QPython LangChain 与 APIGPT——构建移动端 AI 应用的工具链

什么是 LangChain

LangChain 是一个开源的 Python 框架，专门用来构建基于大语言模型（LLM）的应用。它提供了一套抽象层，把「调用 LLM」「连接外部数据源」「组织 prompt」这几大块能力串起来，让你不用从零开始写胶水代码。

简单来说：LangChain 帮你写好了「AI 应用里和 LLM 对话」那部分的通用逻辑，你只需要填上具体的业务逻辑。

LangChain 能做什么

LangChain 的核心组件包括：

LLM 抽象：统一的调用接口，底层可以接 Ollama、OpenAI、Anthropic 等任何 LLM
Prompt 模板：把 prompt 格式化成可复用的模板
Chains：把多个步骤串成流水线（如「搜索 → 总结 → 输出」）
Agents：让 LLM 自己决定用什么工具、执行什么步骤
Vector Stores：向量数据库，用于 RAG（检索增强生成）
Retriever：从向量数据库里检索相关文档

在 QPython 中安装 LangChain

通过 QPYPI 搜索 langchain 并安装。LangChain 的包比较大，建议 Wi-Fi 下安装。可能还需要配合安装：

langchain-community（社区维护的各种集成）
langchain-ollama（LangChain 对 Ollama 的集成）

QPython + Ollama + LangChain 组合

这是目前最有价值的组合——手机本地跑 LLM + LangChain 工具链 + Python 脚本。以下几个实用场景：

场景一：文档问答（RAG）

把一组文档（如技术手册、产品说明书）向量化存入向量数据库，然后用 LLM 根据文档内容回答问题。这样 AI 的回答有出处，不会胡编。

from langchain_ollama import OllamaLLM
from langchain_community.vectorstores import FAISS
from langchain_text_splitters import RecursiveCharacterTextSplitter

# 用 QPython 本地 Ollama 的 llama3.2 模型
llm = OllamaLLM(model="llama3.2")

# 假设你有一些文档文本
documents = [
    "QPython 是 Android 上的 Python IDE",
    "QSL4A 是 Android API 桥接库",
    "Ollama 可以在手机上跑大模型"
]

# 简单的问答（更完整的 RAG 需要 embedding 模型和向量库）
response = llm.invoke("QPython 有哪些核心功能？")
print(response)

场景二：结合 QSL4A 的 AI 自动化

用 LLM 理解自然语言指令，然后调用 QSL4A 的 Android API 执行：

from langchain_ollama import OllamaLLM
from androidhelper import Android

llm = OllamaLLM(model="phi4")
droid = Android()

# 用户自然语言指令
user_command = "现在帮我把手机调到静音并提醒我下午三点开会"

# LLM 解析意图（实际需要更复杂的 prompt 和 function calling）
# 这里简化为直接解析
if "静音" in user_command:
    droid.toggleSilentMode()
if "提醒" in user_command:
    # 设置定时提醒（需要更复杂的实现）
    droid.makeToast("提醒已设置")

完整的 Agent 实现需要 LangChain 的 tool-calling 能力（让 LLM 知道有哪些工具可以调），上面是简化示意。

场景三：结合传感器数据

# 先读传感器
droid.startSensingTimed(1, 500)
events = droid.sensorsGetEventBuffered().result
droid.stopSensing()

# 把数据交给 LLM 分析
sensor_data = str(events[-3:]) if events else "无数据"
prompt = f"这是手机最近的加速度传感器数据：{sensor_data}，帮我分析一下设备在做什么动作"

analysis = OllamaLLM(model="llama3.2").invoke(prompt)
droid.makeToast(analysis[:100])  # 只显示前 100 字符

APIGPTCloud

根据应用商店描述，QPython 兼容 APIGPTCloud 等工具链。APIGPTCloud 是另一个 AI 应用构建平台，具体信息建议查阅官方渠道。核心思路和 LangChain 类似——都是在 LLM 之上的应用开发框架。

移动端使用 LangChain 的限制

向量库选择：FAISS 是纯 Python 实现，适合手机；ChromaDB、Milvus 等可能太重
Embedding 模型：RAG 需要 embedding 模型把文本转成向量，可以用 Ollama 内置的 nomic-embed-text
内存消耗：LangChain + LLM + 向量库同时在手机上运行对内存压力不小，建议同时只跑一个 AI 应用
LLM 速度：手机上 LLM 推理慢，复杂 Agent 链可能跑得让人不耐烦

小结

LangChain 在 QPython + Ollama 组合上打开了很多可能性——RAG 文档问答、结合 QSL4A 的 AI 自动化、传感器数据智能分析。手机算力有限，但原型调试、轻量应用完全够用。先从简单的 LLM 调用开始，逐步叠加 RAG 和 Agent 能力，这样学习曲线更平滑。

接下来进入 Web 开发部分，了解 QPython 内置的 Django / Flask 支持。