LangChain LangGraph 教程：agent智能体入门-通过DeepSeek调用乘法函数-马育民老师

# 介绍

智能体核心公式：

```
Agent = LLM（DeepSeek 大脑） + Tools（可调用能力） + Prompt/记忆（行为逻辑） + 执行循环（ReAct/LangGraph）
```

- **DeepSeek**：提供推理、思考、工具调用决策（支持 chat / reasoner 两种模式）
- **LangChain**：标准化工具、记忆、提示词、Agent 运行器
- **Agent 运行方式**：
  - **基础工具调用 Agent**：单轮/多轮调用工具，适合简单任务
  - **ReAct Agent**：思考→行动→观察→再思考，适合多步推理
  - **LangGraph Agent**：状态机编排，适合复杂、长流程、需要记忆/规划的任务

### 应用场景

- **Agentic RAG**：文档问答 + 联网搜索 + 工具调用
- **数据处理 Agent**：自动读取 CSV → 分析 → 可视化 → 报告
- **个人助理**：日程管理、邮件处理、天气查询、计算器
- **代码助手**：写代码、查文档、运行脚本（需沙箱）

---

# 环境准备

### 1. 安装依赖

```bash
python -m venv ds-agent-env
source ds-agent-env/bin/activate  # Windows: ds-agent-env\Scripts\activate

pip install -U langchain langchain-openai langchain-community
pip install python-dotenv requests
# 可选：搜索工具、向量库、LangGraph
pip install duckduckgo-search chromadb langgraph
```

### 获取 DeepSeek API Key

- 官网：https://www.deepseek.com
- 注册后创建 API Key，充值即可使用
- 支持模型：
  - `deepseek-chat`：通用对话，**最适合 Agent**
  - `deepseek-reasoner`：强推理，适合复杂数学/逻辑任务
  - `deepseek-v4-flash`：高速低延迟

### 环境变量 .env
```ini
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx
DEEPSEEK_API_BASE=https://api.deepseek.com/v1
DEEPSEEK_MODEL=deepseek-chat
```

---

# 接入 DeepSeek 的两种方式

### 方式 A：用 ChatOpenAI 兼容（最简单，推荐入门）
DeepSeek 完全兼容 OpenAI 接口格式，可直接用 `langchain-openai`：
```python
# llm.py
from dotenv import load_dotenv
import os
from langchain_openai import ChatOpenAI

load_dotenv()

llm = ChatOpenAI(
    model=os.getenv("DEEPSEEK_MODEL", "deepseek-chat"),
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    base_url=os.getenv("DEEPSEEK_API_BASE"),
    temperature=0.1,  # 越低越稳定，Agent 建议 0~0.3
    max_tokens=4096
)

# 测试
if __name__ == "__main__":
    res = llm.invoke("你好，你是 DeepSeek 吗？")
    print(res.content)
```

### 方式 B：用官方 ChatDeepSeek（保留 reasoner 推理字段）
```bash
pip install langchain-deepseek
```
```python
from langchain_deepseek import ChatDeepSeek

llm = ChatDeepSeek(
    model="deepseek-reasoner",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
    api_base="https://api.deepseek.com/v1",
    temperature=0.0
)
```

---

# 编写自定义工具（Agent 的“手脚”）

### 工具规范

- 用 `@tool` 装饰器
- 函数文档字符串必须清晰（LLM 靠它理解参数）
- 参数尽量简单（str/int/float）
- 返回值结构化，方便 LLM 总结

### 示例：实现计算器工具（ChatOpenAI 兼容）

```
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langgraph.prebuilt import create_react_agent

# 1. 自定义乘法工具函数
@tool
def multiply(a: float, b: float) -> float:
    """
    计算两个数字的乘积
    :param a: 第一个乘数
    :param b: 第二个乘数
    """
    return a * b

# 2. 初始化大模型
llm = ChatOpenAI(
    model="gpt-3.5-turbo",
    api_key="你的密钥",
    base_url="接口地址"
)

# 3. 创建智能体，绑定乘法工具
agent = create_react_agent(llm, tools=[multiply])

# 4. 智能体交互调用
if __name__ == "__main__":
    # 自然语言提问，自动调用乘法函数
    res1 = agent.invoke({"messages": [("user", "计算8乘以9等于多少")]})
    print("结果1：", res1["messages"][-1].content)

res2 = agent.invoke({"messages": [("user", "3.5乘6.2是多少")]})
    print("结果2：", res2["messages"][-1].content)
```

### 示例：天气查询 + 计算器工具

```python
# tools.py
from langchain.tools import tool
import requests

# 1. 天气工具
@tool
def get_weather(city: str) -> str:
    """查询指定城市的当前天气。
    参数:
        city: 城市名，如"北京"、"上海"
    """
    # 模拟调用，实际替换为真实天气 API
    mock_data = {
        "北京": "晴，25℃，微风",
        "上海": "多云，28℃，东南风"
    }
    return mock_data.get(city, "未知城市")

# 2. 计算器工具
@tool
def calculator(expression: str) -> str:
    """执行数学计算，支持加减乘除、括号。
    参数:
        expression: 数学表达式字符串，如"256*128"
    """
    try:
        result = eval(expression, {"__builtins__": {}}, {})
        return f"计算结果：{result}"
    except Exception as e:
        return f"计算错误：{e}"

tools = [get_weather, calculator]
```

