基于DeepSeek手搓一个LLM智能体

GISer Liu

已于 2025-02-12 04:10:35 修改

阅读量2.2k

点赞数 31

分类专栏： LLM Agent python 文章标签：人工智能 python 机器学习深度学习大模型 deepseek datawhale

于 2025-02-12 02:58:06 首次发布

本文链接：https://blog.csdn.net/qq_45590504/article/details/145583097

版权

python 同时被 3 个专栏收录

42 篇文章

订阅专栏

LLM

36 篇文章

订阅专栏

Agent

25 篇文章

订阅专栏

前言

Hello，大家好，我是GISer Liu😁，一名热爱AI技术的GIS开发者，本系列是作者参加DataWhale2025年2月份组队学习的wow-agent技术笔记文档。今天我将手把手教大家如何用DeepSeek大模型从零构建一个天气查询Agent!

在人工智能技术的发展过程中，语言模型（LLM）已经成为自然语言处理（NLP）的核心。然而，随着需求的变化，单一的语言模型不再足够满足复杂的交互需求。智能体（Agent）的概念应运而生，它能理解、决策并执行任务，而不仅仅是生成语言输出。本文将详细介绍智能体的设计思想、核心组件、优势，并展示如何构建一个自定义的智能体——天气查询 Agent。

OK,我们先介绍一下什么是Agent!🤔

一、什么是 Agent？

1. 定义

Agent（智能体） 是一种能够自主感知环境、决策并采取行动的系统。与传统的语言模型不同，Agent 不仅仅是一个生成文本的工具，而是一个具备决策能力和执行能力的智能系统。通过与外部环境（如数据库、API、用户交互等）的交互，Agent 可以完成复杂的任务。

核心思想：

自主性：无需人为干预，独立感知环境并作出反应。
灵活性：通过模块化设计，处理多种任务。
可扩展性：通过集成更多服务和功能，持续增强能力。
交互性：与用户和其他系统无缝互动，完成任务。

2. Agent 的核心组件

一个完整的 Agent 通常由以下核心组件构成：

组件	功能描述	关键技术
感知模块	感知外部环境的信息，接收用户输入或外部数据。	传感器、输入接口、自然语言理解（NLU）
决策模块	根据感知到的信息进行推理和决策，规划下一步行动。	机器学习、推理引擎、优化算法
执行模块	根据决策模块的输出执行具体操作，如调用 API、操作数据库或生成回复。	API 调用、数据库操作、自然语言生成（NLG）
反馈机制	评估执行效果并调整决策，持续优化智能体的表现。	强化学习、评估指标（如准确率、响应时间）

3. Agent 的优势

优势	描述
提高效率	自动化执行重复性任务，减少人工干预。
支持复杂任务	能够处理多步推理和决策，适用于复杂的任务场景。
适应性强	通过持续学习和环境适应，在动态变化的环境中发挥作用。
可扩展性高	通过集成更多工具和服务，不断扩展智能体的能力范围。

开源社区上有这么多Agent框架，为什么我们要手搓呢？🤔

二、为什么要"手搓"Agent？

1. 主流框架的局限性

依赖过多：如 Langchain 需要安装大量依赖库，部署复杂。
灵活性不足：框架通常有固定的设计模式，难以完全满足定制化需求。
性能开销：框架的通用性设计可能导致性能损耗，不适合轻量化场景。

2. 手搓 Agent 的优势

优势	描述
轻量化	仅需核心依赖库（如 `openai` 和 `python-dotenv`），部署简单快速。
高度定制化	完全根据需求设计架构，灵活应对不同场景。
性能优化	去除框架的冗余功能，专注于核心逻辑，提升执行效率。
学习价值	通过手动构建，深入理解 Agent 的工作原理，提升技术能力。

3. 手搓 vs 框架

对比项	手搓 Agent	使用框架
依赖库数量	2 个（`openai` + `python-dotenv`）	通常 50+ 个依赖库
部署时间	15 秒内完成	15 分钟以上
定制化程度	完全自定义	受框架限制
学习曲线	需要理解底层原理	框架提供抽象接口，上手较快
适用场景	轻量化、定制化需求	复杂任务、快速开发

