摘要：经过昨天的一通折腾，我心中大概了有了跟Trae AI合作的新思路。首先，我再次出发之前需要知道终点是哪？那就基于RAG搭建一个本地知识库，可以局域网访问调用吧！

经过昨天的一通折腾，我心中大概了有了跟Trae AI合作的新思路。首先，我再次出发之前需要知道终点是哪？那就基于RAG搭建一个本地知识库，可以局域网访问调用吧！

首先：我新建了一个需求文档requirement,稍微梳理了一下我的第一阶段需求。按照文档（类）分开描述。同时我也在单独一个文件夹新建了几个py文件：langchainLLM.py 用于实现与本地的大模型直接对话；lc_service.py 用于实现服务端接口；lc_client.py 用户客户端访问服务端。

然后我把langchainLLM里面的需求全部复制给Trae 的AI，让它帮我生成代码：

这样算是初步实现了对话功能，但是提示词模板和一些必要参数的设置，它帮我省略了，再提要求：

新的功能做出来，算是初步满足我前期的需求了。而且提供了测试方法，于是我复制他的代码新建了一个test01.py来测试。同时又提了一些新的要求

实现这些单个功能，效果还是很明显的，几乎不会错，添加到原文也方便。效率杠杠的。最后测试效果也符合预期。

接下来就是把这些功能暴露成API接口了，首先我选中lc_service.py，然后提需求：

几十秒一百多行整齐的代码就生成了，而且主要功能，怎么访问都写的清清楚楚。

我打开docs的文档，我要的功能全部实现了。

这个文档里面就可以做测试，于是我简单测了一下API接口的调用

查看当前对话列表，成功返回。

测试流式对话，也是正确返回。

到此为止，今天的langchain服务算是搭建成功了。明天再尝试添加一些本地知识库功能吧！

未完待续~
码字截图不易，各位大佬的点赞关注是小编持续学习的动力[比心][比心][比心]

来源：宅男娱乐