LangChain+Ollama+DeepSeek AI應(yīng)用開發(fā)全鏈路認(rèn)知：從模型包裝器到提示詞模版 Agent

作者：山河已無恙 2025-03-11 00:25:00

組件是一個(gè)具有明確功能和用途的單元?。類似流程圖中的處理框，組件包括提示工程模版?, LLM模型包裝器、聊天模型包裝器?等以及和數(shù)據(jù)增強(qiáng)相關(guān)?的一系列工具和接口。可以把它們看作數(shù)據(jù)處理流水線上的各個(gè)工作站。

lang Chain 基本認(rèn)知

在開源項(xiàng)目中，它這樣介紹自己：

LangChain 是一個(gè)用于開發(fā)由大型語言模型(LLMs)驅(qū)動(dòng)的應(yīng)用程序的框架。對(duì)于這些應(yīng)用，LangChain 簡(jiǎn)化了整個(gè)應(yīng)用生命周期:

開源庫: 使用 LangChain 的開源組件和第三方集成構(gòu)建您的應(yīng)用程序。使用 LangGraph 構(gòu)建具有流處理和人機(jī)交互支持的帶狀態(tài)代理。
生產(chǎn)化: 使用 LangSmith 檢查、監(jiān)控和評(píng)估您的應(yīng)用程序，以便您可以不斷進(jìn)行優(yōu)化并充滿信心地進(jìn)行部署。
部署: 使用 LangGraph 平臺(tái)將您的 LangGraph 應(yīng)用程序轉(zhuǎn)換為生產(chǎn)就緒的API和助手。LangGraph是一個(gè)用于構(gòu)建具有LLMs的狀態(tài)和多主體應(yīng)用程序的庫，用于創(chuàng)建代理和多代理工作流。

對(duì)應(yīng)的項(xiàng)目地址：

langchain: https://github.com/langchain-ai/langchain
langgraph: https://github.com/langchain-ai/langgraph
langsmith: https://github.com/langchain-ai/langsmith-sdk

這里我們只關(guān)注 langchain ，langgraph 和 langsmith 在之后的博文和小伙伴分享

Lang Chain 應(yīng)用場(chǎng)景：問答系統(tǒng)，數(shù)據(jù)處理與管理，Agent ,RAG 等

lang Chain 架構(gòu)

lang Chain 通過組件和鏈提供基礎(chǔ)能力，類似我們常常畫的流程圖，工作流引擎一樣。

組件：組件是一個(gè)具有明確功能和用途的單元。類似流程圖中的處理框，組件包括提示工程模版, LLM模型包裝器、聊天模型包裝器等以及和數(shù)據(jù)增強(qiáng)相關(guān)的一系列工具和接口?？梢园阉鼈兛醋鲾?shù)據(jù)處理流水線上的各個(gè)工作站。每個(gè)組件都有其特定的職責(zé)，如處理數(shù)據(jù)的輸入輸出、轉(zhuǎn)化數(shù)據(jù)格式。

鏈：鏈?zhǔn)菍⒏鞣N組件連接在一起，它確保組件之間的無縫集成和在程序運(yùn)行環(huán)境中的高效調(diào)用。

Lang Chain 核心模塊

1.模型 I/O(Model IO)

LangChain 提供了與任何大語言模型均適配的模型包裝器(模型 I/0 的功能)分為模型包裝器（LLM）和聊天模型包裝器(Chat Model)。

LangChain 自身并不提供大語言模型而是提供統(tǒng)一的模型接口。模型包裝器這種包裝方式允許開發(fā)者與不同模型平臺(tái)底層的 API進(jìn)行交互，從而簡(jiǎn)化了大語言模型的調(diào)用，降低了開發(fā)者的學(xué)習(xí)成本。此外，其輸出解析器也能幫助開發(fā)者從模型輸出中提取所需的信息。

模型包裝器的提示詞模板功能使得開發(fā)者可以模板化、動(dòng)態(tài)選擇和管理模型輸人

2.數(shù)據(jù)增強(qiáng)(Data Connection)

