基于LangChain的RAG与Agent智能体开发 - OpenAI库介绍和使用

大家好我是小锋老师最近更新《2027版 基于LangChain的RAG与Agent智能体 开发视频教程》专辑感谢大家支持。本课程主要介绍和讲解RAGLangChain简介接入通义千万大模型Ollama简介以及安装和使用OpenAI库介绍和使用以及最重要的基于LangChain实现RAG与Agent智能体开发技术。视频教程课件源码打包下载链接https://pan.baidu.com/s/1_NzaNr0Wln6kv1rdiQnUTg提取码0000基于LangChain的RAG与Agent智能体开发 - OpenAI库介绍和使用1openai库简介OpenAI库是OpenAI官方提供的Python SDK软件开发工具包它就像一座桥梁让开发者可以用Python代码方便地调用OpenAI的各种强大AI模型如GPT系列当然阿里百炼云平台也兼容支持OpenAI库。2openai库安装openai 库安装pip install openai -i https://pypi.tuna.tsinghua.edu.cn/simple --trusted-host pypi.tuna.tsinghua.edu.cn3实例化openai客户端client OpenAI( # 如果没有配置环境变量请用阿里云百炼API Key替换api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, )api_key指定模型服务商提供的api秘钥base_url指定模型服务商提供的API接入地址4创建会话from openai import OpenAI import os ​ # 创建OpenAI客户端 client OpenAI( # 如果没有配置环境变量请用阿里云百炼API Key替换api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, ) ​ # 创建对话 messages [ {role: system, content: 你是一个Python编程大师}, {role: assistant, content: 我是一个Python编程大师请问有什么可以帮助您的吗}, {role: user, content: 给我写一个Python快速排序算法} ] # 发送请求 completion client.chat.completions.create( modelqwen3.5-plus, # 您可以按需更换为其它深度思考模型 messagesmessages )ChatCompletion参数model: 模型选择gpt-4, gpt-3.5-turbo等messages: 对话消息列表system: 系统设定user: 用户输入assistant: AI回复temperature: 温度0-2越低越确定越高越随机max_tokens: 最大生成token数top_p: 核采样0-1替代temperaturefrequency_penalty: 频率惩罚-2到2presence_penalty: 存在惩罚-2到25会话返回结果我们通过debug打印completion对象我们发现通过级联对象调用能够获取到大模型返回的文本内容print(completion.choices[0].message.content)大模型返回内容如下D:\python_pro\RAGPro1\venv\Scripts\python.exe D:\python_pro\RAGPro1\openAI测试\test.py 下面是一个用 Python 实现的快速排序算法包括基础版本、优化版本、使用示例和算法说明帮助你全面理解快速排序的实现与应用。 ​ --- ​ ## 1. 基础版本简洁易读 ​ python def quick_sort(arr): 快速排序 - 基础版本 时间复杂度平均 O(n log n)最坏 O(n²) 空间复杂度O(n) if len(arr) 1: return arr pivot arr[len(arr) // 2] # 选择中间元素作为基准 left [x for x in arr if x pivot] middle [x for x in arr if x pivot] right [x for x in arr if x pivot] return quick_sort(left) middle quick_sort(right) ​ --- ​ ## 2. 优化版本原地排序节省空间 ​ python def quick_sort_inplace(arr, low0, highNone): 快速排序 - 原地版本节省空间 时间复杂度平均 O(n log n)最坏 O(n²) 空间复杂度O(log n) if high is None: high len(arr) - 1 if low high: pivot_index partition(arr, low, high) quick_sort_inplace(arr, low, pivot_index - 1) quick_sort_inplace(arr, pivot_index 1, high) return arr ​ def partition(arr, low, high): 分区函数 - 使用 Lomuto 分区方案 pivot arr[high] # 选择最后一个元素作为基准 i low - 1 for j in range(low, high): if arr[j] pivot: i 1 arr[i], arr[j] arr[j], arr[i] arr[i 1], arr[high] arr[high], arr[i 1] return i 1 ​ --- ​ ## 3. 使用示例 ​ python if __name__ __main__: # 示例数据 arr [64, 34, 25, 12, 22, 11, 90, 88, 76, 50, 42] print(原始数组:, arr) # 基础版本 sorted_arr quick_sort(arr.copy()) print(快速排序结果:, sorted_arr) # 原地版本 arr_inplace arr.copy() quick_sort_inplace(arr_inplace) print(原地排序结果:, arr_inplace) # 测试不同情况 test_cases [ [5, 2, 8, 1, 9], # 普通情况 [1, 2, 3, 4, 5], # 已排序 [5, 4, 3, 2, 1], # 逆序 [3, 3, 3, 3], # 重复元素 [1], # 单元素 [] # 空数组 ] print(\n多组测试:) for i, test in enumerate(test_cases, 1): result quick_sort(test.copy()) print(f测试{i}: {test} - {result}) ​ --- ​ ## 4. 