DeepSeek + LangGraph + Chat UI：轻松搭建本地智能助手-CSDN博客

本文链接：https://blog.csdn.net/Python_cocola/article/details/147917349

介绍

本文将介绍如何利用 DeepSeek API、LangGraph 和 Agent Chat UI，快速构建一个本地运行的智能助手。通过本文的指导，你将学会如何启动 LangGraph、部署 Agent Chat UI，并接入 DeepSeek API，最终打造一个功能强大且完全本地化的个人助手。无论你是开发者还是技术爱好者，都可以轻松上手，享受本地化智能助手带来的便利。

环境准备

conda
Python >= 3.11

# 使用conda创建python环境
conda create -n langgraph python=3.12

# 激活环境
conda activate langgraph

# 下载依赖
pip install langchain-core langgraph

pip install "langgraph-cli[inmem]" --upgrade

DeepSeek

访问DeepSeek开放平台 https://platform.deepseek.com/ ，刚注册的用户会送几块钱额度。也可以充值。api调用费用很低。

进入https://platform.deepseek.com/api_keys 创建API key。

注意：API Key需要保密，记得不要提交到GitHub哦。

LangGraph

下载一个LangGraph Template项目

git clone https://github.com/langchain-ai/new-langgraph-project.git

修改配置文件

cp .env.example .env

因为我们使用的是DeepSeek API，所以需要配置 DEEPSEEK_API_KEY（上一步创建的DeepSeek API Key）

# To separate your traces from other application
LANGSMITH_PROJECT=new-agent

# The following depend on your selected configuration

## LLM choice:
# ANTHROPIC_API_KEY=....
# FIREWORKS_API_KEY=...
# OPENAI_API_KEY=...

DEEPSEEK_API_KEY=your-deepseek-api-key

修改代码

src/agent/state.py

from __future__ import annotations

from typing_extensions import TypedDict

from dataclasses import dataclass
from langchain_core.messages import AnyMessage
from langgraph.graph.message import add_messages
from typing import Annotated


@dataclass
class State(TypedDict):
    messages: Annotated[list[AnyMessage], add_messages]

src/agent/configuration.py

"""Define the configurable parameters for the agent."""

from __future__ import annotations

from dataclasses import dataclass, fields
from typing import Optional

from langchain_core.runnables import RunnableConfig


@dataclass(kw_only=True)
class Configuration:


    model_name: str = "deepseek-chat"

    @classmethod
    def from_runnable_config(
        cls, config: Optional[RunnableConfig] = None
    ) -> Configuration:
        """Create a Configuration instance from a RunnableConfig object."""
        configurable = (config.get("configurable") or {}) if config else {}
        _fields = {f.name for f in fields(cls) if f.init}
        return cls(**{k: v for k, v in configurable.items() if k in _fields})

src/agent/graph.py

from typing import Any, Dict

from langchain_core.runnables import RunnableConfig
from langgraph.graph import StateGraph
from langchain_deepseek import ChatDeepSeek
from agent.configuration import Configuration
from agent.state import State

model = ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

def call_model(state, config):
    response = model.invoke(state["messages"])
    # We return a list, because this will get added to the existing list
    return {"messages": [response]}


# Define a new graph
workflow = StateGraph(State, config_schema=Configuration)

# Add the node to the graph
workflow.add_node("call_model", call_model)

# Set the entrypoint as `call_model`
workflow.add_edge("__start__", "call_model")

# Compile the workflow into an executable graph
graph = workflow.compile()
graph.name = "New Graph"  # This defines the custom name in LangSmith

接下来就可以启动项目了:

# 安装依赖
pip install -e .

#启动项目
langgraph dev

Agent Chat UI

下载agent-chat-ui项目

git clone https://github.com/langchain-ai/agent-chat-ui.git

cd agent-chat-ui

# 安装依赖
pnpm install

# 启动项目
pnpm dev

访问http://localhost:5173，连接langgraph http://127.0.0.1:2024

![img](https://mmbiz.qpic.cn/sz_mmbiz_png/90AkyGNbg2XPLibusGczN24Ouv4hokFJcI6mgWr0bWibib11yhefrd13GmvudGej2ZkBZRJYju5B06DIhNRl7Nu5Q/640?wx_fmt=png&from=appmsg)
![img](https://mmbiz.qpic.cn/sz_mmbiz_png/90AkyGNbg2XPLibusGczN24Ouv4hokFJc0iaVsdiarnskpicKqHkVaYYWUuyn274fgDiaquztJvODLq6ednL3NTtuKw/640?wx_fmt=png&from=appmsg)
![img](https://mmbiz.qpic.cn/sz_mmbiz_png/90AkyGNbg2XPLibusGczN24Ouv4hokFJcDuR9fwFtuibZkPK7WBSlmXLBAzBxOjGCYg7YXplhaDqmQibhdp4kFG3w/640?wx_fmt=png&from=appmsg)
总结

通过本文的详细讲解，你已经掌握了如何使用 DeepSeek API、LangGraph 和 Agent Chat UI 快速构建一个本地化的智能助手。从环境准备到 LangGraph 的启动，再到 Agent Chat UI 的部署和 DeepSeek API 的接入，每一步都为你提供了清晰的指导和实用的代码示例。

本地化智能助手的优势显而易见：它不仅能够保护你的数据隐私，还能在网络不稳定时提供稳定的服务。更重要的是，你可以根据自己的需求对助手进行定制和扩展，打造一个真正属于你的智能助手。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述