import os
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv

# 加载环境变量
load_dotenv()


def get_llm():
    """
    初始化并返回 DeepSeek LLM 实例
    """
    # 注意：这里的 ChatOpenAI 实际上是兼容 OpenAI 接口的类，用于连接 DeepSeek API
    llm = ChatOpenAI(
        base_url=os.getenv("base_url1"),
        api_key=os.getenv("DEEPSEEK_API_KEY1"),
        model="deepseek-chat",
        temperature=0,  # 设置为0，确保结果稳定
    )
    return llm


# 1. 初始化 LLM
llm = get_llm()

# 2. 用户级 prompt
user_prompt = "你是谁？请详细介绍一下你自己。"

print(f"--- 用户提问：{user_prompt} ---")
print("--- LLM 流式回复开始 ---")

# 3. **核心修改：使用 .stream() 方法进行流式调用**
# .stream() 返回一个迭代器，我们可以遍历它来获取分块的输出。
response_stream = llm.stream(user_prompt)

# 4. 遍历并打印流式输出
full_response = ""
for chunk in response_stream:
    # chunk.content 包含当前流片段的内容
    # end="" 确保打印时不换行，模拟流式输出效果
    print(chunk.content, end="", flush=True)
    full_response += chunk.content

print("\n--- LLM 流式回复结束 ---")

# 5. 可选：打印完整的回复内容
# print(f"\n完整的回复内容：{full_response}")