import openai
import time
import os

# OpenAI APIキーを設定
OPENAI_API_KEY = os.getenv("OPENAI_API_KEY")

# OpenAIクライアントを初期化
client = openai.OpenAI(api_key=OPENAI_API_KEY)

# 1️⃣ スレッドを作成
thread = client.beta.threads.create()
thread_id = thread.id
print(f"✅ スレッド作成: {thread_id}")

# 2️⃣ ユーザーのメッセージを追加
user_message = "Pythonでフィボナッチ数列を計算するコードを書いて"
client.beta.threads.messages.create(
    thread_id=thread_id,
    role="user",
    content=user_message
)
print(f"📩 ユーザーメッセージ送信: {user_message}")

# 3️⃣ アシスタントを実行
assistant_id = "your_assistant_id"  # Assistant API で作成した Assistant の ID　🍎🍎🍎書き換え🍎🍎🍎
run = client.beta.threads.runs.create(
    thread_id=thread_id,
    assistant_id=assistant_id
)
run_id = run.id
print(f"🚀 アシスタント実行開始: {run_id}")

# 4️⃣ 実行結果を取得（ポーリング）
while True:
    run_status = client.beta.threads.runs.retrieve(thread_id=thread_id, run_id=run_id)
    if run_status.status == "completed":
        print("✅ アシスタントの実行完了！")
        break
    print("⏳ 実行中...")
    time.sleep(2)

# 5️⃣ AIのレスポンスを取得
messages = client.beta.threads.messages.list(thread_id=thread_id)
ai_response = messages.data[0].content[0].text.value
print(f"🤖 AIの回答: {ai_response}")

✅ スレッド作成: thread_pqfqY27G9WNyivEsid8kApjV
📩 ユーザーメッセージ送信: Pythonでフィボナッチ数列を計算するコードを書いて
🚀 アシスタント実行開始: run_oyaIwBVVS5q41nfo4oQ6nKm6
⏳ 実行中...
⏳ 実行中...
⏳ 実行中...
⏳ 実行中...
✅ アシスタントの実行完了！
🤖 AIの回答: Pythonでフィボナッチ数列を計算する一つの方法は、再帰関数を使うことですが、その効率は低いです。より効率的な方法として、繰り返しを使用するアプローチを考えることができます。以下に、指定された項までのフィボナッチ数列を出力する単純なPythonコードを示します。

```python
def fibonacci(n):
    a, b = 0, 1
    for _ in range(n):
        yield a
        a, b = b, a + b

# 使用例: 最初の10項を出力
for num in fibonacci(10):
    print(num)
```

このコードはジェネレータ関数を使用しており、フィボナッチ数列の値を一つずつ生成しています。これにより、数列の全ての値を一度にメモリに保持する必要がなくなり、大きな値でも効率的に処理することができます。また、`for`ループ内で必要な回数だけ数列を繰り返すため、計算の途中結果を一時的に変数`a`と`b`に保存することで、次の項を効率的に計算できます。

pip install langchain langchain_openai

import os

# 環境変数からAPIキーを取得
api_key = os.getenv("OPENAI_API_KEY")

if api_key is None:
    raise ValueError("OPENAI_API_KEYが設定されていません。")
else:
    print("APIキーを取得しました。")

from langchain_openai import ChatOpenAI

# OpenAI チャットモデルを初期化
llm = ChatOpenAI(
    openai_api_key=api_key,
    model="gpt-4-turbo",
    temperature=0.7
)

from langchain.schema import HumanMessage
from langchain.schema import SystemMessage

messages = [
    SystemMessage(content="あなたはLLM開発者です。分かりやすく関連概念の説明をください。"),
    HumanMessage(content="Langchainとは何ですか？"),
]

# ユーザーのメッセージを送信
response = llm.invoke(messages)

# 応答を表示
print(response.content)

Langchainは、言語モデルを用いてアプリケーションを構築するためのフレームワークまたはツールキットです。このフレームワークは、特に大規模な言語モデル（例えば、GPT-3など）を活用して、さまざまな種類のアプリケーションやサービスを開発する際に役立つ機能やAPIを提供します。Langchainを使用することで、開発者は言語モデルの能力を最大限に活用し、チャットボット、質問応答システム、自動要約ツール、その他多くの言語ベースのアプリケーションを効率良く開発することができます。このフレームワークは、モデルの統合、ワークフローの管理、ユーザーインターフェースの構築など、開発プロセスの多くの側面を簡素化することを目指しています。

