编者按：这篇文章是与 Streamlit 团队合作撰写的。从一开始，Streamlit 就一直是 LangChain 开发者的绝佳工具。事实上，我们发布的第一个示例之一就使用了 Streamlit 作为 UI。我们很荣幸有机会在过去几个月与该团队更紧密地合作，并且我们很高兴分享我们一直在做和思考的一些事情。
今天，我们很高兴宣布 Streamlit 与 LangChain 的初步集成，并分享我们未来集成的计划和想法。
LangChain 和 Streamlit 团队之前曾使用过和探索过彼此的库，并发现它们可以非常好地协同工作。
- Streamlit 是一种更快构建和共享数据应用程序的方式。它可以将数据脚本在几分钟内转化为可共享的 Web 应用程序，所有操作都在纯 Python 中完成。
- LangChain 帮助开发者构建强大的应用程序，将 LLM 与其他计算或知识来源结合起来。
这两个库都具有强大的开源社区精神，以及“开箱即用”的方法，可以快速交付可工作的应用程序并快速迭代。
渲染 LLM 的想法和行动
我们的首要目标是创建一种更简单的方法来渲染和检查 LLM 代理的想法和行动。我们想展示代理最终响应之前发生的事情。这对于最终应用程序（通知用户有关流程）和开发阶段（排除任何问题）都很有用。
Streamlit Callback Handler 正是这样做的。将回调处理程序传递给在 Streamlit 中运行的代理会在紧凑的展开器格式中显示其想法和工具输入/输出。
通过这个 MRKL 示例试用一下，这是一个流行的 Streamlit 应用程序
我们在这里看到了什么？
- 为代理的每个想法和工具调用渲染一个展开器
- 工具名称、输入和状态（运行中或完成）显示在展开器标题中
- LLM 输出以 token 为单位流式传输到展开器中，为用户提供持续的反馈
- 完成后，工具返回值也写入展开器内部
我们仅用一行额外的代码就将其添加到我们的应用程序中
# initialize the callback handler with a container to write to
st_callback = StreamlitCallbackHandler(st.container())
# pass it to the agent in the call to run()
answer = agent.run(user_input, callbacks=[st_callback])
有关如何开始使用的完整演练，请参阅我们的文档。
高级用法
您可以使用此处提供的高级选项配置回调处理程序的行为
- 选择在首次加载和完成时展开或折叠每个步骤
- 确定在开始折叠成“历史记录”步骤之前将渲染多少个步骤
- 根据工具名称和输入为展开器定义自定义标签
回调处理程序还可以与新的 Streamlit Chat UI 无缝协作，正如您在这个“与搜索聊天”应用程序中看到的那样（需要 OpenAI API 密钥才能运行）
我们接下来会做什么？
我们有一些正在进行的改进
- 扩展 StreamlitCallbackHandler 以支持其他链类型，如 VectorStore、SQLChain 和简单流式传输（并改进默认 UI/UX 和自定义的简易性）。
- 使其更易于将 LangChain 原语（如 Memory 和 Messages）与 Streamlit 聊天和 session_state 一起使用。
- 向 langchain-ai/streamlit-agent 添加更多应用程序示例和模板。
我们还在探索一些更深入的集成，用于将数据连接到您的应用程序并可视化链/代理状态，以改善开发者体验。我们很高兴与您合作，并看看您如何使用这些功能！
如果您有想法、示例应用程序或想贡献，请在 LangChain 或 Streamlit Discord 服务器上联系我们：LangChain 或 Streamlit Discord 服务器。
编码愉快！🎈🦜🔗