算法说明 ​ | 特性 | 说明 | |------|------| | **时间复杂度** | 平均 O(n log n)最坏 O(n²) | | **空间复杂度** | 基础版 O(n)原地版 O(log n) | | **稳定性** | 不稳定排序 | | **适用场景** | 大多数通用排序场景数据量大时表现优秀 | ​ ### 优化建议 1. **三数取中法**选择首、中、尾三个元素的中值作为基准避免最坏情况 2. **小数组使用插入排序**当子数组较小时如长度 10改用插入排序更高效 3. **尾递归优化**减少递归调用栈深度 ​ --- ​ ## 5. 带优化的完整版本推荐生产使用 ​ python def quick_sort_optimized(arr, low0, highNone): 快速排序 - 生产优化版本 if high is None: high len(arr) - 1 # 小数组使用插入排序 if high - low 10: insertion_sort(arr, low, high) return arr if low high: pivot_index partition_optimized(arr, low, high) quick_sort_optimized(arr, low, pivot_index - 1) quick_sort_optimized(arr, pivot_index 1, high) return arr ​ def partition_optimized(arr, low, high): 三数取中法选择基准 mid (low high) // 2 # 三数取中 if arr[low] arr[mid]: arr[low], arr[mid] arr[mid], arr[low] if arr[low] arr[high]: arr[low], arr[high] arr[high], arr[low] if arr[mid] arr[high]: arr[mid], arr[high] arr[high], arr[mid] arr[mid], arr[high - 1] arr[high - 1], arr[mid] pivot arr[high - 1] i low j high - 1 while True: i 1 while arr[i] pivot: i 1 j - 1 while arr[j] pivot: j - 1 if i j: break arr[i], arr[j] arr[j], arr[i] arr[i], arr[high - 1] arr[high - 1], arr[i] return i ​ def insertion_sort(arr, low, high): 插入排序辅助函数 for i in range(low 1, high 1): key arr[i] j i - 1 while j low and arr[j] key: arr[j 1] arr[j] j - 1 arr[j 1] key ​ --- ​ 选择哪个版本取决于你的需求 - **学习理解**使用基础版本 - **节省内存**使用原地版本 - **生产环境**使用优化版本 ​ 有任何问题欢迎继续询问 ​ Process finished with exit code 06流式输出前面的默认输出是整体输出延迟很大效果很不好我们企业级开发肯定是那种像流水一样的一段一段输出也就是流式输出形式。那我们来实现下流式输出吧首先create方法里要设置下 streamTrue开启流式输出我们通过遍历completion对象得到chunk块chunk.choices[0]有个属性delta假如有content属性以及有值我就打印delta的content内容也就是流的块内容。下面是官方参考实现代码from openai import OpenAI import os ​ # 创建OpenAI客户端 client OpenAI( # 如果没有配置环境变量请用阿里云百炼API Key替换api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, ) ​ # 创建对话 messages [ {role: system, content: 你是一个Python编程大师}, {role: assistant, content: 我是一个Python编程大师请问有什么可以帮助您的吗}, {role: user, content: 给我写一个Python快速排序算法} ] # 发送请求 completion client.chat.completions.create( modelqwen3.5-plus, # 您可以按需更换为其它深度思考模型 messagesmessages, streamTrue # 开启流式输出 ) # 获取流式结果 for chunk in completion: delta chunk.choices[0].delta # 获取当前chunk的delta if hasattr(delta, content) and delta.content is not None: # 获取当前chunk的reasoning_content print(delta.content, end, flushTrue)运行结果就是一段一段的流式输出了。7开启思考打印带思考扩展的流式输出大模型默认是不开启思考的如果我们需要开启回答的时候带上上大模型的思考过程。我们可以设置 extra_body{enable_thinking: True}打印大模型思考内容delta对象有个reasoning_content属性我们需要判断是否有这个属性以及是否有值然后才打印以及为了输出效果好我们定义一个is_answering 是否进入回复阶段属性默认设置Flase,只有当第一次出现正式回复内容的时候才设置成True。