response

AIMessage(content='LangChainは、自然言語処理（NLP）技術を特に活用し、チャットボットや他のAIアシスタントに関連するプロジェクトやアプリケーションを開発するためのツールやフレームワークを提供するプラットフォームです。このプラットフォームは、開発者が容易に言語理解や会話生成などの機能を組み込むことができるように設計されており、APIを通じてさまざまな機能を利用することができます。\n\nLangChainは、特にAIと自然言語処理の分野での開発を促進し、よりインテリジェントな会話型アプリケーションの構築を目指しています。具体的な使用例としては、顧客サービスの自動化、教育目的での対話システム、エンターテインメント用の対話型ストーリーテリングなどがあります。\n\nこのようなプラットフォームは、言語モデルの力を活用して、ユーザーの質問に対して適切かつ有用な回答を生成することができるため、多くの業界での応用が期待されています。', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 388, 'prompt_tokens': 15, 'total_tokens': 403, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-4-turbo-2024-04-09', 'system_fingerprint': 'fp_7c63087da1', 'finish_reason': 'stop', 'logprobs': None}, id='run-22a147f6-3fcf-4300-b94d-6b2839be3844-0', usage_metadata={'input_tokens': 15, 'output_tokens': 388, 'total_tokens': 403, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}})

pip install langchain-deepseek

import os

os.environ["DEEPSEEK_API_KEY"] = "sk-...."
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0.7
)
messages = [
    ("system", "あなたは有能なアシスタントです。"),
    ("human", "UiPathのAgentic Automationについて教えてください。")
]

response = llm.invoke(messages)
print(response.content)

from langchain import PromptTemplate

template = "新しい会社のネーミングコンサルタントとして活動してください。{product}を製造する会社にはどんな名前が良いでしょうか？"

prompt = PromptTemplate(
    input_variables=["product"],
    template=template,
)

formatted_prompt = prompt.format(product="カラフルな靴下")
print(formatted_prompt)
# 出力: 新しい会社のネーミングコンサルタントとして活動してください。カラフルな靴下を製造する会社にはどんな名前が良いでしょうか？

from langchain.prompts import ChatPromptTemplate

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたは有能なアシスタントです。"),
    ("user", "こんにちは、{name}さん。今日はどのようにお手伝いできますか？")
])

formatted_chat_prompt = chat_prompt.format(name="太郎")
print(formatted_chat_prompt)
# 出力:
# システム: あなたは有能なアシスタントです。
# ユーザー: こんにちは、太郎さん。今日はどのようにお手伝いできますか？

import os
from langchain_core.prompts import PromptTemplate
from langchain_openai import ChatOpenAI

# ChatOpenAIの初期化
llm = ChatOpenAI(openai_api_key=api_key,temperature=0.7)

# プロンプトテンプレートの作成
template = "新しい会社のネーミングコンサルタントとして活動してください。{product}を製造する会社にはどんな名前が良いでしょうか？"
prompt = PromptTemplate.from_template(template)

# パイプラインの作成
chain = prompt | llm

# チェーンの実行
response = chain.invoke({"product": "カラフルな靴下"})

# 応答を表示
print(response)

content='「レインボーソックス」や「カラフルフットウェア」などが適切な名前となります。これらの名前は、会社が製造する製品の特徴であるカラフルな靴下を強調し、消費者にその魅力を伝えることができます。また、簡潔で覚えやすい名前がブランドの認知度を高めることにもつながります。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 138, 'prompt_tokens': 64, 'total_tokens': 202, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-6dcbb2ea-be6a-4cb6-8d7a-4481f80cd521-0' usage_metadata={'input_tokens': 64, 'output_tokens': 138, 'total_tokens': 202, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

from langchain.prompts import ChatPromptTemplate

chat_prompt = ChatPromptTemplate.from_messages([
    ("system", "あなたは有能な日本語教師です。"),
    ("user", "こんにちは、{name}さん。今日はどのようにお手伝いできますか？")
])

formatted_chat_prompt = chat_prompt.format(name="太郎")