許多LLM 應(yīng)用需要的用戶特定數(shù)據(jù)并不在模型的訓(xùn)練集中。LangChain 提供了加載、轉(zhuǎn)換、存儲(chǔ)和査詢數(shù)據(jù)的構(gòu)建塊。開發(fā)者可以利用文檔加載器從多個(gè)來源加載文檔，通過文檔轉(zhuǎn)換器進(jìn)行文檔切割、轉(zhuǎn)換等操作。矢量存儲(chǔ)和數(shù)據(jù)檢索工具則提供了對(duì)嵌人數(shù)據(jù)的存儲(chǔ)和查詢功能。

3.鏈( Chain)

單獨(dú)使用LLM 對(duì)于簡(jiǎn)單應(yīng)用可能是足夠的，但面對(duì)復(fù)雜的應(yīng)用往往需要將多個(gè) LLM 模型包裝器或其他組件進(jìn)行鏈?zhǔn)竭B接。LangChain 為此類鏈?zhǔn)綉?yīng)用提供了接口。有點(diǎn)類似于設(shè)計(jì)模式中的構(gòu)建者，按需 build ，每次都返回實(shí)例本身

4.記憶(Memory)

LangChain 提供了多種工具幫助開發(fā)者為系統(tǒng)添加記憶功能。記憶功能可以獨(dú)立使用，也可以無縫集成到鏈中。記憶模塊需要支持兩個(gè)基本操作，即讀取和寫入。

在每次運(yùn)行中，鏈?zhǔn)紫葟挠洃浤K中讀取數(shù)據(jù)，然后在執(zhí)行核心邏輯后將當(dāng)前運(yùn)行的輸人和輸出寫入記憶模塊，以供未來引用。通俗的講，就是會(huì)申請(qǐng)一塊內(nèi)存存房歷史會(huì)話數(shù)據(jù)。

5.Agent

核心思想是利用LLM 選擇操作序列。即把之后的組件調(diào)用的決策權(quán)交給 LLM，在鏈中，操作序列是硬編碼的,而在代理(Agent)代理中，大語言模型被用作推理引擎，確定執(zhí)行哪些操作，以及它們的執(zhí)行順序。

6.回調(diào)處理器(Callback)

LangChain 提供了一個(gè)回調(diào)系統(tǒng)，允許開發(fā)者在LLM應(yīng)用的各個(gè)階段對(duì)狀態(tài)進(jìn)行干預(yù)。這對(duì)于日志記錄、監(jiān)視、流處理等任務(wù)非常有用。通過API提供的回調(diào)參數(shù)，開發(fā)者可以訂閱這些事件。

Demo 實(shí)戰(zhàn)

