Streamlit

Streamlit 是构建和分享数据应用的更快方式。 Streamlit 将数据脚本在几分钟内转化为可分享的网页应用。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 在一个 交互式 Streamlit 应用中展示代理的思考和行动。尝试下面运行的应用，使用 MRKL 代理：

安装与设置

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。

显示思考和行动

要创建一个 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())

自定义显示行为的其他关键字参数在 API 参考 中描述。

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（或代理执行器）的行动。您可以在您的 Streamlit 应用中创建一个 代理，并简单地将 StreamlitCallbackHandler 传递给 agent.run() 以可视化 您应用中的思考和行动。

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"])

注意： 您需要设置 OPENAI_API_KEY 以使上述应用代码成功运行。 最简单的方法是通过 Streamlit secrets.toml， 或任何其他本地环境管理工具。

其他场景

目前 StreamlitCallbackHandler 旨在与 LangChain 代理执行器一起使用。对其他代理类型的支持， 将来将直接与链等一起添加。

您可能还对使用 StreamlitChatMessageHistory 感兴趣，适用于 LangChain。