4.核心价值

快速部署：仅需 2 个依赖库，轻松实现轻量化部署。
灵活扩展：根据需求自由添加功能模块，如数据库连接、API 调用等。
成本控制：减少不必要的依赖，降低资源消耗和运行成本。
技术提升：通过手动构建，深入理解 Agent 的底层逻辑和实现细节。

三、获取 API 及接口测试

接下来，我们将使用 DeepSeek API 来构建一个简单的智能体。DeepSeek 提供了类似于 OpenAI 的接口，因此非常适合我们测试。以下是获取 API Key 和进行接口测试的步骤。

1. 获取 DeepSeek API Key

注册登录：首先，前往 DeepSeek 的平台 https://platform.deepseek.com/usage，进行注册并登录。

创建 API Key：在 DeepSeek 的控制面板中，创建一个新的 API Key，并复制保存。

🧨现在复制保存下来这个API Key即可；请确保妥善保管您的 API Key，避免泄露，否则可能导致经济损失。

2. 测试接口

接下来，我们使用 Python 的 OpenAI SDK 来测试 DeepSeek 接口。

pip3 install openai

from openai import OpenAI

client = OpenAI(api_key="<DeepSeek API Key>", base_url="https://api.deepseek.com")

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "Hello"},
    ],
    stream=False
)

print(response.choices[0].message.content)

👌实测可用！

3. 环境变量配置

为了防止 API Key 泄露，建议使用环境变量来配置 API Key。

在项目根目录创建 .env 文件，并设置环境变量：

API_KEY=<Your DeepSeek API Key>
BASE_URL=https://api.deepseek.com

安装 python-dotenv，用于加载环境变量：

pip install python-dotenv

在代码中加载环境变量：

from dotenv import load_dotenv
import os
from openai import OpenAI

load_dotenv()

api_key = os.getenv("API_KEY")
base_url = os.getenv("BASE_URL")

client = OpenAI(api_key=api_key, base_url=base_url)

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[
        {"role": "system", "content": "You are a helpful assistant"},
        {"role": "user", "content": "介绍一下你自己！"},
    ],
    stream=False
)

print(response.choices[0].message.content)

在这里插入图片描述
测试通过！

四、构建客服 Agent

1. LangGPT 的概念

LangGPT 是一种结合结构化 Prompt 设计和角色扮演的智能体。我们可以通过定义不同的角色、行为规则和工作流来构建智能体。

结构化 Prompt 的核心思想是将输入分成不同的层级和模块，使模型更容易理解任务的结构。

2. 构建一个智能客服

我们构建一个简单的智能客服，能够处理用户的注册、查询和删除操作。客服根据用户输入判断任务，并调用相应的服务。

定义角色和任务

system_prompt = """你是一个聪明的客服。您将能够根据用户的问题将不同的任务分配给不同的人。您有以下业务线：
1.用户注册。如果用户想要执行这样的操作，您应该发送一个带有"registered workers"的特殊令牌。并告诉用户您正在调用它。
2.用户数据查询。如果用户想要执行这样的操作，您应该发送一个带有"query workers"的特殊令牌。并告诉用户您正在调用它。
3.删除用户数据。如果用户想执行这种类型的操作，您应该发送一个带有"delete workers"的特殊令牌。并告诉用户您正在调用它。
"""

角色和任务模块

registered_prompt = """
您的任务是根据用户信息存储数据。您需要从用户那里获得以下信息：
1.用户名、性别、年龄
2.用户设置的密码
3.用户的电子邮件地址
如果用户没有提供此信息，您需要提示用户提供。如果用户提供了此信息，则需要将此信息存储在数据库中，并告诉用户注册成功。
"""

query_prompt = """
您的任务是查询用户信息。您需要从用户那里获得以下信息：
1.用户ID
2.用户设置的密码
如果用户没有提供此信息，则需要提示用户提供。如果用户提供了此信息，那么需要查询数据库。如果用户ID和密码匹配，则需要返回用户的信息。
"""

delete_prompt = """
您的任务是删除用户信息。您需要从用户那里获得以下信息：
1.用户ID
2.用户设置的密码
3.用户的电子邮件地址
如果用户没有提供此信息，则需要提示用户提供该信息。
"""