官方参考代码实现from openai import OpenAI import os ​ # 创建OpenAI客户端 client OpenAI( # 如果没有配置环境变量请用阿里云百炼API Key替换api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, ) ​ # 创建对话 messages [ {role: system, content: 你是一个Python编程大师}, {role: assistant, content: 我是一个Python编程大师请问有什么可以帮助您的吗}, {role: user, content: 给我写一个Python快速排序算法} ] # 发送请求 completion client.chat.completions.create( modelqwen3.5-plus, # 您可以按需更换为其它深度思考模型 messagesmessages, extra_body{enable_thinking: True}, # 开启思考 streamTrue # 开启流式输出 ) is_answering False # 是否进入回复阶段 print(\n * 20 思考过程 * 20) # 获取流式结果 for chunk in completion: delta chunk.choices[0].delta # 获取当前chunk的delta if hasattr(delta, reasoning_content) and delta.reasoning_content is not None: # 获取当前chunk的reasoning_content if not is_answering: print(delta.reasoning_content, end, flushTrue) if hasattr(delta, content) and delta.content is not None: # 获取当前chunk的reasoning_content if not is_answering: print(\n * 20 完整回复 * 20) is_answering True print(delta.content, end, flushTrue)运行测试这样回答的内容就带上了大模型思考过程8历史消息上下文以及大模型输出的关系前面的代码示例里面有不少小伙伴有疑问为什么messages消息列表的内容控制台输出里面没有显示。这里有个重要的概念就是这里的messages是历史消息历史消息仅用于为模型提供上下文它们不会出现在输出中。输出只包含模型基于上下文生成的新内容。下面我们来搞一个稍微复杂点历史消息。from openai import OpenAI import os ​ # 创建OpenAI客户端 client OpenAI( # 如果没有配置环境变量请用阿里云百炼API Key替换api_keysk-xxx api_keyos.getenv(DASHSCOPE_API_KEY), base_urlhttps://dashscope.aliyuncs.com/compatible-mode/v1, ) ​ # 创建对话 messages [ {role: system, content: 你是一个计算方面的大师}, {role: user, content: 张三有5块钱}, {role: assistant, content: 是的}, {role: user, content: 李四有3块钱张三给了李四1块钱}, {role: assistant, content: 是的}, {role: user, content: 现在张三和李四分别有多少钱} ] # 发送请求 completion client.chat.completions.create( modelqwen3.5-plus, # 您可以按需更换为其它深度思考模型 messagesmessages, extra_body{enable_thinking: True}, # 开启思考 streamTrue # 开启流式输出 ) is_answering False # 是否进入回复阶段 print(\n * 20 思考过程 * 20) # 获取流式结果 for chunk in completion: delta chunk.choices[0].delta # 获取当前chunk的delta if hasattr(delta, reasoning_content) and delta.reasoning_content is not None: # 获取当前chunk的reasoning_content if not is_answering: print(delta.reasoning_content, end, flushTrue) if hasattr(delta, content) and delta.content is not None: # 获取当前chunk的reasoning_content if not is_answering: print(\n * 20 完整回复 * 20) is_answering True print(delta.content, end, flushTrue)​我们来看下运行结果思考过程还是比较丰富的。D:\python_pro\RAGPro1\venv\Scripts\python.exe D:\python_pro\RAGPro1\openAI测试\历史记录构成模型上下文.py 思考过程 Thinking Process: 1. **Analyze the Request:** * Role: Master of Calculation (计算方面的大师). * Input Sequence: 1. User: 张三有 5 块钱 (Zhang San has 5 yuan). 2. Assistant: 是的 (Yes). 3. User: 李四有 3 块钱张三给了李四 1 块钱 (Li Si has 3 yuan, Zhang San gave Li Si 1 yuan). 4. Assistant: 是的 (Yes). 5. User: 现在张三和李四分别有多少钱 (How much money do Zhang San and Li Si have now?) * Task: Calculate the final amounts for Zhang San and Li Si based on the previous statements. 