前言

学习笔记。本文将介绍如何使用 LangChain、Ollama 和 和风天气 API，打造一个能够查询实时天气的 AI 助手。

技术栈

• LangChain: 强大的 LLM 应用开发框架
• Ollama: 本地运行的大语言模型（使用 Qwen3-VL-4B）
• 和风天气 API: 提供准确的天气数据
• Gradio: 快速构建 Web 界面

环境准备

1. 安装依赖

pip install langchain langchain-openai langchain-core gradio requests

2. 安装 Ollama

访问 Ollama 官网 下载并安装 Ollama，然后拉取 Qwen 模型：

ollama pull qwen3-vl:4b

3. 获取和风天气 API Key

1. 访问 和风天气开发平台
2. 注册账号并创建项目
3. 获取 API Key

代码实现

完整代码

from langchain_openai import ChatOpenAI
from langchain.agents import create_agent
from langchain_core.tools import tool
import gradio as gr
import requests

# 配置本地 Ollama 模型
Qwen_llm = ChatOpenAI(
    model="qwen3-vl:4b",  # 多模态模型
    base_url="http://localhost:11434/v1",
    api_key="ollama",
    temperature=0.9,
    max_tokens=512,
)

@tool
def get_weather(city: str) -> str:
    """获取城市的天气信息"""
    key = "你的和风天气 API Key"
    
    # 第一步：查询城市 ID
    url = f"https://md6yw26g6j.re.qweatherapi.com/geo/v2/city/lookup?location={city}"
    headers = {"X-QW-Api-Key": key}
    
    response = requests.get(url, headers=headers)
    data = response.json()
    
    if not data.get('location'):
        return f"城市 {city} 未找到天气信息"
    
    location_id = data['location'][0]['id']
    
    # 第二步：查询天气数据
    weather_url = f"https://md6yw26g6j.re.qweatherapi.com/v7/weather/now?location={location_id}"
    response = requests.get(weather_url, headers=headers)
    data = response.json()
    
    weather_info = {
        "城市": city,
        "天气": data['now']['text'],
        "温度": data['now']['temp'],
        "湿度": data['now']['humidity'],
        "风向": data['now']['wind360'],
        "时间": data['now']['obsTime'],
    }
    
    return weather_info

# 创建智能体
agent = create_agent(
    model=Qwen_llm,
    system_prompt="你是一个实时天气预报专家，擅长提供准确的天气信息。",
    tools=[get_weather],
)

# 创建 Gradio 界面
def gradio_ui():
    with gr.Blocks() as demo:
        gr.Markdown("# 实时天气预报助手")
        msg = gr.Textbox(label="请输入您的问题")
        btn = gr.Button("发送")
        gr.Markdown("#### 例子：\n北京的天气和长沙的天气怎么样")
        output = gr.Textbox(label="助手回复")

        def process_message(message):
            try:
                response = agent.invoke({
                    "messages": [{"role": "user", "content": message}]
                })
                if response and 'messages' in response:
                    last_message = response['messages'][-1]
                    if hasattr(last_message, 'content'):
                        return last_message.content
                    return str(last_message)
                return str(response)
            except Exception as e:
                return f"错误：{str(e)}"
            
        btn.click(fn=process_message, inputs=[msg], outputs=[output])
        demo.launch()

if __name__ == "__main__":
    gradio_ui()

代码解析

1. 配置本地 LLM

Qwen_llm = ChatOpenAI(
    model="qwen3-vl:4b",
    base_url="http://localhost:11434/v1",  # Ollama 的 OpenAI 兼容端点
    api_key="ollama",  # Ollama 不需要真实 key
    temperature=0.9,
    max_tokens=512,
)

这里使用 ChatOpenAI 类连接到本地 Ollama 服务，因为 Ollama 提供了 OpenAI 兼容的 API 接口。

2. 定义天气查询工具

@tool
def get_weather(city: str) -> str:
    """获取城市的天气信息"""
    # 实现逻辑...

使用 @tool 装饰器将函数注册为 Agent 可调用的工具。Agent 会自动理解这个工具的用途并在需要时调用它。

3. 创建智能体

agent = create_agent(
    model=Qwen_llm,
    system_prompt="你是一个实时天气预报专家，擅长提供准确的天气信息。",
    tools=[get_weather],
)

create_agent 是 LangChain 提供的便捷函数，用于创建能够调用工具的智能体。

4. 构建 Gradio 界面

def process_message(message):
    response = agent.invoke({
        "messages": [{"role": "user", "content": message}]
    })
    # 处理响应...

Gradio 提供了简单易用的 Web 界面构建能力，只需几行代码就能创建交互式界面。

运行效果

启动程序后，访问 Gradio 提供的本地 URL（通常是 http://localhost:7860），即可看到 Web 界面。

示例对话：

核心优势

1. 本地部署: 使用 Ollama 运行本地模型，数据隐私有保障
2. 工具调用: Agent 自动决定何时调用天气 API
3. 自然语言理解: 支持复杂查询，如"北京和上海的天气对比"
4. 快速部署: Gradio 让 Web 界面搭建变得简单

扩展方向

• 添加更多天气查询功能（未来 7 天预报、空气质量等）
• 集成其他 API（新闻查询、股票查询等）
• 添加向量数据库实现对话记忆
• 部署到服务器供多人使用

常见问题

Q: 为什么使用 Ollama 而不是云端 API？

A: Ollama 可以本地运行开源模型，无需担心数据隐私问题，且完全免费。

Q: 如何更换模型？

A: 修改 model 参数即可，如改为 "llama3.1:8b" 或 "mistral:7b"。

Q: 天气 API 返回错误怎么办？

A: 检查 API Key 是否有效，城市名称是否正确，以及网络连接是否正常。

总结

通过本文，我们成功构建了一个基于 LangChain 和 Ollama 的实时天气预报助手。这个框架可以轻松扩展到其他领域，如新闻查询、股票分析等。希望这篇文章能为你开发 LLM 应用提供启发！

参考资源

• LangChain 官方文档
• Ollama 官网
• 和风天气 API 文档
• Gradio 文档