理論學(xué)了那么多，我看幾個(gè)簡(jiǎn)單的Demo 認(rèn)識(shí)一下。

我們通過 Ollama 在本地部署 DeepSeek-R1 蒸餾模型，通過 langChain 調(diào)用。

下載模型，啟動(dòng) Ollama 服務(wù)。

PS C:\Users\Administrator> ollama list
NAME                  ID              SIZE      MODIFIED
deepseek-r1:latest    0a8c26691023    4.7 GB    3 seconds ago
deepseek-r1:32b       38056bbcbb2d    19 GB     2 weeks ago
deepseek-r1:14b       ea35dfe18182    9.0 GB    2 weeks ago
deepseek-r1:8b        28f8fd6cdc67    4.9 GB    2 weeks ago
bge-m3:latest         790764642607    1.2 GB    2 weeks ago
PS C:\Users\Administrator> ollama serve
Error: listen tcp 127.0.0.1:11434: bind: Only one usage of each socket address (protocol/network address/port) is normally permitted.
PS C:\Users\Administrator> ollama serve
2025/03/09 01:22:39 routes.go:1187: INFO server config env="map[CUDA_VISIBLE_DEVICES: GPU_DEVICE_ORDINAL: HIP_VISIBLE_DEVICES: HSA_OVERRIDE_GFX_VERSION: HTTPS_PROXY: HTTP_PROXY: NO_PROXY: OLLAMA_DEBUG:false OLLAMA_FLASH_ATTENTION:false OLLAMA_GPU_OVERHEAD:0 OLLAMA_HOST:http://127.0.0.1:11434 OLLAMA_INTEL_GPU:false OLLAMA_KEEP_ALIVE:5m0s OLLAMA_KV_CACHE_TYPE: OLLAMA_LLM_LIBRARY: OLLAMA_LOAD_TIMEOUT:5m0s OLLAMA_MAX_LOADED_MODELS:0 OLLAMA_MAX_QUEUE:512 OLLAMA_MODELS:C:\\Users\\Administrator\\.ollama\\models OLLAMA_MULTIUSER_CACHE:false OLLAMA_NOHISTORY:false OLLAMA_NOPRUNE:false OLLAMA_NUM_PARALLEL:0 OLLAMA_ORIGINS:[http://localhost https://localhost http://localhost:* https://localhost:* http://127.0.0.1 https://127.0.0.1 http://127.0.0.1:* https://127.0.0.1:* http://0.0.0.0 https://0.0.0.0 http://0.0.0.0:* https://0.0.0.0:* app://* file://* tauri://* vscode-webview://*] OLLAMA_SCHED_SPREAD:false ROCR_VISIBLE_DEVICES:]"
time=2025-03-09T01:22:39.303+08:00 level=INFO source=images.go:432 msg="total blobs: 14"
time=2025-03-09T01:22:39.304+08:00 level=INFO source=images.go:439 msg="total unused blobs removed: 0"
time=2025-03-09T01:22:39.306+08:00 level=INFO source=routes.go:1238 msg="Listening on 127.0.0.1:11434 (version 0.5.7)"
time=2025-03-09T01:22:39.306+08:00 level=INFO source=routes.go:1267 msg="Dynamic LLM libraries" runners="[cuda_v12_avx rocm_avx cpu cpu_avx cpu_avx2 cuda_v11_avx]"
time=2025-03-09T01:22:39.306+08:00 level=INFO source=gpu.go:226 msg="looking for compatible GPUs"
time=2025-03-09T01:22:39.306+08:00 level=INFO source=gpu_windows.go:167 msg=packages count=1
time=2025-03-09T01:22:39.308+08:00 level=INFO source=gpu_windows.go:183 msg="efficiency cores detected" maxEfficiencyClass=1
time=2025-03-09T01:22:39.308+08:00 level=INFO source=gpu_windows.go:214 msg="" package=0 cores=12 efficiency=4 threads=20
time=2025-03-09T01:22:39.448+08:00 level=INFO source=types.go:131 msg="inference compute" id=GPU-e65029a6-c2f9-44b1-bd76-c12e4083fa4c library=cuda variant=v12 compute=8.6 driver=12.8 name="NVIDIA GeForce RTX 3060" total="12.0 GiB" available="11.0 GiB"

LLMs 模型包裝器

下面為一個(gè) 基本的 Demo，使用 llm 模型包裝器，進(jìn)行預(yù)測(cè)推理，

invoke 是一個(gè)通用方法，用于同步調(diào)用模型、工具或組件的主要功能。它的核心作用是向目標(biāo)對(duì)象傳遞輸入數(shù)據(jù)并獲取輸出結(jié)果。
stream 是 LangChain 等大語言模型（LLM）框架中用于流式逐塊生成文本的核心方法。它的核心作用是：實(shí)時(shí)獲取模型輸出的片段（chunk），適用于需要逐步展示生成內(nèi)容、降低延遲感知或處理長(zhǎng)文本的場(chǎng)景。

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File    :   demo.py
@Time    :   2025/03/09 01:13:15
@Author  :   Li Ruilong
@Version :   1.0
@Contact :   liruilonger@gmail.com
@Desc    :   LangChain Demo
"""

# here put the import lib
#pip install langchain langchain-community ollama -i https://pypi.tuna.tsinghua.edu.cn/simple

from langchain_community.llms import Ollama

# 初始化 Ollama 連接
llm = Ollama(
    base_url="http://localhost:11434",  # Ollama 默認(rèn)端口
    model="deepseek-r1:latest",
    temperature=0.3,     # 控制創(chuàng)造性（0-1）
    num_ctx=4096         # 上下文長(zhǎng)度
)

# 單次對(duì)話
response = llm.invoke("LLM 是什么？")
print("回答：", response)

print("===========================================================")

