Initial commit

2026-05-12 09:41:56 +08:00
commit 572283e101
936 changed files with 133949 additions and 0 deletions
@@ -0,0 +1,50 @@
+from typing import List
+import os
+from langchain_core.prompts import PromptTemplate
+from pydantic import BaseModel, Field
+from langchain_core.output_parsers import PydanticOutputParser
+from langchain_deepseek import ChatDeepSeek
+
+# 初始化 LLM
+llm = ChatDeepSeek(
+    model="deepseek-chat",
+    api_key=os.getenv("DEEPSEEK_API_KEY")
+)
+
+# 1. 定义数据结构
+class PersonInfo(BaseModel):
+    name: str = Field(description="人物姓名")
+    age: int = Field(description="人物年龄")
+    skills: List[str] = Field(description="技能列表")
+
+# 2. 创建解析器
+parser = PydanticOutputParser(pydantic_object=PersonInfo)
+
+# 3. 创建提示模板
+prompt = PromptTemplate(
+    template="请根据以下文本提取信息。\n{format_instructions}\n{text}\n",
+    input_variables=["text"],
+    partial_variables={"format_instructions": parser.get_format_instructions()},
+)
+
+# # 打印格式指令
+# print("\n--- Format Instructions ---")
+# print(parser.get_format_instructions())
+# print("--------------------------\n")
+
+# 4. 创建处理链
+chain = prompt | llm | parser
+
+# 5. 定义输入文本并执行调用链
+text = "张三今年30岁，他擅长Python和Go语言。"
+result = chain.invoke({"text": text})
+
+# 6. 打印结果
+print("\n--- 解析结果 ---")
+print(f"结果类型: {type(result)}")
+print(result)
+print("--------------------\n")
+
+print(f"姓名: {result.name}")
+print(f"年龄: {result.age}")
+print(f"技能: {result.skills}")
@@ -0,0 +1,71 @@
+from openai import OpenAI
+import os
+
+# 初始化 OpenAI 客户端
+client = OpenAI(
+    api_key=os.getenv("DEEPSEEK_API_KEY"),
+    base_url="https://api.deepseek.com",
+)
+
+# 定义一个函数，用于发送消息并获取模型的响应
+def send_messages(messages, tools=None):
+    response = client.chat.completions.create(
+        model="deepseek-chat",
+        messages=messages,
+        tools=tools,
+        tool_choice="auto",  # 让模型自主决定是否调用工具
+    )
+    return response.choices[0].message
+
+# 1. 定义工具（函数）的 Schema
+tools = [
+    {
+        "type": "function",
+        "function": {
+            "name": "get_weather",
+            "description": "获取指定地点的天气信息",
+            "parameters": {
+                "type": "object",
+                "properties": {
+                    "location": {
+                        "type": "string",
+                        "description": "城市和省份，例如：杭州市, 浙江省",
+                    }
+                },
+                "required": ["location"]
+            },
+        }
+    },
+]
+
+# 1. 用户提问，模型决策调用工具
+messages = [{"role": "user", "content": "杭州今天天气怎么样？"}]
+print(f"User> {messages[0]['content']}\n")
+message = send_messages(messages, tools=tools)
+
+# 2. 执行工具，并将结果返回模型
+if message.tool_calls:
+    print("--- 模型发起了工具调用 ---")
+    tool_call = message.tool_calls[0]
+    function_info = tool_call.function
+    print(f"工具名称: {function_info.name}")
+    print(f"工具参数: {function_info.arguments}")
+
+    # 将模型的回复（包含工具调用请求）添加到消息历史中
+    messages.append(message)
+
+    # 模拟执行工具
+    tool_output = "24℃，晴朗"
+    print(f"--- 执行工具并返回结果 ---")
+    print(f"工具执行结果: {tool_output}\n")
+
+    # 将工具的执行结果作为一个新的消息添加到历史中
+    messages.append({"role": "tool", "tool_call_id": tool_call.id, "content": tool_output})
+
+    # 3. 第二次调用：将工具结果返回给模型，获取最终回答
+    print("--- 将工具结果返回给模型，获取最终答案 ---")
+    final_message = send_messages(messages, tools=tools)
+    print(f"Model> {final_message.content}")
+else:
+    # 如果模型没有调用工具，直接打印其回答
+    print(f"Model> {message.content}")