实现智能客服类

class SmartAssistant:
    def __init__(self):
        self.client = client

        self.system_prompt = system_prompt
        self.registered_prompt = registered_prompt
        self.query_prompt = query_prompt
        self.delete_prompt = delete_prompt

        # Using a dictionary to store different sets of messages
        self.messages = {
            "system": [{"role": "system", "content": self.system_prompt}],
            "registered": [{"role": "system", "content": self.registered_prompt}],
            "query": [{"role": "system", "content": self.query_prompt}],
            "delete": [{"role": "system", "content": self.delete_prompt}]
        }

        # Current assignment for handling messages
        self.current_assignment = "system"

    def get_response(self, user_input):
        self.messages[self.current_assignment].append({"role": "user", "content": user_input})
        while True:
            response = self.client.chat.completions.create(
                model="deepseek-chat",
                messages=self.messages[self.current_assignment],
                temperature=0.9,
                stream=False,
                max_tokens=2000,
            )

            ai_response = response.choices[0].message.content
            if "registered workers" in ai_response:
                self.current_assignment = "registered"
                self.messages[self.current_assignment].append({"role": "user", "content": user_input})
            elif "query workers" in ai_response:
                self.current_assignment = "query" 
                self.messages[self.current_assignment].append({"role": "user", "content": user_input})
            elif "delete workers" in ai_response: 
                self.current_assignment = "delete" 
                self.messages[self.current_assignment].append({"role": "user", "content": user_input})
                
            return ai_response

完整代码如下：

from dotenv import load_dotenv
import os
from openai import OpenAI

# Load environment variables from .env file
load_dotenv()

# Retrieve API key and base URL from environment variables
api_key = os.getenv("API_KEY")
base_url = os.getenv("BASE_URL")

# Initialize the OpenAI client
client = OpenAI(api_key=api_key, base_url=base_url)

# Define system prompts for different tasks
sys_prompt = """你是一个聪明的客服。您将能够根据用户的问题将不同的任务分配给不同的人。您有以下业务线：
1.用户注册。如果用户想要执行这样的操作，您应该发送一个带有"registered workers"的特殊令牌。并告诉用户您正在调用它。
2.用户数据查询。如果用户想要执行这样的操作，您应该发送一个带有"query workers"的特殊令牌。并告诉用户您正在调用它。
3.删除用户数据。如果用户想执行这种类型的操作，您应该发送一个带有"delete workers"的特殊令牌。并告诉用户您正在调用它。
"""

registered_prompt = """
您的任务是根据用户信息存储数据。您需要从用户那里获得以下信息：
1.用户名、性别、年龄
2.用户设置的密码
3.用户的电子邮件地址
如果用户没有提供此信息，您需要提示用户提供。如果用户提供了此信息，则需要将此信息存储在数据库中，并告诉用户注册成功。
"""

query_prompt = """
您的任务是查询用户信息。您需要从用户那里获得以下信息：
1.用户ID
2.用户设置的密码
如果用户没有提供此信息，则需要提示用户提供。如果用户提供了此信息，那么需要查询数据库。如果用户ID和密码匹配，则需要返回用户的信息。
"""

delete_prompt = """
您的任务是删除用户信息。您需要从用户那里获得以下信息：
1.用户ID
2.用户设置的密码
3.用户的电子邮件地址
如果用户没有提供此信息，则需要提示用户提供该信息。
"""

class SmartAssistant:
    def __init__(self):
        self.client = client

        # Define system prompts for different tasks
        self.system_prompt = sys_prompt
        self.registered_prompt = registered_prompt
        self.query_prompt = query_prompt
        self.delete_prompt = delete_prompt