# 流式輸出（適合長(zhǎng)文本）
for chunk in llm.stream("LLM 如何學(xué)習(xí)？"):
    print(chunk, end="", flush=True)

下面為 invoke 輸出結(jié)果

LLM 是 "Large Language Model" 的縮寫，即大型語言模型。這類模型由深度學(xué)習(xí)驅(qū)動(dòng)，能夠模擬人類-like 思維過程，并且能夠生成和理解自然語言文本。

### 主要特點(diǎn)
1. **復(fù)雜性**：通常包含數(shù)百億參數(shù)。
2. **規(guī)模**：參數(shù)數(shù)量多，計(jì)算資源要求高。
3. **訓(xùn)練數(shù)據(jù)**：依賴海量文本數(shù)據(jù)進(jìn)行微調(diào)或預(yù)訓(xùn)練。
4. **任務(wù)**：包括文本生成、問答、翻譯等。

.....................

prompts 提示詞模版

提示詞模板這里使用 PromptTemplate 模塊，這是一個(gè)最基本的實(shí)現(xiàn)，下面Demo 中

# 創(chuàng)建提示模板
prompt = PromptTemplate(
    input_variables=["topic"],
    template="用中文寫一首關(guān)于 {topic} 的五言絕句："
)

input_variables 用于定義變量參數(shù)，template 用于定義模版

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File    :   demo copy 2.py
@Time    :   2025/03/09 03:19:59
@Author  :   Li Ruilong
@Version :   1.0
@Contact :   liruilonger@gmail.com
@Desc    :   None
"""

# here put the import lib



# here put the import lib
#pip install langchain langchain-community ollama -i https://pypi.tuna.tsinghua.edu.cn/simple

from langchain.chains import LLMChain
from langchain_community.llms import Ollama
from langchain_core.prompts import PromptTemplate

# 初始化模型
llm = Ollama(model="deepseek-r1")

# 創(chuàng)建提示模板
prompt = PromptTemplate(
    input_variables=["topic"],
    template="用中文寫一首關(guān)于 {topic} 的五言絕句："
)

# 構(gòu)建 Chain
chain = LLMChain(llm=llm, prompt=prompt)

# 執(zhí)行調(diào)用
print(chain.run("秋天的楓葉"))

輸出結(jié)果：

<think>
好的，用戶讓我用中文寫一首關(guān)于秋天楓葉的五言絕句。首先，我得理解用戶的需求，他們可能想表達(dá)對(duì)秋天的贊美或者懷念。五言絕句結(jié)構(gòu)緊湊，每句五個(gè)字，押韻，所以需要 簡(jiǎn)潔有力。

接下來，考慮秋天楓葉的特點(diǎn)：紅葉、蕭瑟、自然的變化。想到楓葉的顏色變化，紅葉象征著成熟和熱情。我需要用一些生動(dòng)的詞語來描繪楓葉的狀態(tài)，比如“染”、“飛舞”等。

然后，考慮整體意境。秋天不僅是季節(jié)變換，還有一種寧靜或深遠(yuǎn)的感覺?？赡芗尤胍恍┳匀辉?，如山色、風(fēng)霜，來增強(qiáng)畫面感。

結(jié)構(gòu)上，四句每句五個(gè)字，押韻。首句點(diǎn)明主題，中間兩句描繪景象，末句升華主題。比如：

第一句：“紅葉正秋染”，引出季節(jié)和顏色變化。
第二句：“山色起風(fēng)霜”，描繪環(huán)境的變化和寒意。
第三句：“一片飛舞地”，形容紅葉的狀態(tài)。
第四句：“滿城換新裝”，表現(xiàn)秋天帶來的變化。

這樣組合起來，整首詩既有畫面感，又表達(dá)了對(duì)秋天的熱愛。最后檢查押韻是否合適，確保每句末尾字的平仄和諧。

總的來說，這首詩通過描繪紅葉的顏色和動(dòng)態(tài)，以及整體環(huán)境的變化，傳達(dá)出秋天的美麗和成熟。
</think>

《題陶山楓》
紅葉正秋染，山色起風(fēng)霜。
一片飛舞地，滿城換新裝。
PS C:\Users\Administrator\Documents\GitHub\LangChainDemo>

