基于LangChain和DeepSeek的Agent开发指南

admin管理员组

文章数量:1444822

基于LangChain和DeepSeek的Agent开发指南

在人工智能技术飞速发展的今天，开发专属的AI对话机器人不再是十分困难的事情。本文将以DeepSeek最新大语言模型为基础，结合LangChain框架，手把手教你构建一个具备完整对话能力的AI Agent。无需机器学习背景，只需基本Python知识即可完成！

一、环境准备与工具介绍

1.1 必要环境

• Python 3.8+（推荐3.10）
• pip 23.0+
• 开发工具：VSCode/PyCharm/Jupyter

1.2 核心工具介绍

LangChain：当前最流行的AI应用开发框架，提供模块化组件：

• 模型抽象层
• 记忆管理
• 工具调用
• 流程编排

DeepSeek：国产顶尖大语言模型，具有以下优势：

• 中英文双语支持
• 128k超长上下文
• 实时知识更新
• API调用便捷

---

二、项目搭建全流程

2.1 环境配置

代码语言：bash复制

# 创建虚拟环境
python -m venv agent-env
source agent-env/bin/activate  # Linux/Mac
agent-env\Scripts\activate     # Windows

# 安装核心依赖
pip install langchain langchain-core langchain-community
pip install deepseek-api python-dotenv

2.2 获取DeepSeek API密钥

1. 访问DeepSeek官网DEEPSEEK_API_KEY=sk-your-key-here
2. 注册/登录后进入控制台
3. 创建新应用并获取API Key
4. 保存到.env文件：

---

三、基础对话机器人开发

3.1 初始化对话链

代码语言：python代码运行次数：0运行复制

from langchain_community.chat_models import ChatDeepSeek
from langchain_core.prompts import ChatPromptTemplate
from dotenv import load_dotenv

load_dotenv()

# 初始化模型
model = ChatDeepSeek(
    model_name="deepseek-chat",
    temperature=0.5,
    max_tokens=1024
)

# 创建提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个乐于助人的AI助手"),
    ("human", "{input}")
])

# 构建基础链
chain = prompt | model

3.2 进行首次对话

代码语言：python代码运行次数：0运行复制

response = chain.invoke({
    "input": "请用Python写一个快速排序算法"
})
print(response.content)

---

四、添加记忆功能

4.1 实现对话历史管理

代码语言：python代码运行次数：0运行复制

from langchain.memory import ConversationBufferMemory

memory = ConversationBufferMemory(
    memory_key="history",
    return_messages=True
)

# 更新提示模板
prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个专业的技术顾问，具有以下特点：
    1. 回答简洁明确
    2. 会主动追问细节
    3. 使用Markdown格式"""),
    MessagesPlaceholder(variable_name="history"),
    ("human", "{input}")
])

# 构建带记忆的链
conversation_chain = (
    RunnablePassthrough.assign(
        history=RunnableLambda(memory.load_memory_variables)
    ) 
    | prompt
    | model
)

4.2 持续对话示例

代码语言：python代码运行次数：0运行复制

while True:
    user_input = input("你：")
    if user_input.lower() == 'exit':
        break
        
    response = conversation_chain.invoke(
        {"input": user_input},
        config={"callbacks": [memory]}
    )
    
    print(f"AI：{response.content}")

---

五、高级功能扩展

5.1 添加工具调用能力

代码语言：python代码运行次数：0运行复制

from langchain.agents import tool

@tool
def get_weather(city: str):
    """获取指定城市的实时天气"""
    # 这里可以接入真实天气API
    return f"{city}当前天气：25℃，晴"

# 创建工具包
tools = [get_weather]

# 构建Agent
agent = create_tool_calling_agent(
    model,
    tools,
    prompt
)

5.2 自定义提示模板

代码语言：python代码运行次数：0运行复制

advanced_prompt = ChatPromptTemplate.from_messages([
    ("system", """你是一个全能助手，请遵守以下规则：
    1. 当涉及天气查询时，必须使用工具
    2. 技术问题回答需包含示例代码
    3. 保持回答在3句话以内"""),
    MessagesPlaceholder("history"),
    ("human", "{input}"),
    MessagesPlaceholder("agent_scratchpad")
])

---

六、部署应用

6.1 使用Gradio创建Web界面

代码语言：python代码运行次数：0运行复制

import gradio as gr

def chat(message, history):
    response = agent.invoke({
        "input": message,
        "history": history
    })
    return response.content

demo = gr.ChatInterface(
    fn=chat,
    title="DeepSeek AI助手",
    description="体验智能对话"
)

if __name__ == "__main__":
    demo.launch()

---

七、优化与调试技巧

7.1 性能优化

• 设置合理的max_tokens限制
• 使用流式响应提升体验
• 添加缓存机制

代码语言：python代码运行次数：0运行复制

from langchain.cache import InMemoryCache
langchain.llm_cache = InMemoryCache()

7.2 安全防护

代码语言：python代码运行次数：0运行复制

from langchain_community.chat_models import SafetySettings

safety_config = SafetySettings(
    hate_speech_filter=True,
    self_harm_filter=True
)

model = ChatDeepSeek(..., safety_settings=safety_config)

---

八、项目完整结构

代码语言：shell复制

/my-agent
├── main.py
├── utils/
│   ├── tools.py
│   └── config.py
├── .env
├── requirements.txt
└── README.md

---

下一步学习建议

1. 接入更多API工具（邮件发送、数据分析）
2. 尝试RAG增强知识库
3. 实现多Agent协作系统
4. 探索模型微调

---

立即动手尝试吧！ 如果在实现过程中遇到任何问题，欢迎在评论区留言交流。下期我们将探讨如何为Agent添加视觉能力，敬请期待！

本文标签： 基于LangChain和DeepSeek的Agent开发指南