本文源自 GLM Coding 大师作品征集赛 的获奖作品，原文作者为 张翠山 。

数万开发者严选的编码搭子 GLM Coding Plan

推荐语：

这篇文章为开发者提供了一个完整的入门级大模型应用开发教程，涵盖了Streamlit和LangChain的使用，以及如何结合GLM-4.6实现聊天机器人应用。

文章详细介绍了如何利用Streamlit创建交互式Web应用、如何通过LangChain构建基于语言模型的应用程序，并通过实际代码示例带领读者完成聊天机器人UI与大模型调用的整合。

---

很高兴能在茫茫人海中让你阅读到这篇文章，来了就是缘分。如果这篇文章能够给你带来一些获得感，那么请不要吝啬你的点赞呀^_。这是一篇入门级大模型应用开发教程，适合后端开发工程师，数据工程师以及大模型应用开发工程师的动手实践教程。需要你具备一丢丢Python语言开发基础，但也仅仅需要基础。要完成这个案例需具备以下技术栈：

• Streamlit： 一个开源 Python 库，它旨在让数据科学家和工程师能够以最少的代码和配置，将他们的数据分析和模型展示转化为交互式的 Web 应用。说人话就是：你不用开发前端代码了，直接调用Python第三方库用更简单的代码帮你生成前端页面。
• LangChain： 一个用于构建和管理基于语言模型（Language Models, LM）的应用程序的框架。它提供了一系列工具和组件，帮助开发者更高效地构建、训练、部署和管理语言模型应用。LangChain 的设计目标是简化语言模型的使用过程，使其更加容易被集成到各种应用场景中。

好了，需要学习的新技能也不是很多，现在来看看案例的最终呈现效果：

---

Streamlit框架入门案例

上面已经提到Streamlit是一个开源Python库，能够让你用Python函数调用方式开发你的Web前端页面。

Streamlit框架的优点

• 简单易用。 Streamlit 的 API 非常简洁，只需要几行代码就可以创建一个基本的应用程序。无需复杂的前端开发知识，Python 代码直接决定了应用的界面和功能。
• 快速开发。 支持热重载，代码修改后自动更新应用，无需手动重启服务器。丰富的内置组件和功能，可以快速实现常见的数据可视化和交互操作。
• 高度可定制。 支持自定义 CSS 样式，可以对应用的外观进行精细调整。可以集成第三方库和框架，如 Plotly、Altair、Pandas 等，扩展应用的功能。
• 强大的社区支持。 官方文档详细且拥有一个活跃的社区，提供了大量的示例和教程，帮助用户快速上手。

Steamlit 安装

使用Steamlit第一步是需要安装它的依赖：

pip install streamlit -i https: //pypi.tuna.tsinghua.edu.cn/simple

安装成功之后，运行它的helloword示例：

streamlit hello

运行上面命令，会自动在你的浏览器打开一个页面，出现下面的页面则说明你安装成功。

组件类型

接下来看看Streamlit内置了哪些函数或者组件来完成GUI开发，我把它的组件按照用途大概归类为以下几种。

• 文本和标题： st.write(), st.title(), st.header(), st.subheader()等。
• 输入控件： st.text_input(), st.slider(), st.selectbox(), st.checkbox(), st.button()等。
• 显示数据： st.dataframe(), st.table(), st.json()等。
• 显示图表： st.pyplot(), st.altair_chart(), st.bokeh_chart(), st.plotly_chart()等。
• 布局： st.sidebar(), st.columns(), st.expander()等。

创建页面

让我们来尝试创建注册页面，这个页面体现了当年的你在学习html时用到的基础标签：

<pre><code>
"""
功能：streamlit
入门案例日期：2025/11/22
作者：张翠山
"""

import streamlit as st

 # 用户注册页面的标题
st.title("Streamlit用户注册页面")

# 添加一条分割线
st.divider()

st.text_input("请输入您的用户名")
st.text_input("请输入您的密码", type="password")
st.number_input("请输入您的年龄", min_value=0, max_value=150, step=1)
st.radio("请选择您的性别", options=["男", "女", "保密"], horizontal=True)
st.slider("请输入您的身高(cm)", min_value=0, max_value=250, step=1, value=160)
button = st.button("确认", type="primary")

if button:    
    st.write("恭喜你，信息注册成功!")

