promptTemplate = ChatPromptTemplate.from_messages(
    [
        ('system','把内容翻译成{language}'),
        ('user','{text}')
    ]
)

print(chain.invoke({'language': 'English','text': '今天天气好呀'}))

pip install langserve[all]

app= FastAPI(title='我的Langchain服务',version='V1.0',description="使用Langchain翻译任何语句的服务")

add_routes(
    app,
    chain,
    path="/chain"
)
if __name__ == "__main__":
    import uvicorn
    uvicorn.run(app,host="localhost",port=8000)

from langserve import RemoteRunnable

if __name__ == "__main__":
    client=RemoteRunnable('http://127.0.0.1:8000/chain')
    print(client.invoke({'language': 'english', 'text': '早上好'}))

import os

from langchain_community.chat_message_histories import ChatMessageHistory
from langchain_core.messages import HumanMessage
from langchain_core.prompts import ChatPromptTemplate, MessagesPlaceholder
from langchain_core.runnables import RunnableWithMessageHistory
from langchain_openai import ChatOpenAI

os.environ["LANGCHAIN_TRACING_V2"] = "true"

# 定义模型
model = ChatOpenAI(
    model=os.environ["ModelID"],
    base_url="https://ark.cn-beijing.volces.com/api/v3",
)

# 定义模版
prompt_template = ChatPromptTemplate.from_messages(
    [
        ("system", "你是一个乐于助人的助手，用{language}尽可能回答问题。"),
        MessagesPlaceholder(variable_name="history"),
        MessagesPlaceholder(variable_name="my-msg"),
    ]
)

# 定义链
chain = prompt_template | model

store: dict[str, ChatMessageHistory] = {}

# 定义一个获取session历史记录的接口
def get_session_history(session_id: str) -> ChatMessageHistory:
    if session_id not in store:
        store[session_id] = ChatMessageHistory()
    return store[session_id]

# 使用代用历史消息的方法来作为交流接口
do_message = RunnableWithMessageHistory(
    chain,
    get_session_history,
    input_messages_key="my-msg",
    history_messages_key="history",
)

config = {"configurable": {"session_id": "zhangsan123"}}

# 直接调用 do_message方法，执行 invoke方法
resp = do_message.invoke(
    {
        "my-msg": [HumanMessage(content="我是Corey，今年40岁了")],
        "language": "中文",
    },
    config=config,
)

print(resp.content)


# 直接调用 do_message方法，执行 invoke方法
resp = do_message.invoke(
    {
        "my-msg": [HumanMessage(content="我是谁")],
        "language": "中文",
    },
    config=config,
)

print(resp.content)

# 直接调用 do_message方法，执行 invoke方法
# stream方法 是流式输出，返回一个一个Token
for resp in do_message.stream(
    {
        "my-msg": [HumanMessage(content="我是谁")],
        "language": "中文",
    },
    config=config,
):
    print(resp.content,end="-")

Documents = [
    Document(
        page_content="大熊猫是中国特有物种，以竹子为主食，被誉为‘活化石’和‘中国国宝’。",
        metadata={"name": "大熊猫", "category": "哺乳动物", "habitat": "中国四川、陕西等山区", "diet": "竹子"}) ]

## 实例化一个向量库,以向量文档为依托，openAI的
embeddings = OpenAIEmbeddings(
    model="embedding-3",
    base_url=os.environ["BaseUrl"]
)
vector_store = Chroma.from_documents(Documents, embedding=embeddings)

## 对文档进行相似度查询，分数越低，相似度越高
# print(vector_store.similarity_search_with_score("狗熊"))

## 构建一个检索器,选取相似度最高的1个
retriever = RunnableLambda(vector_store.similarity_search).bind(k=1)

print(retriever.batch(['咖啡猫', '老鼠']))

retriever = RunnableLambda(vector_store.similarity_search).bind(k=1)

## 提示模版
message = """
使用提供的上下文仅回答这个问题：
{question}
上下文：
{context}
"""

## 这里我们获得了一个提示词的模版
prompt_template = ChatPromptTemplate.from_messages([('human', message)])

## 我们构建了一条链
## 这里的question，我们需要再后面再传入进来，这里使用 RunnablePassthrough 进行占位，后面再传
chain = {'question': RunnablePassthrough(), 'context': retriever} | prompt_template | model

resp = chain.invoke("请求介绍一下红眼树蛙")

print(resp.content)