Streamlit

Streamlit 是构建和共享数据应用的更快方式。 Streamlit 在几分钟内即可将数据脚本转换为可共享的 Web 应用。全部使用纯 Python。无需前端经验。 在 streamlit.io/generative-ai 查看更多示例。

在本指南中，我们将演示如何使用 StreamlitCallbackHandler 在交互式 Streamlit 应用中显示代理的思考和操作。请尝试使用下面的运行应用以及 MRKL 代理：

安装和设置

pip install langchain streamlit

您可以运行 streamlit hello 来加载一个示例应用并验证您的安装是否成功。请参阅 Streamlit 的 入门文档 中的完整说明。

显示思考和操作

要创建 StreamlitCallbackHandler，您只需提供一个父容器来渲染输出。

from langchain_community.callbacks.streamlit import (
    StreamlitCallbackHandler,
)
import streamlit as st

st_callback = StreamlitCallbackHandler(st.container())

API Reference:StreamlitCallbackHandler

有关自定义显示行为的附加关键字参数，请参阅 API 参考。

场景 1：使用带工具的代理

目前主要支持的用例是可视化带工具的代理（或 Agent Executor）的操作。您可以在 Streamlit 应用中创建一个代理，只需将 StreamlitCallbackHandler 传递给 agent.run()，即可在应用中实时可视化思考和操作。

import streamlit as st
from langchain import hub
from langchain.agents import AgentExecutor, create_react_agent, load_tools
from langchain_openai import OpenAI

llm = OpenAI(temperature=0, streaming=True)
tools = load_tools(["ddg-search"])
prompt = hub.pull("hwchase17/react")
agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

if prompt := st.chat_input():
    st.chat_message("user").write(prompt)
    with st.chat_message("assistant"):
        st_callback = StreamlitCallbackHandler(st.container())
        response = agent_executor.invoke(
            {"input": prompt}, {"callbacks": [st_callback]}
        )
        st.write(response["output"])

API Reference:hub | AgentExecutor | create_react_agent | load_tools | OpenAI

注意：您需要设置 OPENAI_API_KEY 才能使上述应用代码成功运行。 最简单的方法是通过 Streamlit secrets.toml 进行设置， 或使用任何其他本地环境变量管理工具。

其他场景

目前 StreamlitCallbackHandler 主要用于 LangChain Agent Executor。未来将支持其他代理类型、 直接与 Chains 一起使用等。

您可能还对使用 StreamlitChatMessageHistory 来实现 LangChain 感兴趣。