</code></pre>

以streamlit方式运行你的脚本就行了

streamlit run 脚本名称.py

一个简单的注册页面如下：

完成聊天机器人的 UI 页面

好的，现在我们来看看今天要完成的任务，要干的正事：成一个聊天机器人的UI页面。注意，我们先完成纯前端页面，完成页面布局即可。

<pre><code>
"""
功能：streamlit
构建机器人聊天页面日期：2025/11/22
作者：张翠山
"""

import streamlit as st

# 编写左侧侧边栏UI布局
st.sidebar.text_input("请输入您的Bigmodel API Key", type="password")
st.sidebar.markdown("[获取Bigmodel账号的API Key](https://bigmodel.cn/console/overview)")

# 编写主页面(聊天框)布局
st.title("GLM聊天机器人")
st.divider()
st.chat_message("ai").write("你好，我是你的AI助手，请问有什么可以帮助你的？")
st.chat_message("user").write("北京今天天气")
st.chat_message("ai").write("北京今天天气晴，最高气温25度，最低气温15度，适合外出活动。")

# 添加用户提问聊天框
prompt = st.chat_input("请输入您的问题")

</code></pre>

效果图如下：

---

LangChain框架入门案例

LangChain 由 Harrison Chase 创建于2022年10月，它是围绕LLMs（大语言模型）建立的一个框架。LangChain自身并不开发LLMs，它的核心理念是为各种LLMs实现通用的接口，把LLMs相关的组件“链接”在一起，简化LLMs应用的开发难度,方便开发者快速地开发复杂的LLMs应用。LangChain之所以大火，是因为它提供了一系列方便的工具、组件和接口，大大降低了 AI 应用开发的门槛，也极大简化了大模型应用程序的开发过程。

LangChain框架的特点

• 模块化设计： LangChain 采用模块化设计，将不同的功能拆分成独立的组件，如 Prompts、Models、Chains、Memory、Retriever 和 Agent。这些组件可以灵活组合，以满足不同应用的需求。
• 强大的模型支持： 支持多种预训练语言模型，如 GPT-3、BERT、T5 等。这些模型经过大规模数据训练，具备强大的语言理解和生成能力。
• 易用的 API： 提供简单易用的 Python API，开发者可以通过几行代码快速实现复杂的语言处理任务。
• 丰富的工具和组件： 包括数据处理工具、模型训练和微调工具、服务接口、应用开发工具等，覆盖了从数据准备到模型部署的全流程。
• 社区支持： 拥有一个活跃的社区，提供了大量的示例和教程，帮助开发者快速上手和解决常见问题。

安装Python依赖包

1. langchain： 主要用于构建和管理基于语言模型的应用程序，提供从模型管理到应用开发的一站式解决方案。
2. langchain_community： 是 langchain 的社区版，包含社区贡献的额外功能和插件，提供更多扩展性的工具。
3. dashscope： 主要用于构建和管理数据科学和机器学习应用，提供丰富的数据可视化和模型部署工具。

博主的Python版本是:3.10.x，对应上面的依赖包版本如下：

<pre><code>python
pip install langchain==0.2.6
pip install langchain-community==0.2.6
pip install dashscope
</pre></code>

这里有个坑，如果没有指定版本，LangChain的最新版本1.x不兼容Python 3.8以下版本。又或者是你安装的LangChain依赖是最新版本，API和类名可能和博主下面用法稍微不一样。所以博主写这篇文章的时候，Python版本是：3.10.x，LangChain版本是:0.2.6。

确认一下LangChain一下是否安装成功:

pip list

组件类型

看看上面命令输出是否包含上一步引入和安装的依赖包字样即可。下面我们来认识一下LangChain的主要组件：

• Prompts 提示： 包括提示管理、提示优化和提示序列化。
• Models 模型： 各种类型的模型和模型集成，比如GPT-4。

• Memory 记忆： 用来保存和模型交互时的上下文状态。
• Indexes 索引： 用来结构化文档，以便和模型交互 。

• Chains 链： 一系列对各种组件的调用。类似于Linux中的 管道命令，代表把前面一个程序的执行结果传入给后一个程序作为输入，以此类推！

• Agents 代理：决定模型采取哪些行动，执行并且观察流程，直到完成为止。

---

智谱BigModel平台及GLM模型

1. Bigmodel平台

Bigmodel是智谱AI面向国内开发者的maas平台，集语言模型、图像模型、视频模型、语音模型等主流多模态、大模型于一体。

这不是重点，重点是让你去这个平台申请并拿到一个API Key，如截图：

按照截图所示拿到一个API Key，先保存，后面会用到。

2. LangChain调用GLM模型

接下来我们编写一个LangChain调用Bigmodel上面GLM大语言模型的例子。

需求： 定义函数，要求有三个参数：提示词，记忆体，api_key,最后调用大模型服务自动实现求1-100和功能

1. 安装好依赖之后，引入必须要的包。
2. 封装一个函数get_chat_response，负责调用和处理大模型的问答。
3. main函数是程序入口，调用测试用例。