Agent Demo

相對(duì)于于傳統(tǒng)的方式，Agent 提供了記憶功能和決策功能。

我們先來看一個(gè)記憶功能的 Demo。

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File    :   demo_memory.py
@Time    :   2025/03/09 03:21:59
@Author  :   Li Ruilong
@Version :   1.0
@Contact :   liruilonger@gmail.com
@Desc    :   None
"""

# here put the import lib


# here put the import lib
#pip install langchain langchain-community ollama -i https://pypi.tuna.tsinghua.edu.cn/simple

from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferWindowMemory
from langchain_community.llms import Ollama

llm = Ollama(model="deepseek-r1")

# 保留最近3輪對(duì)話歷史
memory = ConversationBufferWindowMemory(k=3)
conversation = ConversationChain(llm=llm, memory=memory)

# 多輪對(duì)話示例
print(conversation.run("幫我寫一個(gè)斐波那契數(shù)列的Python函數(shù)"))
print(conversation.run("添加類型注解"))
print(conversation.run("優(yōu)化時(shí)間復(fù)雜度"))

下面為 Agent 的輸出。

<think>
嗯，用戶想讓我?guī)退麑懸粋€(gè)斐波那契數(shù)列的Python函數(shù)。首先，我需要確認(rèn)他具體想要什么樣的斐波那契數(shù)列。常見的有兩種版本：一種是從第0項(xiàng)開始，另一種是從第1項(xiàng)開始。 
............
<think>
當(dāng)然！讓我為您添加類型注解到斐波那契數(shù)列函數(shù)中。以下是帶有具體類型的Python函數(shù)：
..............................
<think>
嗯，用戶想讓我?guī)退麅?yōu)化斐波那契數(shù)列函數(shù)的時(shí)間復(fù)雜度。首先，我需要了解當(dāng)前的實(shí)現(xiàn)方法是什么樣的。之前的回復(fù)提供了一個(gè)迭代版本，時(shí)間復(fù)雜度是O(n)，這對(duì)大多數(shù)用途 來說已經(jīng)足夠高效了。
...................

下面為一個(gè)帶記憶和決策功能的 Agent Demo

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File    :   demo_agent.py
@Time    :   2025/03/09 03:46:56
@Author  :   Li Ruilong
@Version :   1.0
@Contact :   liruilonger@gmail.com
@Desc    :   None
"""

# here put the import lib


# here put the import lib

from langchain_community.llms import Ollama
from langchain_community.chat_models import ChatOllama
from langchain.agents import AgentType, initialize_agent, Tool
from langchain.memory import ConversationBufferWindowMemory
from langchain_community.tools import WikipediaQueryRun
from langchain_community.utilities import WikipediaAPIWrapper

# 自定義文學(xué)分析工具（無需API）
class BookQuotesTool:
    @staticmethod
    def search_quotes(book_title: str, author: str = "木心") -> str:
        """模擬文學(xué)語錄檢索（實(shí)際可接入本地知識(shí)庫）"""
        quotes_db = {
            "素履之往": [
                "生命好在無意義，才容得下各自賦予意義。",
                "所謂無底深淵，下去，也是前程萬里。",
                "歲月不饒人，我亦未曾饒過歲月。"
            ]
        }
        return"\n".join(quotes_db.get(book_title, ["暫未收錄該作品語錄"]))

# 配置本地模型
llm = Ollama(model="deepseek-r1:latest", temperature=0.3)
chat_model = ChatOllama(model="deepseek-r1:latest")

# 初始化記憶系統(tǒng)
memory = ConversationBufferWindowMemory(
    memory_key="chat_history",
    k=5,
    return_messages=True
)

# 構(gòu)建定制化工具集
tools = [
    Tool(
        name="LiteratureSearch",
        func=lambda query: BookQuotesTool.search_quotes("素履之往"),
        description="用于檢索木心《素履之往》的經(jīng)典語錄"
    ),
    WikipediaQueryRun(
        api_wrapper=WikipediaAPIWrapper(top_k_results=1, lang="zh")
    )
]

