demos_basic

这是一组 LangChain 学习 demo，目标是把从“提示词”到“RAG、Agent、Callback、Runnable 进阶”的常见能力串起来。

技术说明

• LCEL：LangChain Expression Language，用 | 把 prompt、model、parser、tool 串成管道。
• Prompt Template：把固定提示词和变量拆开，方便复用和维护。
• Memory：保存对话上下文，让模型记住前文。
• Output Parser：把模型输出转成结构化数据，比如 JSON、Pydantic 对象、列表。
• RAG Ingest：把文档读取、切块、做 embedding、存入向量库。
• RAG Chain：先检索文档，再让模型基于文档回答。
• Tools / Agent：让模型能调用工具，必要时执行函数或查询外部信息。
• Callback：观察链路执行过程，记录开始、结束、流式 token 和错误。
• Runnable 进阶：演示透传、并行、分支、后处理等更灵活的管道组合。

Demo 目录

• demo01_lcel_basics.py：讲 prompt | llm | parser 这种最基础的 LCEL 管道。
• demo02_prompt_template.py：讲如何把提示词模板化，复用变量和消息历史。
• demo03_memory.py：讲如何保存和压缩对话记忆，避免上下文丢失。
• demo04_output_parser.py：讲如何把模型输出稳定地解析成 JSON、Pydantic 和列表。
• demo05_rag_ingest.py：讲如何把文档入库到 Chroma，形成可检索的知识向量。
• demo06_rag_chain.py：讲如何把检索到的文档喂回模型，完成 RAG 问答。
• demo07_tools_agent.py：讲如何让 Agent 根据问题选择并调用工具。
• demo08_callbacks.py：讲如何观察链路运行过程，以及普通调用和流式调用的区别。
• demo09_runnable_advanced.py：讲 Runnable 的透传、并行、分支和后处理能力。
• demo10_api_service.py：讲如何用 FastAPI + Uvicorn 把 LangChain 链路封装成可调用 API（普通 + 流式）。

环境准备

uv pip install -r requirements.txt

如果你用的是本地 Ollama embedding：

ollama pull qwen3-embedding:0.6b
ollama serve

项目文件

• requirements.txt：Python 依赖清单。
• pyproject.toml：项目元数据和依赖配置。
• .gitignore：在仓库根目录 /Users/kunyashaw/lobsterai/project/.gitignore，用来忽略虚拟环境、缓存、.env 和生成的数据。

运行说明

直接运行任意 demo 文件即可，例如：

./.venv/bin/python demo05_rag_ingest.py

备注

如果新增了依赖，请同步更新：

• requirements.txt
• pyproject.toml