本章目标：
- 我们需要理解什么时AI Agent，以及如何让LLM变得能干；
- 掌握使用DeepSeek开发Agent的基本方式：工具调用和ReAct范式；
- 学习如何特定任务（如小红书文案）设计Agent的工作逻辑和Prompt提示词；
- 最终打造出小红书文案智能助手。
Agent理论基础与开发入门
在当今互联网的背景下，LLM大语言模型的能力已经很强大了，那么为什么还是需要Agent呢？
这需要参考LLM和Agent的主要功能上的区别：
- LLM大语言模型：擅长理解和生成文本，但是响应通常都是一次性的响应，你问一句，它答一句；
- Agent智能体：不仅仅是对话，他是一个有自主规划，使用工具，并根据环境反馈采取行动的系统。
- 使用Agent可以让LLM从一个简单的聊天机器人进化成可以完成复杂任务的智能助理。
Agent基本概念与特点：
- 自主性：Agent可以在没有认为干预的情况下，根据设定的目标和当前环境，自主地做出决策和执行动作；
- 感知：Agent可以通过各种传输方式（如文本传输，API返回，传感器数据）感知其所处的环境和状态；
- 行动：Agent能够执行一系列动作来改变环境或达成目标。这些动作可能包括调用API，执行代码。生成文本，与其他系统交互等；
- 目标导向：Agent的所有行为都是为了实现一个或多个预定的目标。
最简单的AI Agent核心组件：Agents通过传感器收集各类的数据，借助推理引擎提出合理解决方案，并通过控制系统执行动作，以此提升能力。
Agent核心能力和独特优势：
- 复杂任务分解与规划：LLM可以将大目标拆分为一个个可以执行的小步骤，能够动态调整计划以应对意外情况；
- 工具使用：Agent可以赋予各种工具能力，LLM负责合适使用工具；
- 长期记忆与学习：通过外部记忆模块（如向量数据库），Agent可以存储和检索过期的经验知识和历史对话，从而实现更连贯的交互和持续学习；
- 自主性与适应性：Agent能够在没人干预情况下，根据环境变化和任务进展推荐工作；
- 与外部世界交互：不在局限于文本生成，Agent可以通过工具实际影响和改变外部系统和获取外部信息。
Agent开发核心技术栈
Agent开发流程和关键模块分析：
- 定义目标与范围：
-
- Agent要完成什么具体任务？
- 任务的边界和约束是什么？
- 选择核心LLM：选择一个具备良好的指令遵循能力，推理能力和工具使用能力的LLM。
- 设计Agent架构：
-
- 核心逻辑/控制器：负责驱动整个Agent的运行流程；
- 规划模块：LLM思考如何分解任务，并提供调用接口；
- 工具集：定义Agent可以使用的工具，并提供调用接口；
- 记忆执行：短期记忆（历史对话），长期记忆（知识库）；
- 行动执行器：实际执行LLM决定的动作。
- 工具开发与集成：
-
- 为了Agent需要的每个功能开发或者封装为一个工具；
- 确保LLM能够理解工具的描述，输入输出格式。
- 提示词工程：
-
- 设计精良的Prompt（至关重要）来引导LLM进行思考，规划，工具选择和最终输出；
- Prompt建议包含：Agent角色，目标，可用工具描述，输出格式要求，思考链模板等。
- 记忆机制实现：选择合适的记忆存储（如简单的列表，向量数据库）。
- 测试，评估与迭代：
-
- 在各种场景测试Agent 的表现；
- 评估其任务完成率，效率，鲁棒性；
- 根据测试结果不断优化Prompt，工具，计划逻辑等。
DeepSeek Agent开发入门
Agent基本概念回顾：
- 不仅仅是语言模型，而是具备感知，规划，决策，执行，反思能力的智能体；
- 核心要素：LLM（大脑）+工具（双手）+记忆（经验）+规划与反思（思维）；
DeepSeek Agent 的特点与优势：
- 强大的推理能力：DeepSeek模型在复杂逻辑推理和多步骤任务处理上表现出色；
- 灵活的工具调用：无缝集成外部API，函数，扩展LLM的能力边界；
- 高效的任务执行循环：通过迭代的"思考-行动-观察"循环，逐步逼近目标；
- 易于开发与部署：提供友好的接口和框架，降低Agent开发门槛。
Agent核心架构与工作流：
- 用户指令输入：接收用户的任务需求；
- 意图理解与规划（LLM核心）：
-
- DeepSeek模型分析用户意图，将其分解为一系列可执行的子任务；
- 生成初步的执行计划和步骤；
- 工具选择与调用：
-
- 根据规划的子任务，智能选择最合适的外部工具（Function Calling）；
- 构造工具调用参数，并执行。
- 结果观察与反思：
-
- 接收工具执行结果；
- DeepSeek模型对结果进行评估和分析：是否达到预期？是否有新的信息？是否需要调整计划？
- 循环与迭代：
-
- 基于反思结果，修正计划；
- 再次进入工具选择与调用阶段，直至任务完成或者达到终止条件。
- 最终输出：将任务结果以用户可理解的方式呈现。
Prompt核心作用：指定DeepSeek Agent行为，设定其能力边界和目标的关键，如果Agent的操作系统。
DeepSeek Prompt的核心组成：
- System Prompt（角色与全局设定）：定义Agent 身份，专业领域，基本行为准则和总体目标；
- User Promp（任务指令）：用户具体输入的任务需求；
- Tool Description（工具描述）：在system或tools参数中详细描述可用工具的功能，参数和用途。
- Few-shot Examples（示例引导）：提供输入-输出的少量示例，帮助大模型理解复杂任务模式或者特点的行为规范。
import os
from openai import OpenAI
# 从环境变量中获取 API 密钥
api_key = os.getenv("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("DEEPSEEK_API_KEY environment variable not set")
# 初始化DeepSeek客户端
client = OpenAI(
api_key=api_key,
base_url="https://api.deepseek.com/v1",
)
# 1. 先定义 tools（解决作用域问题）
tools = [
{
"type": "function",
"function": {
"name": "get_weather",
"description": "Get weather of a location, the user should supply a location first",
"parameters": {
