LangSmith使用教程

pip install langsmith  # 使用 pip 安装 langsmith 包

langgraph--langsimth_tutorial
│──smis/                      # Graph 定义子目录，按任务分类
│   ├── simple_trace.py          # 基础示例：简单追踪工作流
│   ├── dialog_with_smith.py     # 实战1：对话工作流与 LangSmith 集成
│──.env                # 环境变量文件（API 密钥等）

LANGCHAIN_API_KEY=your_api_key_here
LANGCHAIN_TRACING_V2=true
LANGCHAIN_PROJECT=your_project_name
LANGCHAIN_ENDPOINT=https://api.smith.langchain.com

from dotenv import load_dotenv, find_dotenv
load_dotenv(find_dotenv())

from langchain_ollama import ChatOllama  # 导入 ChatOllama 用于 LLM
from langsmith import Client  # 导入 Client 用于 LangSmith 交互

# 初始化 Ollama 模型
llm = ChatOllama(
    model='qwen2.5:7b',
    base_url="http://localhost:11434",
    temperature=0.8
)
client = Client()  # 创建 LangSmith Client 实例

def simple_llm_call():  # 定义 simple_llm_call 函数
    response = llm.invoke("Hello, world!")  # 调用 LLM invoke 方法
    return response

if __name__ == "__main__":
    simple_llm_call()  # 执行函数，自动追踪

from typing import TypedDict, Annotated
from langchain_core.messages import BaseMessage, HumanMessage, AIMessage
from langgraph.graph.message import add_messages
from langgraph.graph import StateGraph, START, END
from dotenv import load_dotenv, find_dotenv
load_dotenv(find_dotenv())

# 定义状态
class DialogState(TypedDict):
    messages: Annotated[list[BaseMessage], add_messages]

# 节点 1: 获取用户输入
def get_user_message(state: DialogState) -> DialogState:
    user_input = input("\n 用户说: ")
    return {"messages": [HumanMessage(content=user_input)]}

# 节点 2: AI 生成回复
def generate_response(state: DialogState) -> DialogState:
    last_message = state["messages"][-1].content
    ai_response = f" AI 回复: 我收到了你的消息 —— '{last_message}'"
    print(f"{ai_response}")
    return {"messages": [AIMessage(content=ai_response)]}

# 使用条件边判断是否继续对话
def should_continue(state: DialogState):
    # 如果最后一条消息是空（比如用户输入 exit），则结束
    if not state["messages"]:
        return END
    last_content = state["messages"][-1].content
    if isinstance(state["messages"][-1], HumanMessage):
        if "退出" in last_content or "exit" in last_content or "quit" in last_content:
            return END
    return "generate_response"

# 构建图
def create_dialog_graph():
    workflow = StateGraph(DialogState)
    # 添加节点
    workflow.add_node("get_user_message", get_user_message)
    workflow.add_node("generate_response", generate_response)
    # 添加边
    workflow.add_edge(START, "get_user_message")
    workflow.add_conditional_edges("get_user_message", should_continue)
    workflow.add_edge("generate_response", "get_user_message")  # 回到用户输入，形成循环
    return workflow.compile()

if __name__ == "__main__":
    print("欢迎进入对话系统！输入 '退出'、'exit' 或 'quit' 结束对话。")
    app = create_dialog_graph()
    # 启动对话（初始状态）
    app.invoke({"messages": []})
    print("\n 对话结束，欢迎再次使用！")