---

# 创建基础工具调用智能体（Tool Calling Agent）
适合：简单问答、单/多工具调用、无需复杂思考
```python
# agent_basic.py
from langchain.agents import create_tool_calling_agent, AgentExecutor
from langchain_core.prompts import ChatPromptTemplate
from llm import llm
from tools import tools

# 1. 提示词模板（控制 Agent 行为）
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个专业助手，会准确调用工具。回答用中文，简洁清晰。"),
    ("user", "{input}"),
    ("agent_scratchpad", "{agent_scratchpad}")
])

# 2. 创建 Agent
agent = create_tool_calling_agent(llm, tools, prompt)

# 3. 执行器（处理循环调用、错误）
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True)

# 4. 测试
if __name__ == "__main__":
    result = agent_executor.invoke({"input": "北京天气怎么样？顺便算一下 123*456"})
    print("最终回答：", result["output"])
```

**运行效果**：

- LLM 先决定调用 `get_weather("北京")`
- 拿到结果后再调用 `calculator("123*456")`
- 最后整合结果输出中文回答

---

# 创建 ReAct 智能体（思考→行动→观察）
适合：多步推理、需要“先想再做”的任务（如写报告、数据分析）
```python
# agent_react.py
from langchain.agents import create_react_agent, AgentExecutor
from langchain_core.prompts import PromptTemplate
from llm import llm
from tools import tools

# ReAct 提示词（必须包含 "Thought:" "Action:" "Observation:"）
prompt = PromptTemplate(
    input_variables=["input", "agent_scratchpad"],
    template="""
你是一个会思考、会使用工具的智能助手。
请严格按以下格式回复：
Thought: 你当前的思考
Action: 要调用的工具名
Action Input: 工具参数
Observation: 工具返回结果
...（循环）
Final Answer: 最终答案

工具列表：
{tools}

用户问题：{input}
{agent_scratchpad}
"""
)

agent = create_react_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, handle_parsing_errors="返回'思考错误'")

# 测试
if __name__ == "__main__":
    res = agent_executor.invoke({"input": "上海天气如何？计算 9876*5432"})
    print(res["output"])
```

---

# 加入记忆（支持多轮对话）
### 1. 短期记忆（会话记忆）
```python
from langchain_core.messages import SystemMessage
from langchain.memory import ConversationBufferMemory

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

# 修改提示词，加入 chat_history
prompt = ChatPromptTemplate.from_messages([
    ("system", "你是专业助手，用中文回答。"),
    ("user", "{input}"),
    ("placeholder", "{chat_history}"),
    ("agent_scratchpad", "{agent_scratchpad}")
])

# 创建带记忆的 Agent
agent = create_tool_calling_agent(llm, tools, prompt)
agent_executor = AgentExecutor(agent=agent, tools=tools, verbose=True, memory=memory)

# 多轮测试
agent_executor.invoke({"input": "北京天气？"})
agent_executor.invoke({"input": "刚才问的是哪个城市？"})  # 能记住上下文
```

### 2. 长期记忆（向量库，RAG）
可接入 Chroma/FAISS，实现“文档问答+工具调用”的 RAG Agent，适合知识库场景。

---

# 生产级：用 LangGraph 构建复杂智能体
适合：长流程、多步骤、需要规划/反思/状态管理的任务（如自动写周报、数据处理流水线）

### 核心概念
- **State**：全局状态（用户输入、中间结果、工具返回、记忆）
- **Nodes**：思考节点、工具调用节点、总结节点
- **Edges**：条件路由（是否需要继续调用工具）

### 极简示例（伪代码）
```python
from langgraph.graph import StateGraph, END
from typing import TypedDict, List

class AgentState(TypedDict):
    input: str
    messages: List
    tool_calls: List

# 1. 思考节点：LLM 决定下一步
def think_node(state: AgentState):
    res = llm.invoke(state["messages"])
    return {"tool_calls": res.tool_calls}

# 2. 工具节点：执行工具
def tool_node(state: AgentState):
    results = []
    for call in state["tool_calls"]:
        tool = next(t for t in tools if t.name == call["name"])
        results.append(tool.invoke(call["args"]))
    return {"messages": state["messages"] + results}

# 3. 构建图
graph = StateGraph(AgentState)
graph.add_node("think", think_node)
graph.add_node("tool", tool_node)
graph.add_edge("think", "tool")
graph.add_edge("tool", "think")  # 循环思考-工具
graph.set_entry_point("think")

# 编译运行
app = graph.compile()
app.invoke({"input": "复杂多步任务..."})
```

---

# DeepSeek 智能体常见坑与优化
### 1. 工具调用不稳定（不按格式输出）
- 降低 temperature 到 **0~0.2**
- System Prompt 明确强制格式（如“必须返回 JSON”）
- 用 `handle_parsing_errors` 捕获异常并重试

### 2. 长文本截断
- 用 `deepseek-chat`（上下文 32k）
- 开启流式输出 `stream=True`

### 3. Reasoner 模型使用
- `deepseek-reasoner` 推理更强，但**不支持工具调用**（2026.5）
- 组合策略：`chat` 做工具调用，`reasoner` 做深度分析

### 4. 安全

- 工具参数校验（防止注入）
- 限制 `eval` 等危险函数（示例仅用于演示）

原文出处：https://malaoshi.top/show_1GW3N5FBwWtx.html