"type": "object",
"properties": {
"location": {
"type": "string",
"description": "The city and country, e.g. Shanghai, CN",
}
},
"required": ["location"]
},
}
},
]
# 2. 定义 send_messages 函数（此时 tools 已定义）
def send_messages(messages):
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=tools, # 引用已定义的 tools
tool_choice="auto" # 显式指定自动选择工具（可选，增强稳定性）
)
return response.choices[0].message
# 3. 执行核心逻辑
# 初始化用户消息
messages = [{"role": "user", "content": "How's the weather in Shanghai?"}]
print(f"User>\t {messages[0]['content']}")
# 第一步调用：触发工具调用
message = send_messages(messages)
# 检查是否有工具调用（增加容错）
if hasattr(message, 'tool_calls') and message.tool_calls:
tool = message.tool_calls[0]
print(f"Tool Call>\t {tool.function.name} (参数: {tool.function.arguments})")
# 将模型的工具调用消息加入对话上下文
messages.append(message)
# 模拟工具调用结果（修复 role 格式：正确为 function 类型的响应）
tool_response = {
"role": "function", # 关键：tool 响应的 role 应为 function
"name": tool.function.name, # 必须指定调用的函数名
"tool_call_id": tool.id,
"content": "24℃"
}
messages.append(tool_response)
# 第二步调用：传入工具结果，获取最终回答
final_message = send_messages(messages)
print(f"Model>\t {final_message.content}")
else:
# 兜底：模型未触发工具调用时直接返回结果
print(f"Model>\t {message.content}")DeepSeek小红书文案
import os
from openai import OpenAI
# 建议将 API Key 设置为环境变量，避免直接暴露在代码中
# 从环境变量获取 DeepSeek API Key
api_key = os.getenv("DEEPSEEK_API_KEY")
if not api_key:
raise ValueError("请设置 DEEPSEEK_API_KEY 环境变量")
# 初始化 DeepSeek 客户端
client = OpenAI(
api_key=api_key,
base_url="https://api.deepseek.com/v1", # DeepSeek API 的基地址
)
SYSTEM_PROMPT = """
你是一个资深的小红书爆款文案专家，擅长结合最新潮流和产品卖点，创作引人入胜、高互动、高转化的笔记文案。
你的任务是根据用户提供的产品和需求，生成包含标题、正文、相关标签和表情符号的完整小红书笔记。
请始终采用'Thought-Action-Observation'模式进行推理和行动。文案风格需活泼、真诚、富有感染力。当完成任务后，请以JSON格式直接输出最终文案，格式如下：
```json
{
"title": "小红书标题",
"body": "小红书正文",
"hashtags": ["#标签1", "#标签2", "#标签3", "#标签4", "#标签5"],
"emojis": ["✨", "🔥", "💖"]
}
```
在生成文案前，请务必先思考并收集足够的信息。
"""
TOOLS_DEFINITION = [
{
"type": "function",
"function": {
"name": "search_web",
"description": "搜索互联网上的实时信息，用于获取最新新闻、流行趋势、用户评价、行业报告等。请确保搜索关键词精确，避免宽泛的查询。",
"parameters": {
"type": "object",
"properties": {
"query": {
"type": "string",
"description": "要搜索的关键词或问题，例如'最新小红书美妆趋势'或'深海蓝藻保湿面膜 用户评价'"
}
},
"required": ["query"]
}
}
},
{
"type": "function",
"function": {
"name": "query_product_database",
"description": "查询内部产品数据库，获取指定产品的详细卖点、成分、适用人群、使用方法等信息。",
"parameters": {
"type": "object",
"properties": {
"product_name": {
"type": "string",
"description": "要查询的产品名称，例如'深海蓝藻保湿面膜'"
}
},
"required": ["product_name"]
}
}
},
{
"type": "function",
"function": {
"name": "generate_emoji",
"description": "根据提供的文本内容，生成一组适合小红书风格的表情符号。",
"parameters": {
"type": "object",
"properties": {
"context": {
"type": "string",
"description": "文案的关键内容或情感，例如'惊喜效果'、'补水保湿'"
}
},
"required": ["context"]
}
}
}
]
#%% md
