转型 AI 开发——LangChain 实战第九课：周报助手开发实战，AI 智能体开发原来可以这么简单？

写周报是打工人绕不开的痛点。明明有在努力工作，但是写的时候不知道写什么，按照什么格式写合适，既然如此，今天给大家分享下：

如何用 LangChain 做一个 周报助手，
解决这个痛点。

下面内容完完全全的实战干货，看完这节课，你可以轻松做出很多智能体。

下面我们先进行核心技术选型

1. 1. 窗口记忆：
   用 LangChain 自带的 ConversationBufferWindowMemory，只保留最近 20 轮。对于绝大多数不复杂的场景，这个记忆信息量足够用了。
2. 2. 流式输出：
   我们都知道，模型一次性给答案需要等待比较长的时间，体验很差，所以我们用了 streaming=True 和 StreamingStdOutCallbackHandler()实现流式输出，让用户觉得AI“秒懂”，“秒反馈”，交互更自然。
3. 3. 链式调用：
   输入 → 记忆 → Prompt → LLM → 输出解析。整个流程像一条流水线，模块清晰，不用自己拼接逻辑，非常丝滑，易扩展，代码可读性强。

老规矩，下面我们上代码。
新建代码文件09_chain_memory_stream.py

             
             
             
             import os
from dotenv import load_dotenv

from langchain_openai import ChatOpenAI
from langchain.prompts import ChatPromptTemplate
from langchain_core.output_parsers import StrOutputParser
from langchain.memory import ConversationBufferWindowMemory
from langchain_core.runnables import RunnablePassthrough
from langchain.callbacks.streaming_stdout import StreamingStdOutCallbackHandler

load_dotenv()

# 1. 初始化 LLM（开启流式输出）
llm = ChatOpenAI(
    model="deepseek-chat",
    base_url="https://api.deepseek.com/v1",
    api_key=os.getenv("deepseek_api_key"),
    streaming=True,
    callbacks=[StreamingStdOutCallbackHandler()],
    temperature=0.7
)

# 2. 定义窗口记忆（只保留最近 20 轮对话）
memory = ConversationBufferWindowMemory(
    k=20,
    memory_key="chat_history",
    return_messages=True
)

# 3. 定义 Prompt
prompt = ChatPromptTemplate.from_template(
    """
你是一个周报助手。请基于以下历史对话和用户的新输入，给出简洁、直接可用的回复。

历史对话：
{chat_history}

用户的新输入：
{human_input}
"""
)

# 4. 把 memory 包装成可在 LCEL 管道里用的 Runnable
def load_memory(_):
    return {"chat_history": memory.load_memory_variables({})["chat_history"]}

# 5. LCEL 链：输入 → 记忆 → Prompt → LLM → Parser
parser = StrOutputParser()
chain = (
    {"human_input": RunnablePassthrough(), "chat_history": load_memory}
    | prompt
    | llm
    | parser
)

print("=== 周报助手（链 + 窗口记忆(k=20) + 流式输出）===\n")
print("你可以输入多轮对话，比如：先写周报，再让它改短一点。输入 quit 退出。\n")

while True:
    user_input = input("你：")
    if user_input.lower() in ["quit", "exit", "退出"]:
        print("退出。")
        break

    print("AI：", end="", flush=True)
    result = chain.invoke(user_input)
    print("\n")  # 流式输出已经逐字打印，这里只补换行

    # 更新记忆
    memory.save_context({"human_input": user_input}, {"output": result})

代码其实很简单，做智能体也很简单。

把代码跑起来的同学应该能看到，这个周报助手，用起来体验和DeepSeek，豆包这类产品差不多。

思考的结果符合期望，也能够流式输出高效反馈。

那除了周报助手，还有其他好做又常见的智能体方向吗？
答案包有的。

其实，周报助手只是一个“模版”。换个 Prompt，你就能做出很多类似的小智能体，比如：

• • PPT 制作助手
• • 心理分析助手
• • 爆款分析助手

本质上，你只需要在代码中做这些控制，就能轻松搞定简单的智能体开发：

1. 1. 换 Prompt（定义它是什么角色），
2. 2. 调整记忆策略（窗口、摘要、全量），
3. 3. 是否要流式输出（决定体验感）。