11 构建的第一个LangChain程序

在上一篇中，我们探讨了LangChain的基本语法和结构，了解了如何定义代码块、使用变量和控制流等基本概念。在这一篇中，我们将通过一个实际的实例来构建你的第一个LangChain程序，并展示如何运行它。

通过这个例子，你可以了解如何使用 LangChain 构建的应用程序。

LangChain案例之A股股票实时交易助手

在这个例子中，我们将构建一个A股股票实时交易数据分析助手应用，它包含以下特性：

1. 多步骤链：首先是 1) 数据预处理，2) 生成提示，3) 调用外部 API，4) 后处理。
2. 外部数据集成：模拟从外部 API 或数据库中获取信息，并在处理过程中使用。
3. 条件逻辑：根据用户输入动态调整助手的行为。

1) 获取A股股票数据 (stock_data.py)

首先，通过 Tushare 或其他 API 获取实时股票交易数据，输入参数包括 ts_code 和 src（数据源，默认 sina 或 dc）。

A股交易数据获取，可以通过Tushare，API注册入口地址如下：

https://tushare.pro/register?reg=712458

注册成功后，看到你专属的接口Token：

这个模块专门负责从 Tushare 获取股票数据。

pip安装tushare包，然后按照下面方法获取某只股票数据：

# stock_data.py
import tushare as ts

# 设置 Tushare token
ts.set_token('你的token')

# 获取实时股票数据的函数
def fetch_stock_data(ts_code, src='sina'):
    stock_data = ts.realtime_tick(ts_code=ts_code, src=src)
    formatted_data = "\n".join([f"{row['TIME']} {row['PRICE']} {row['CHANGE']} {row['VOLUME']} {row['AMOUNT']} {row['TYPE']}" for row in stock_data])
    return formatted_data

2 生成提示模板 (prompt_template.py)

这个模块负责定义 LangChain 的提示模板。

# prompt_template.py
from langchain.prompts import PromptTemplate

# 定义 LangChain 的 PromptTemplate
prompt_template = """
请分析以下股票实时成交数据，提供价格变动、成交量等关键指标的变化趋势：
{data}

输出分析结果，包括：
- 交易时间
- 当前价格及变化
- 成交量及成交金额
- 类型（买盘/卖盘/中性）
"""

3. 模块 3：OpenAI 语言模型 (openai_llm.py)

这个模块负责创建 OpenAI 的 LLM 实例。

# openai_llm.py
from langchain.llms import OpenAI

# 创建 OpenAI LLM 实例，并设置温度为 0.5
def create_openai_llm(api_key):
    return OpenAI(temperature=0.5, api_key=api_key)

4. 数据分析链 (data_analysis_chain.py)

这个模块将所有其他模块结合起来，运行整个数据分析流程。

# data_analysis_chain.py
from langchain.chains import SimpleChain
from stock_data import fetch_stock_data
from prompt_template import prompt_template
from openai_llm import create_openai_llm

# 创建 SimpleChain 并将 LLM 和提示模板传入
def create_analysis_chain(api_key):
    llm = create_openai_llm(api_key)
    simple_chain = SimpleChain(llm=llm, prompt=prompt_template)
    return simple_chain

# 执行股票数据分析
def run_analysis(stock_code, api_key):
    # 获取股票数据
    stock_data = fetch_stock_data(stock_code)
    
    # 创建分析链并运行
    simple_chain = create_analysis_chain(api_key)
    return simple_chain.run(data=stock_data)

5. 主程序 (main.py)

最后，在主程序中调用所有模块来执行完整的工作流。

# main.py
from data_analysis_chain import run_analysis

# 设置 Tushare 和 OpenAI API 密钥
stock_code = '600000.SH'  # 示例股票代码
api_key = '你的API密钥'    # OpenAI API 密钥

# 执行分析并获取结果
response = run_analysis(stock_code, api_key)

# 打印分析结果
print("实时成交数据分析:")
print(response)

总结：

1. stock_data.py：负责获取实时股票数据。
2. prompt_template.py：定义 LangChain 的提示模板。
3. openai_llm.py：创建和返回带有温度设置的 OpenAI 实例。
4. data_analysis_chain.py：组合各个模块，创建分析链，并执行数据分析。
5. main.py：主程序，调用 data_analysis_chain.py 中的函数来执行整个流程。

使用 LangChain 可以帮助你更高效地集成外部 API 和分析模型，简化代码结构并提高灵活性。