### 3.3 模拟工具实现
由于我们无法直接调用真实的外部 API (如Google Search或内部产品数据库)，我们将创建一些模拟 (Mock) 工具函数来演示 Agent 的工作流程。在实际应用中，您需要将这些模拟函数替换为真实的 API 调用。
import random # 用于模拟生成表情
import time # 用于模拟网络延迟
def mock_search_web(query: str) -> str:
"""模拟网页搜索工具，返回预设的搜索结果。"""
print(f"[Tool Call] 模拟搜索网页：{query}")
time.sleep(1) # 模拟网络延迟
if "小红书美妆趋势" in query:
return "近期小红书美妆流行'多巴胺穿搭'、'早C晚A'护肤理念、'伪素颜'妆容，热门关键词有#氛围感、#抗老、#屏障修复。"
elif "保湿面膜" in query:
return "小红书保湿面膜热门话题：沙漠干皮救星、熬夜急救面膜、水光肌养成。用户痛点：卡粉、泛红、紧绷感。"
elif "深海蓝藻保湿面膜" in query:
return "关于深海蓝藻保湿面膜的用户评价：普遍反馈补水效果好，吸收快，对敏感肌友好。有用户提到价格略高，但效果值得。"
else:
return f"未找到关于 '{query}' 的特定信息，但市场反馈通常关注产品成分、功效和用户体验。"
def mock_query_product_database(product_name: str) -> str:
"""模拟查询产品数据库，返回预设的产品信息。"""
print(f"[Tool Call] 模拟查询产品数据库：{product_name}")
time.sleep(0.5) # 模拟数据库查询延迟
if "深海蓝藻保湿面膜" in product_name:
return "深海蓝藻保湿面膜：核心成分为深海蓝藻提取物，富含多糖和氨基酸，能深层补水、修护肌肤屏障、舒缓敏感泛红。质地清爽不粘腻，适合所有肤质，尤其适合干燥、敏感肌。规格：25ml*5片。"
elif "美白精华" in product_name:
return "美白精华：核心成分是烟酰胺和VC衍生物，主要功效是提亮肤色、淡化痘印、改善暗沉。质地轻薄易吸收，适合需要均匀肤色的人群。"
else:
return f"产品数据库中未找到关于 '{product_name}' 的详细信息。"
def mock_generate_emoji(context: str) -> list:
"""模拟生成表情符号，根据上下文提供常用表情。"""
print(f"[Tool Call] 模拟生成表情符号，上下文：{context}")
time.sleep(0.2) # 模拟生成延迟
if "补水" in context or "水润" in context or "保湿" in context:
return ["💦", "💧", "🌊", "✨"]
elif "惊喜" in context or "哇塞" in context or "爱了" in context:
return ["💖", "😍", "🤩", "💯"]
elif "熬夜" in context or "疲惫" in context:
return ["😭", "😮💨", "😴", "💡"]
elif "好物" in context or "推荐" in context:
return ["✅", "👍", "⭐", "🛍️"]
else:
return random.sample(["✨", "🔥", "💖", "💯", "🎉", "👍", "🤩", "💧", "🌿"], k=min(5, len(context.split())))
# 将模拟工具函数映射到一个字典，方便通过名称调用
available_tools = {
"search_web": mock_search_web,
"query_product_database": mock_query_product_database,
"generate_emoji": mock_generate_emoji,
}
import json
import re
def generate_rednote(product_name: str, tone_style: str = "活泼甜美", max_iterations: int = 5) -> str:
"""
使用 DeepSeek Agent 生成小红书爆款文案。
Args:
product_name (str): 要生成文案的产品名称。
tone_style (str): 文案的语气和风格，如"活泼甜美"、"知性"、"搞怪"等。
max_iterations (int): Agent 最大迭代次数，防止无限循环。
Returns:
str: 生成的爆款文案（JSON 格式字符串）。
"""
print(f"\n🚀 启动小红书文案生成助手，产品：{product_name}，风格：{tone_style}\n")
# 存储对话历史，包括系统提示词和用户请求
messages = [
{"role": "system", "content": SYSTEM_PROMPT},
{"role": "user", "content": f"请为产品「{product_name}」生成一篇小红书爆款文案。要求：语气{tone_style}，包含标题、正文、至少5个相关标签和5个表情符号。请以完整的JSON格式输出，并确保JSON内容用markdown代码块包裹（例如：```json{{...}}```）。"}
]
iteration_count = 0
final_response = None
while iteration_count < max_iterations:
iteration_count += 1
print(f"-- Iteration {iteration_count} --")
try:
# 调用 DeepSeek API，传入对话历史和工具定义
response = client.chat.completions.create(
model="deepseek-chat",
messages=messages,
tools=TOOLS_DEFINITION, # 告知模型可用的工具
tool_choice="auto" # 允许模型自动决定是否使用工具
)
response_message = response.choices[0].message
# **ReAct模式：处理工具调用**
if response_message.tool_calls: # 如果模型决定调用工具
print("Agent: 决定调用工具...")
