1. 项目概述
今天想和大家分享一个我最近折腾的小项目 - 使用LangChain和Ollama搭建的本地化天气查询助手。作为一个经常需要出差的人,我发现自己总是在不同城市间切换时频繁查询天气,于是萌生了开发一个能自然语言交互的天气助手的想法。
这个项目的核心价值在于:
- 完全本地化运行,使用开源模型保障数据隐私
- 支持自然语言交互,比如可以问"北京和上海哪里更热"
- 轻量级部署,从代码到可用界面只需几分钟
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术选型解析
2.1 为什么选择LangChain
LangChain是我经过多方对比后选择的开发框架,主要基于以下几点考虑:
- 工具调用(Tool Calling)功能成熟稳定
- 对本地模型的支持友好
- 社区活跃,文档完善
- 可以轻松扩展到其他功能场景
在实际使用中,LangChain的Agent机制确实让工具调用变得非常简单,只需要用@tool装饰器标记函数,模型就能自动判断何时调用。
2.2 Ollama本地模型的优势
选择Ollama运行Qwen3-VL-4B模型主要出于以下考虑:
- 完全本地运行,不依赖第三方API
- 支持多模态(虽然本项目暂未用到)
- 资源占用相对较小(4B参数)
- 提供OpenAI兼容的API接口
实测在16GB内存的笔记本上运行流畅,响应速度在2-3秒左右,完全可以接受。
提示:如果硬件配置较低,可以考虑使用更小的模型如Qwen1.8B,但语言理解能力会有所下降。
2.3 天气数据源选择
对比了几家天气API后,最终选择和风天气是因为:
- 免费额度足够个人使用(1000次/天)
- 数据准确度高
- 接口响应速度快(平均200ms)
- 提供中文文档和支持
3. 详细实现步骤
3.1 环境配置
首先需要安装必要的Python包:
bash复制pip install langchain langchain-openai langchain-core gradio requests
这里特别说明几个关键依赖:
- langchain-openai:虽然名字包含"openai",但实际也支持本地模型
- gradio:快速构建Web界面的神器
- requests:用于调用天气API