# 創(chuàng)建帶文學(xué)分析能力的Agent
agent = initialize_agent(
    tools,
    chat_model,
    agent=AgentType.CHAT_CONVERSATIONAL_REACT_DESCRIPTION,
    memory=memory,
    verbose=True,
    handle_parsing_errors=True,
    max_iterations=3# 限制搜索深度
)

# 測(cè)試用例
queries = [
    "列舉《素履之往》中關(guān)于時(shí)間的哲理語句",
    "這本書里如何闡述生命的意義？",
    "將第二句語錄用英文翻譯"
]

for q in queries:
    print(f"問題：{q}")
    print(agent.run(q))
    print("\n" + "="*50 + "\n")

下面為輸出結(jié)構(gòu)，我們可以看到第一個(gè)到第二個(gè)問題，體現(xiàn)記憶功能，第二個(gè)問題，到第三個(gè)問題是由第二個(gè)問題的輸出，決策第三個(gè)問題的答案。

問題：列舉《素履之往》中關(guān)于時(shí)間的哲理語句
C:\Users\Administrator\Documents\GitHub\LangChainDemo\demo\demo_agent.py:78: LangChainDeprecationWarning: The method `Chain.run` was deprecated in langchain 0.1.0 and will be removed in 1.0. Use :meth:`~invoke` instead.
  print(agent.run(q))

> Entering new AgentExecutor chain...
<think>
好，我現(xiàn)在要回答用戶的問題：“列舉《素履之往》中關(guān)于時(shí)間的哲理語句”。首先，我需要理解用戶的需求。他們想要找到《素履之往》中的時(shí)間相關(guān)的哲理句子。

接下來，我會(huì)回想一下《素履之往》的內(nèi)容。這是一部哲學(xué)著作，主要討論生活態(tài)度和處世之道。作者在這本書中強(qiáng)調(diào)的是內(nèi)心修持的重要性，而時(shí)間并不是特別受重視的一方面 。因此，我需要確認(rèn)是否有關(guān)于時(shí)間的直接論述。

如果找不到直接提到時(shí)間的句子，我可以考慮其他方法。例如，通過分析作者的觀點(diǎn)來間接理解他對(duì)時(shí)間的看法。但通常情況下，這種書更注重內(nèi)在修養(yǎng)而非時(shí)間管理或哲學(xué)中的 時(shí)間概念。

綜上所述，可能《素履之往》中并沒有專門討論時(shí)間的哲理句子。因此，我應(yīng)該建議用戶如果沒有找到相關(guān)的內(nèi)容，可以嘗試查閱相關(guān)的注釋或?qū)W術(shù)評(píng)論，了解是否有學(xué)者對(duì)其中 的時(shí)間主題有解讀。
</think>

> Finished chain.
由于《素履之往》主要關(guān)注的是人的日常生活態(tài)度和處世之道，而時(shí)間并不是其核心討論的主題，因此可以推測(cè)書中并未專門列出關(guān)于時(shí)間的哲理語句。為了更全面地了解，您可 以查閱相關(guān)注釋或?qū)W術(shù)評(píng)論以獲取對(duì)時(shí)間主題的解讀。

==================================================

問題：這本書里如何闡述生命的意義？

> Entering new AgentExecutor chain...
<think>
好的，現(xiàn)在我要分析用戶的問題：“這本書里如何闡述生命的意義？” 用戶提到的是《素履之往》，而我之前已經(jīng)告訴過他們，這本書主要討論的是處世態(tài)度和生活態(tài)度，并沒有專門探討時(shí)間或其他主題的哲理語句。所以，我應(yīng)該建議他們查閱相關(guān)的注釋或?qū)W術(shù)評(píng)論來了解書中關(guān)于生命意義的內(nèi)容。

接下來，用戶要求列舉關(guān)于時(shí)間的哲理語句，但由于《素履之往》并沒有涉及時(shí)間主題，所以最好的辦法是引導(dǎo)他們?nèi)ふ蚁嚓P(guān)資料。我需要提醒用戶，如果他們想了解更多關(guān)于 生命的意義，可以參考其他資源，比如注釋、評(píng)論或?qū)W術(shù)研究。

最后，按照指示，我應(yīng)該輸出一個(gè)JSON格式的指令，告訴用戶使用文學(xué)搜索工具來查找相關(guān)的語錄。這樣他們就能找到更多的信息了。
</think>


{
    "action": "LiteratureSearch",
    "action_input": "《素履之往》中關(guān)于生命意義的經(jīng)典語錄有哪些？"
}


Observation: 生命好在無意義，才容得下各自賦予意義。
所謂無底深淵，下去，也是前程萬里。
歲月不饒人，我亦未曾饒過歲月。
Thought:<think>
...............................
> Finished chain.