messages.append(response_message) # 将工具调用信息添加到对话历史
tool_outputs = []
for tool_call in response_message.tool_calls:
function_name = tool_call.function.name
# 确保参数是合法的JSON字符串，即使工具不要求参数，也需要传递空字典
function_args = json.loads(tool_call.function.arguments) if tool_call.function.arguments else {}
print(f"Agent Action: 调用工具 '{function_name}'，参数：{function_args}")
# 查找并执行对应的模拟工具函数
if function_name in available_tools:
tool_function = available_tools[function_name]
tool_result = tool_function(**function_args)
print(f"Observation: 工具返回结果：{tool_result}")
tool_outputs.append({
"tool_call_id": tool_call.id,
"role": "tool",
"content": str(tool_result) # 工具结果作为字符串返回
})
else:
error_message = f"错误：未知的工具 '{function_name}'"
print(error_message)
tool_outputs.append({
"tool_call_id": tool_call.id,
"role": "tool",
"content": error_message
})
messages.extend(tool_outputs) # 将工具执行结果作为 Observation 添加到对话历史
# **ReAct 模式：处理最终内容**
elif response_message.content: # 如果模型直接返回内容（通常是最终答案）
print(f"[模型生成结果] {response_message.content}")
# --- START: 添加 JSON 提取和解析逻辑 ---
json_string_match = re.search(r"```json\s*(\{.*\})\s*```", response_message.content, re.DOTALL)
if json_string_match:
extracted_json_content = json_string_match.group(1)
try:
final_response = json.loads(extracted_json_content)
print("Agent: 任务完成，成功解析最终JSON文案。")
return json.dumps(final_response, ensure_ascii=False, indent=2)
except json.JSONDecodeError as e:
print(f"Agent: 提取到JSON块但解析失败: {e}")
print(f"尝试解析的字符串:\n{extracted_json_content}")
messages.append(response_message) # 解析失败，继续对话
else:
# 如果没有匹配到 ```json 块，尝试直接解析整个 content
try:
final_response = json.loads(response_message.content)
print("Agent: 任务完成，直接解析最终JSON文案。")
return json.dumps(final_response, ensure_ascii=False, indent=2)
except json.JSONDecodeError:
print("Agent: 生成了非JSON格式内容或非Markdown JSON块，可能还在思考或出错。")
messages.append(response_message) # 非JSON格式，继续对话
# --- END: 添加 JSON 提取和解析逻辑 ---
else:
print("Agent: 未知响应，可能需要更多交互。")
break
except Exception as e:
print(f"调用 DeepSeek API 时发生错误: {e}")
break
print("\n⚠️ Agent 达到最大迭代次数或未能生成最终文案。请检查Prompt或增加迭代次数。")
return "未能成功生成文案。"
# 测试案例 1: 深海蓝藻保湿面膜
product_name_1 = "深海蓝藻保湿面膜"
tone_style_1 = "活泼甜美"
result_1 = generate_rednote(product_name_1, tone_style_1)
print("\n--- 生成的文案 1 ---")
print(result_1)
# 测试案例 2: 美白精华
product_name_2 = "美白精华"
tone_style_2 = "知性温柔"
result_2 = generate_rednote(product_name_2, tone_style_2)
print("\n--- 生成的文案 2 ---")
print(result_2)
扫一扫
640
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