<pre><code>
"""
功能：langchain调用
GLM案例日期：2025/11/22
作者：张翠山
"""
# 导入必要的库
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory
# 导入GLM模型
from langchain_community.chat_models import ChatZhipuAI

#封装调用函数
def get_chat_response(prompt, memory, api_key):    
    model = ChatZhipuAI(model="glm-4", api_key=api_key, temperature=0.7)    
    chain = ConversationChain(llm=model, memory=memory)
    response = chain.invoke({"input": prompt})
    return response["response"]

if __name__ == '__main__':    
    memory = ConversationBufferMemory(return_messages=True)    
    response = get_chat_response(prompt="请帮我计算1到100的类和", memory=memory, api_key="你在bigmodel平台拿到的api_key")    
    print(response)
    
</pre></code>

此时得到以下输出：

AI: 当然可以。1到100的累加和可以用高斯求和公式来计算，即等差数列的求和公式。公式是 ( S = \frac{n(a_1 + a_n)}{2} )，其中 ( S ) 是和，( n ) 是项数，( a_1 ) 是首项，( a_n ) 是末项。

在这个例子中，( n = 100 )，( a_1 = 1 )，( a_n = 100 )。

所以，( S = \frac{100(1 + 100)}{2} = \frac{100 \times 101}{2} = 5050 )。

因此，1到100的累加和是5050。

得到上面输出则说明你的LangChain调用Bigmodel上面的GLM-4返回结果了。

构建你的聊天机器人

经过上面的两步，你已经实现了一个聊天机器人的UI页面，以及通过LangChain框架成功调用igmodel上面的GLM-4模型，现在将上面两部分代码集成、改造即可。

将上诉LangChain调用GLM函数封装成工具类utils.py。

<pre><code>
"""
功能：langchain
调用GLM工具类日期：2025/11/22
作者：张翠山
"""

# 导入必要的库
from langchain.chains import ConversationChain
from langchain.memory import ConversationBufferMemory

# 导入GLM 模型
from langchain_community.chat_models import ChatZhipuAI

# 封装调用函数
def get_chat_response(prompt, memory, api_key):    
    model = ChatZhipuAI(model="glm-4", api_key=api_key, temperature=0.7)    
    chain = ConversationChain(llm=model, memory=memory)
    response = chain.invoke({"input": prompt})
    return response["response"]
    
</pre></code>

UI页面的改造和引入utils.py。

<pre><code>
"""
功能：聊天机器人主程序和入口
日期：2025/11/22
作者：张翠山
"""

import streamlit as st
from utils import get_chat_response
from langchain.memory import ConversationBufferMemory

 # 编写左侧侧边栏设置UI布局
with st.sidebar:    
    api_key = st.text_input("请输入您的Bigmodel API Key", type="password")    
    st.markdown("[获取Bigmodel账号的API Key](https://bigmodel.cn/console/overview)")

 # 编写主页面(聊天框)布局
st.title("GLM聊天机器人")
st.divider()

 # session_state类似于一个字典，暂存历史聊天记录
if "messages" not in st.session_state:
    st.session_state["messages"] = [{"role": "assistant", "content": "你好，我是你的AI助手，请问有什么可以帮助你的？"}]
    st.session_state["memory"] = ConversationBufferMemory(return_messages=True)

 # 遍历会话状态中的消息，显示在聊天框中
for message in st.session_state["messages"]:    
    print("遍历一条聊天消息")    
    st.chat_message(message["role"]).write(message["content"])

 # 添加用户提问聊天框
prompt = st.chat_input("请输入您的问题")
 # 处理用户提问之后的逻辑
if prompt:
     # 判断API Key是否为空，为空则提示输入    
    if not api_key:        
        st.warning("请输入您的Bigmodel API Key")        
        st.stop()
     # 将用户提问追加到会话状态中    
    st.session_state["messages"].append({"role": "user", "content":  prompt})    
     # 这时候还不能触发上面的for循环，所以需要手动显示用户提问    
    st.chat_message("user").write(prompt)
    
    with st.spinner("AI助手正在思考..."):        
         # 调用大模型接口，获取回答        
        res = get_chat_response(prompt, memory=st.session_state["memory"], api_key=api_key)
    
     # 将大模型回答追加到会话状态中    
    st.session_state["messages"].append({"role": "ai", "content": res})    
     # 手动显示大模型回答    
    st.chat_message("assistant").write(res)
    
print(f"历史聊天记录的长度:{len(st.session_state['messages'])}")

</pre></code>