==================================================

問題：將第二句語錄用英文翻譯

> Entering new AgentExecutor chain...
<think>
Alright, I need to help the user translate the second sentence of "素履之往" into English. First, let me recall what that sentence is about.

From what I remember, the second sentence translates something like "The journey of life is best traveled alone." That's a pretty common translation, so it makes sense if it's from this book.

Now, to make sure I'm accurate, I'll think through why that would be an appropriate translation. The wording in Chinese emphasizes independence and personal experience, which aligns with the English phrase about traveling alone for growth.

I should also consider if there are any nuances or alternative translations suggested by experts, but from what I know, this is a widely accepted version.
</think>

{
    "action": "Final Answer",
    "action_input": "The journey of life is best traveled alone."
}


> Finished chain.
The journey of life is best traveled alone.

==================================================

PS C:\Users\Administrator\Documents\GitHub\LangChainDemo>

Lang Chain 表達(dá)式

類似 Linux 中的管道操作，LangChain 中也可以通過管道符鏈接組構(gòu)成一些常見表達(dá)式。比如提示詞模板+模型包裝器，提示詞模板+模型包裝器+輸出解析器

下面是一個(gè) 基礎(chǔ) Demo

#!/usr/bin/env python
# -*- encoding: utf-8 -*-
"""
@File    :   demo_prompts.py
@Time    :   2025/03/09 03:17:01
@Author  :   Li Ruilong
@Version :   1.0
@Contact :   liruilonger@gmail.com
@Desc    :   None
"""

# here put the import lib
#pip install langchain langchain-community ollama -i https://pypi.tuna.tsinghua.edu.cn/simple

from langchain_community.llms import Ollama
from langchain.prompts import ChatPromptTemplate

# 初始化 Ollama 連接
llm = Ollama(
    base_url="http://localhost:11434",  # Ollama 默認(rèn)端口
    model="deepseek-r1:latest",
    temperature=0.3,     # 控制創(chuàng)造性（0-1）
    num_ctx=4096         # 上下文長(zhǎng)度
)

prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一個(gè)Linux 性能調(diào)優(yōu)專家，現(xiàn)在請(qǐng)回答客戶的問題"),
    ("human", "{input}")
])

chain = prompt | llm
print(chain.invoke({"input": "CPU 使用率 100% 如何排查？"}))

<think>
嗯，用戶說他的CPU使用率一直顯示100%，這可能是個(gè)問題。首先，我得考慮一下是不是系統(tǒng)出現(xiàn)了死循環(huán)或者進(jìn)程卡住了。比如，后臺(tái)運(yùn)行了很多程序，特別是那些長(zhǎng)時(shí)間運(yùn)行的腳本或服務(wù)，可能會(huì)占用大量的CPU資源。
.....................................
總之，要排查CPU使用率100%的問題，需要從系統(tǒng)資源、進(jìn)程行為、磁盤I/O以及軟件配置等多個(gè)方面進(jìn)行全面檢查，逐步縮小范圍找到具體原因。
</think>

如果您的系統(tǒng)顯示CPU使用率為100%，這通常意味著系統(tǒng)的資源被耗盡或存在一些問題。以下是一些可能的原因和排查步驟：

### 1. **檢查進(jìn)程占用**
   - 使用命令 `top` 或 `htop` 查看當(dāng)前運(yùn)行的進(jìn)程，確認(rèn)是否有進(jìn)程長(zhǎng)時(shí)間運(yùn)行或占用大量CPU資源。
     ```bash
     top
     ```
   - 如果發(fā)現(xiàn)某個(gè)進(jìn)程的CPU使用率持續(xù)在100%，可能是該進(jìn)程存在問題。

。。。。。。。。。。。。。。。。。。

責(zé)任編輯：武曉燕來源：山河已無恙