        # Using a dictionary to store different sets of messages
        self.messages = {
            "system": [{"role": "system", "content": self.system_prompt}],
            "registered": [{"role": "system", "content": self.registered_prompt}],
            "query": [{"role": "system", "content": self.query_prompt}],
            "delete": [{"role": "system", "content": self.delete_prompt}]
        }

        # Current assignment for handling messages
        self.current_assignment = "system"

    def get_response(self, user_input):
        # Append user input to the current assignment's messages
        self.messages[self.current_assignment].append({"role": "user", "content": user_input})

        # Get response from the AI model
        response = self.client.chat.completions.create(
            model="deepseek-chat",
            messages=self.messages[self.current_assignment],
            temperature=0.9,
            stream=False,
            max_tokens=2000,
        )

        # Extract AI response
        ai_response = response.choices[0].message.content

        # Check for special tokens and switch assignment if necessary
        if "registered workers" in ai_response:
            self.current_assignment = "registered"
            self.messages[self.current_assignment].append({"role": "user", "content": user_input})
        elif "query workers" in ai_response:
            self.current_assignment = "query"
            self.messages[self.current_assignment].append({"role": "user", "content": user_input})
        elif "delete workers" in ai_response:
            self.current_assignment = "delete"
            self.messages[self.current_assignment].append({"role": "user", "content": user_input})

        return ai_response

# Example usage
if __name__ == "__main__":
    assistant = SmartAssistant()
    while True:
        user_input = input("You: ")
        if user_input.lower() in ["exit", "quit"]:
            break
        response = assistant.get_response(user_input)
        print(f"Assistant: {response}")

运行测试：
在这里插入图片描述
运行成功，一切正常！🙂

五、构建一个天气查询Agent

1. 构建思路

这个天气查询 Agent 会通过与 DeepSeek 的 API 交互，接收用户输入的城市或地点，查询该地点的天气情况，并返回给用户。我们需要将天气查询的功能嵌入到一个 Agent 中。

为了实现这个功能，我们需要几个步骤：

获取天气信息（通过外部 API，例如高德天气API）。
处理用户输入，判断是否包含查询天气的指令。
如果用户输入的是查询天气的请求，就通过调用天气 API 获取信息。
输出天气信息。

高德天气API申请教程看这里：https://blog.csdn.net/qq_51055690/article/details/126885110

2. 代码实现

import openai
import os
from dotenv import load_dotenv
import requests

# 加载环境变量
load_dotenv()

# 配置 OpenAI API 和 DeepSeek API
api_key = os.getenv("API_KEY")
base_url = os.getenv("BASE_URL")

# 设置 DeepSeek 客户端
client = openai.OpenAI(api_key=api_key, base_url=base_url)

# 高德地图天气 API
weather_api_key = os.getenv("WEATHER_API_KEY")
weather_base_url = "https://restapi.amap.com/v3/weather/weatherInfo"

class WeatherAgent:
    def __init__(self):
        self.client = client
        self.system_prompt = "你是一个智能助手，能够提供天气查询服务。请用户提供城市名，查询并返回当地的天气情况。"
        self.messages = [{"role": "system", "content": self.system_prompt}]
    
    def get_weather_info(self, city_name):
        """查询天气信息（带错误处理）"""
        params = {
            'key': weather_api_key,
            'city': city_name,
            'extensions': 'base',
            'output': 'JSON'
        }
        
        try:
            response = requests.get(weather_base_url, params=params)
            response.raise_for_status()  # 自动触发HTTP错误
            
            weather_data = response.json()
            if weather_data.get('status') != '1':
                return f"请求失败：{weather_data.get('infocode', '未知错误')}"
                
            lives = weather_data.get('lives', [])
            if not lives:
                return "该城市无天气数据"
                
            live_data = lives[0]
            return (
                f"当前天气：{live_data['weather']}\n"
                f"温度：{live_data['temperature']}°C\n"
                f"湿度：{live_data['humidity']}%\n"
                f"更新时间：{live_data['reporttime']}"
            )
            
        except requests.exceptions.RequestException as e:
            return f"网络请求失败：{str(e)}"
        except KeyError as e:
            return f"数据解析错误：缺少字段 {str(e)}"

    def get_response(self, user_input):
        """改进后的响应逻辑"""
        self.messages.append({"role": "user", "content": user_input})
        