2. **Track the State:** * Initial State: * Zhang San (张三) 5 yuan. * Li Si (李四) 3 yuan. * Action: * Zhang San gives Li Si 1 yuan (张三给了李四 1 块钱). * Calculation: * Zhang Sans new amount Initial - Given 5 - 1 4 yuan. * Li Sis new amount Initial Received 3 1 4 yuan. 3. **Formulate the Output:** * Need to answer clearly as a Master of Calculation. * State the final amounts for both individuals. * Keep it concise and accurate. 4. **Drafting the Response:** * 张三5 - 1 4 块。 * 李四3 1 4 块。 * Final answer: 张三有 4 块钱李四有 4 块钱。 5. **Refining the Tone:** * As a Master of Calculation, I should be precise and direct. * 经过计算现在张三有 4 块钱李四有 4 块钱。 (After calculation, now Zhang San has 4 yuan, Li Si has 4 yuan.) 6. **Final Check:** * Does it match the context? Yes. * Is the math correct? 5-14, 314. Yes. * Is the language natural? Yes. 7. **Final Output Generation:** (See actual output) 张三5 - 1 4 元 李四3 1 4 元 结论张三有 4 块钱李四有 4 块钱。 Lets make it slightly more conversational but precise. 现在张三有 4 块钱李四有 4 块钱。 Or show the calculation process briefly to uphold the Master persona. 张三剩余5 - 1 4 块 李四现有3 1 4 块 Lets go with a clear statement. 现在张三有 4 块钱李四有 4 块钱。 (Simple and direct) Maybe add the calculation logic for clarity. 张三5 - 1 4 块 李四3 1 4 块 Okay, I will provide the direct answer with a brief breakdown. *Self-Correction on Persona:* The user defined me as a Master of Calculation. I should sound confident and accurate. Response: 经过计算 张三5 - 1 4 块钱 李四3 1 4 块钱 所以现在张三有 4 块钱李四有 4 块钱。 Wait, I should check if there are any trick questions hidden. 张三有 5 块钱 - Confirmed. 李四有 3 块钱张三给了李四 1 块钱 - Confirmed. No tricks detected. Just simple arithmetic. Final decision: 现在张三有 4 块钱李四有 4 块钱。 (Optionally show the math) 张三5 - 1 4 李四3 1 4 Lets combine for clarity. 现在张三有 4 块钱李四有 4 块钱。 (Keep it simple as the previous answers were just 是的) But since I am a Master of Calculation, showing the logic is better. Revised Plan: 1. State Zhang Sans amount. 2. State Li Sis amount. 3. Keep it concise. Output: 现在张三有 4 块钱李四有 4 块钱。 (Calculation: 5-14, 314) Lets write it naturally. 现在张三有 4 块钱李四有 4 块钱。 Maybe add 计算如下 No, just give the answer directly but accurately. Okay, final version: 现在张三有 4 块钱李四有 4 块钱。 (Because 5-14, 314) Lets just output the result clearly. 现在张三有 4 块钱李四有 4 块钱。 Wait, I should maintain the persona. 经计算张三 4 块李四 4 块。 Lets be polite and clear. 现在张三有 4 块钱李四有 4 块钱。 Okay, I will write: 现在张三有 4 块钱李四有 4 块钱。 (张三5 - 1 4李四3 1 4) Actually, looking at the conversation flow, the previous answers were very short (是的). I should probably be slightly more detailed now since its a question requiring calculation. 现在张三有 4 块钱李四有 4 块钱。 is good. I will add the calculation steps to emphasize the Master of Calculation role. 张三5 - 1 4 块 李四3 1 4 块 合计两人各有 4 块。 Okay, ready to generate.cltr 完整回复 经过计算 * **张三**原有 5 块给出 1 块剩余 **4 块**5 - 1 4。 * **李四**原有 3 块收到 1 块现有 **4 块**3 1 4。 所以现在张三有 4 块钱李四有 4 块钱。 Process finished with exit code 0