到模型部署的全流程。
• 社区支持： 拥有一个活跃的社区，提供了大量的示例和教程，帮助开发者快速上手和解决常见问题。

1. langchain： 主要用于构建和管理基于语言模型的应用程序，提供从模型管理到应用开发的一站式解决方案。
2. langchain_community： 是 langchain 的社区版，包含社区贡献的额外功能和插件，提供更多扩展性的工具。
3. dashscope： 主要用于构建和管理数据科学和机器学习应用，提供丰富的数据可视化和模型部署工具。

博主的Python版本是:3.10.x，对应上面的依赖包版本如下：

这里有个坑，如果没有指定版本，LangChain的最新版本1.x不兼容Python 3.8以下版本。又或者是你安装的LangChain依赖是最新版本，API和类名可能和博主下面用法稍微不一样。所以博主写这篇文章的时候，Python版本是：3.10.x，LangChain版本是:0.2.6。

确认一下LangChain一下是否安装成功:

看看上面命令输出是否包含上一步引入和安装的依赖包字样即可。下面我们来认识一下LangChain的主要组件：

• Prompts 提示： 包括提示管理、提示优化和提示序列化。
• Models 模型： 各种类型的模型和模型集成，比如GPT-4。

• Memory 记忆： 用来保存和模型交互时的上下文状态。
• Indexes 索引： 用来结构化文档，以便和模型交互 。

• Chains 链： 一系列对各种组件的调用。类似于Linux中的 管道命令，代表把前面一个程序的执行结果传入给后一个程序作为输入，以此类推！

• Agents 代理：决定模型采取哪些行动，执行并且观察流程，直到完成为止。

1. Bigmodel平台

Bigmodel是智谱AI面向国内开发者的maas平台，集语言模型、图像模型、视频模型、语音模型等主流多模态、大模型于一体。

这不是重点，重点是让你去这个平台申请并拿到一个API Key，如截图：

按照截图所示拿到一个API Key，先保存，后面会用到。

2. LangChain调用GLM模型

接下来我们编写一个LangChain调用Bigmodel上面GLM大语言模型的例子。

需求： 定义函数，要求有三个参数：提示词，记忆体，api_key,最后调用大模型服务自动实现求1-100和功能

1. 安装好依赖之后，引入必须要的包。
2. 封装一个函数get_chat_response，负责调用和处理大模型的问答。
3. main函数是程序入口，调用测试用例。

此时得到以下输出：

AI: 当然可以。1到100的累加和可以用高斯求和公式来计算，即等差数列的求和公式。公式是 ( S = frac{n(a_1 + a_n)}{2} )，其中 ( S ) 是和，( n ) 是项数，( a_1 ) 是首项，( a_n ) 是末项。

在这个例子中，( n = 100 )，( a_1 = 1 )，( a_n = 100 )。

所以，( S = frac{100(1 + 100)}{2} = frac{100 imes 101}{2} = 5050 )。

因此，1到100的累加和是5050。

得到上面输出则说明你的LangChain调用Bigmodel上面的GLM-4返回结果了。

经过上面的两步，你已经实现了一个聊天机器人的UI页面，以及通过LangChain框架成功调用igmodel上面的GLM-4模型，现在将上面两部分代码集成、改造即可。

将上诉LangChain调用GLM函数封装成工具类utils.py。

UI页面的改造和引入utils.py。