        # 通过AI识别城市名（更精准）
        prompt = f"""
        用户问：{user_input}
        请严格按以下格式回答，只需返回城市名,提取的城市要符合查询标准，尽量是标准城市命名：
        {{
            "city": "提取到的城市名"
        }}
        如果无法识别则返回：{{"city": null}}
        """
        
        # 调用模型提取城市
        extraction_response = self.client.chat.completions.create(
            model="deepseek-chat",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.3,
            max_tokens=50
        )
        
        # 解析城市名
        try:
            city_info = eval(extraction_response.choices[0].message.content)
            city_name = city_info.get('city')
        except:
            city_name = None
        
        if city_name:
            weather_info = self.get_weather_info(city_name)
            return weather_info
        else:
            # 普通对话
            response = self.client.chat.completions.create(
                model="deepseek-chat",
                messages=self.messages,
                temperature=0.7,
                stream=False,
                max_tokens=1000
            )
            return response.choices[0].message.content

# 测试
if __name__ == "__main__":
    agent = WeatherAgent()
    
    test_cases = [
        "北京天气怎么样？",
        "上海市浦东新区今天会下雨吗",
        "帮我查一个不存在的城市的天气",  # 测试错误处理
        "讲个笑话"
    ]
    
    for query in test_cases:
        print(f"用户：{query}")
        print(f"助手：{agent.get_response(query)}\n")

3. 代码解释

环境变量加载

load_dotenv()  # 加载环境变量
api_key = os.getenv("API_KEY")
base_url = os.getenv("BASE_URL")
weather_api_key = os.getenv("WEATHER_API_KEY")

通过 .env 文件加载 API 密钥，避免硬编码敏感信息。

天气查询接口

weather_base_url = "https://restapi.amap.com/v3/weather/weatherInfo"

我们使用 高德地图 提供的天气查询 API。你可以注册高德天气地图获取 API Key。

WeatherAgent 类

get_weather_info：调用 OpenWeatherMap API 获取天气信息。返回天气、温度、湿度等数据。
get_response：根据用户输入的指令生成智能回应。如果用户请求查询天气，则调用 get_weather_info 获取并返回天气数据。

测试输入

    test_cases = [
        "北京天气怎么样？",
        "上海市浦东新区今天会下雨吗",
        "帮我查一个不存在的城市的天气",  # 测试错误处理
        "讲个笑话"
    ]

4. 如何运行

安装所需的库：

pip install openai python-dotenv requests

在项目根目录创建 .env 文件，添加以下内容：

API_KEY=你的DeepSeek API密钥
BASE_URL=https://api.deepseek.com
WEATHER_API_KEY=你的OpenWeatherMap API密钥

运行 Python 脚本，输入天气查询请求，Agent 会返回天气信息。

运行结果如下：
在这里插入图片描述

运行测试通过！没有问题，今天我们就学到这里！😉👌🎉

文章参考

DeepSeek官方文档

项目地址

thank_watch

如果觉得我的文章对您有帮助，三连+关注便是对我创作的最大鼓励！或者一个star🌟也可以😂.

基于DeepSeek手搓一个LLM智能体

前言

一、什么是 Agent？

1. 定义

2. Agent 的核心组件

3. Agent 的优势

二、为什么要"手搓"Agent？

1. 主流框架的局限性

2. 手搓 Agent 的优势

3. 手搓 vs 框架

4.核心价值

三、 获取 API 及接口测试

1. 获取 DeepSeek API Key

2. 测试接口

3. 环境变量配置

四、构建客服 Agent

1. LangGPT 的概念

2. 构建一个智能客服

定义角色和任务

角色和任务模块

实现智能客服类

五、构建一个天气查询Agent

1. 构建思路

2. 代码实现

3. 代码解释

环境变量加载

天气查询接口

WeatherAgent 类

测试输入

4. 如何运行

文章参考

项目地址

三、获取 API 及接口测试