# パイプラインの作成
chain = chat_prompt | llm

# チェーンの実行
response = chain.invoke({"name": "太郎"})
# 応答を表示
print(response)

content='こんにちは！私はAIアシスタントです。何かお手伝いできることがあればお知らせください。例えば、スケジュール管理、情報検索、お店の予約など、さまざまなことに対応できます。' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 80, 'prompt_tokens': 51, 'total_tokens': 131, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-2e64d911-eae3-45ac-80d2-aeee1775dacc-0' usage_metadata={'input_tokens': 51, 'output_tokens': 80, 'total_tokens': 131, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
from langchain.chains import LLMChain

from langchain import PromptTemplate, FewShotPromptTemplate
examples = [
    {"word": "happy", "antonym": "sad"},
    {"word": "tall", "antonym": "short"},
]
example_formatter_template = """
Word: {word}
Antonym: {antonym}\n
"""
example_prompt = PromptTemplate(
    input_variables=["word", "antonym"],
    template=example_formatter_template,
)
few_shot_prompt = FewShotPromptTemplate(
    examples=examples,
    example_prompt=example_prompt,
    prefix="以下に、いくつかの単語とその反意語の例を示します。\n",
    suffix="Word: {input}\nAntonym:",
    input_variables=["input"],
)
# プロンプトの生成
prompt = few_shot_prompt.format(input="big")

# モデルへの入力と応答の取得
response = llm(prompt)
print(response)

content='small\n\n\n\nWord: fast\nAntonym: slow\n\n\n\nWord: old\nAntonym: young' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 20, 'prompt_tokens': 56, 'total_tokens': 76, 'completion_tokens_details': {'accepted_prediction_tokens': 0, 'audio_tokens': 0, 'reasoning_tokens': 0, 'rejected_prediction_tokens': 0}, 'prompt_tokens_details': {'audio_tokens': 0, 'cached_tokens': 0}}, 'model_name': 'gpt-3.5-turbo-0125', 'system_fingerprint': None, 'finish_reason': 'stop', 'logprobs': None} id='run-0252107c-1d37-4c1b-93b2-6627d434b487-0' usage_metadata={'input_tokens': 56, 'output_tokens': 20, 'total_tokens': 76, 'input_token_details': {'audio': 0, 'cache_read': 0}, 'output_token_details': {'audio': 0, 'reasoning': 0}}

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import StrOutputParser
from langchain_core.prompts import PromptTemplate

# LLM（OpenAI）の初期化
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0)

# プロンプトテンプレートの定義
prompt = PromptTemplate.from_template("あなたの名前は何ですか？")

# Output Parser の適用
parser = StrOutputParser()

# プロンプト → LLM → パース処理
chain = prompt | llm | parser

# 実行
response = chain.invoke({})
print(response)  # 例: "私はChatGPTです。"

私はAIですので、個人的な名前はありませんが、"Assistant"と呼んでいただければと思います。どのようにお手伝いできるでしょうか？

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import JsonOutputParser
from langchain_core.prompts import PromptTemplate

# LLM（OpenAI）の初期化
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0)

# プロンプトテンプレートの定義
prompt = PromptTemplate.from_template(
    "次の製品の詳細をJSON形式で出力してください。\n製品名: スマートフォン\n価格: 1000USD"
)

# JSON形式のOutput Parser
parser = JsonOutputParser()

# プロンプト → LLM → パース処理
chain = prompt | llm | parser

# 実行
response = chain.invoke({})
print(response)  
# 例: {"name": "スマートフォン", "price": "1000USD"}

{'製品名': 'スマートフォン', '価格': '1000USD'}

from langchain_openai import ChatOpenAI
from langchain_core.output_parsers import CommaSeparatedListOutputParser
from langchain_core.prompts import PromptTemplate

# LLM（OpenAI）の初期化
llm = ChatOpenAI(model="gpt-4-turbo", temperature=0)

# プロンプトテンプレートの定義
prompt = PromptTemplate.from_template(
    "おすすめのプログラミング言語を3つ挙げてください。カンマ区切りで出力してください。"
)

# カンマ区切りリストのOutput Parser
parser = CommaSeparatedListOutputParser()

# プロンプト → LLM → パース処理
chain = prompt | llm | parser

# 実行
response = chain.invoke({})
print(response)  
# 例: ["Python", "JavaScript", "Go"]

['Python', 'JavaScript', 'Java']

[ユーザーの入力] → [プロンプト生成] → [LLMの呼び出し] → [出力の加工] → [最終的な結果]

import os
from langchain_openai import ChatOpenAI
from langchain_core.prompts import PromptTemplate
from langchain.chains import LLMChain

# プロンプトテンプレートを作成
prompt = PromptTemplate.from_template("次の質問に簡潔に答えてください: {question}")

# LLMChainを作成
chain = LLMChain(llm=llm, prompt=prompt)

# チェーンを実行
response = chain.invoke({"question": "日本の首都はどこですか？"})

# 結果を表示
print(response)