from langchain.llms import OpenAI
from langchain.chat_models import ChatOpenAI
from langchain.prompts import PromptTemplate
from langchain.schema import HumanMessage

# 1. 使用 LLM
llm = OpenAI(model_name="gpt-3.5-turbo-instruct") # 注意：这是补全模型
text = "给我讲一个笑话"
print(llm.invoke(text))

# 2. 使用 Chat Model (更推荐)
chat_model = ChatOpenAI(model="gpt-3.5-turbo")
messages = [HumanMessage(content="给我讲一个笑话")]
print(chat_model.invoke(messages))

# 3. 使用 Prompt Template
prompt_template = PromptTemplate.from_template(
    “你是一个专业的{profession}。请用{style}的风格，写一篇关于{topic}的简短文章。”
)
# 动态填充模板
filled_prompt = prompt_template.format(profession="厨师", style="幽默", topic="西红柿炒鸡蛋")
print(f"生成的提示词：{filled_prompt}")

# 将填充好的提示词发送给模型
result = chat_model.invoke([HumanMessage(content=filled_prompt)])
print(result.content)

from langchain.chains import LLMChain

# 结合上面定义的 chat_model 和 prompt_template
chain = LLMChain(llm=chat_model, prompt=prompt_template)

# 一键运行，无需手动格式化和调用模型
result = chain.run({
    "profession": "旅行作家",
    "style": "抒情",
    "topic": "冬日里的长城"
})
print(result)

from langchain.chains import SimpleSequentialChain

# 第一个链：总结
summary_template = PromptTemplate.from_template("请用一句话总结以下文本：\n\n{text}")
summary_chain = LLMChain(llm=chat_model, prompt=summary_template)

# 第二个链：翻译
translation_template = PromptTemplate.from_template("将以下中文文本翻译成法语：\n\n{text}")
translation_chain = LLMChain(llm=chat_model, prompt=translation_template)

# 组合成顺序链
overall_chain = SimpleSequentialChain(chains=[summary_chain, translation_chain], verbose=True)

# 运行
article_text = """
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。
它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。
"""
final_result = overall_chain.run(article_text)
print(f"\n最终结果：{final_result}")

from langchain.agents import load_tools, initialize_agent, AgentType
from langchain.agents import Tool
from langchain.utilities import SerpAPIWrapper, WikipediaAPIWrapper

# 初始化模型
llm_for_agent = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 加载一些内置工具（需要申请对应API Key）
# tools = load_tools(["serpapi", "llm-math"], llm=llm_for_agent)

# 或者自定义工具
def custom_length_function(text: str) -> str:
    “”“计算文本的长度。”“”
    return f"文本的长度是 {len(text)} 个字符。"

custom_tool = Tool(
    name="Text Length Calculator",
    func=custom_length_function,
    description="当你需要计算一段文本的字符数量时非常有用。"
)

# 假设我们只有自定义工具
tools = [custom_tool]

# 初始化代理
agent = initialize_agent(
    tools,
    llm_for_agent,
    agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, # 一种代理类型
    verbose=True, # 打印详细思考过程
    handle_parsing_errors=True
)

# 运行！模型会自己决定是否需要使用工具。
result = agent.run("“Hello, World!” 这句话的长度是多少？")
print(result)

from langchain.memory import ConversationBufferMemory
from langchain.chains import ConversationChain

# 创建带有记忆的对话链
memory = ConversationBufferMemory()
conversation = ConversationChain(
    llm=chat_model,
    memory=memory,
    verbose=True # 打印出记忆内容
)

print(conversation.run("我叫小明。"))
print(conversation.run("我最喜欢的水果是苹果。"))
print(conversation.run("你还记得我的名字和我喜欢什么水果吗？"))

from langchain.document_loaders import TextLoader
from langchain.text_splitter import CharacterTextSplitter
from langchain.embeddings.openai import OpenAIEmbeddings
from langchain.vectorstores import Chroma
from langchain.chains import RetrievalQA

# 1. 加载文档 (假设有一个 ‘state_of_the_union.txt’ 文件)
loader = TextLoader('./state_of_the_union.txt')
documents = loader.load()

# 2. 分割文档
text_splitter = CharacterTextSplitter(chunk_size=1000, chunk_overlap=0)
texts = text_splitter.split_documents(documents)

# 3. 创建向量存储
embeddings = OpenAIEmbeddings()
vectorstore = Chroma.from_documents(texts, embeddings)

# 4. 创建检索式QA链
qa_chain = RetrievalQA.from_chain_type(
    llm=chat_model,
    chain_type="stuff", # 一种简单的处理检索结果的方式
    retriever=vectorstore.as_retriever()
)

# 5. 提问！
query = "总统在演讲中主要谈了什么问题？"
result = qa_chain.run(query)
print(result)