一个周末,30 行写出能用的 AI 小工具

你是不是也想过：能不能自己动手，做一个真正"能用"的小工具？不用多厉害，能帮自己总结文章、提取要点就行。

很多人的卡点在于——"我代码不行""做工具是不是很难"。其实，用 Streamlit + LangChain，一个周末、30 行 Python，就能做出一个能跑、能分享的 AI 小工具。本文带你从零跑通。

一个周末就够

先给颗定心丸：这个项目的门槛比你想象低得多。

• 你不需要前端知识，不用写 HTML/CSS/JS；
• 你不需要深度学习基础，调现成大模型就行；
• 你甚至不需要"会做产品"，先解决自己的一个小需求就好。

Streamlit 是一个用纯 Python 写网页应用的框架，写完直接 streamlit run 就能在浏览器里打开。它天生适合做"工具型小应用"。

小工具不追求完美，能解决自己一个小痛点，就算成功。先跑起来，比想清楚更重要。

环境一键搭好

先把"地基"打牢。建议用 Python 3.10 及以上版本。

建虚拟环境

强烈建议先建一个虚拟环境，避免把包装乱：

python -m venv venv# Windows 激活venv\Scripts\activate# macOS / Linux 激活source venv/bin/activate

装好依赖

核心就两个包。注意：LangChain 的 OpenAI 接入现在单独拆成了一个包：

pip install streamlit langchain langchain-openai

提醒：API Key 是敏感信息。正式项目请用环境变量或 Streamlit Secrets 管理，别直接写死在代码里提交到仓库。

30 行核心代码

目标很明确：粘贴一段文本，点一下按钮，AI 帮你生成摘要 + 要点。

把下面代码存成 app.py（API Key 先占位，后面替换）：

import osimport streamlit as stfrom langchain_openai import ChatOpenAIfrom langchain_core.prompts import ChatPromptTemplateos.environ["OPENAI_API_KEY"] = "在此填入你的Key"# 建议改用环境变量st.title("📝 文本总结小工具")text = st.text_area("把要总结的文本粘这里：", height=300)if st.button("一键总结") and text.strip():    llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)    prompt = ChatPromptTemplate.from_messages([        ("system", "你是总结助手，请输出一段摘要，并列出 3-5 个要点。"),        ("user", "{text}"),    ])    chain = prompt | llmwith st.spinner("AI 思考中…"):        result = chain.invoke({"text": text})    st.subheader("📌 摘要与要点")    st.write(result.content)

说明几点：

• st.text_area
   是左边的多行输入框；
• st.button
   是"一键总结"按钮；
• prompt | llm
   是 LangChain 的链式调用，把"提示词"接到"大模型"上；
• 想换其他兼容 OpenAI 接口的厂商，只需改 ChatOpenAI 的参数（如 base_url）。

如果运行报错，多半是 LangChain 版本差异，以官方文档为准（用法细节待核实）。

跑起来看效果

打开终端，在 app.py 所在目录执行：

streamlit run app.py

终端会打印一个本地地址，通常是：

Local URL: http://localhost:8501

浏览器自动打开这个页面，左边粘贴文字、点"一键总结"，右边就会出现 AI 的摘要和要点。第一次运行会让你确认一些配置，一路回车即可。

加上文件上传

只想粘贴还不够？加一个"上传文件"也很简单，用 st.file_uploader：

uploaded = st.file_uploader("或上传 .txt 文件", type=["txt"])if uploaded:    text = uploaded.read().decode("utf-8")

把它接进前面的逻辑，就能直接总结本地文档。想支持 PDF，可以再引入 PyPDF2 之类的库解析文本（具体用法待核实）。核心思路不变：拿到文本 → 交给 LLM → 展示结果。

进阶玩法畅想

做到这步，你已经有一个"能用的小工具"了。下面几个方向，看兴趣挑：

接本地模型

不想花 API 钱？用 Ollama 跑本地模型，把 ChatOpenAI 换成 ChatOllama：

from langchain_ollama import ChatOllamallm = ChatOllama(model="llama3")  # 需先安装 ollama 并拉取模型

本地模型数据不出本机，隐私友好（依赖包名与用法待核实，以官方为准）。

做成分享链接

想给朋友用？两条路：

• Streamlit Community Cloud
  ：免费把 app.py 部署成公网链接，需配合 GitHub 仓库；
• 内网穿透
  ：本地跑着，用 ngrok / cpolar 等工具临时生成一个外网地址，适合演示。

小提醒：公网分享时，别在代码里硬编码真实 API Key，避免被刷额度。

现在就动手吧

别等"有空了再学"。就这个周末，照着上面四步走：

1. 建虚拟环境、装依赖；
2. 复制 30 行代码，填上 Key；
3. streamlit run
    跑起来；
4. 试着加个文件上传。

哪怕只跑通第一步，你已经比昨天的自己多了一个能用的小工具。

Python程序员

有料有趣的技术公众号

扫码关注、一同进步