LangChain实践（基于DeepSeek）

二进制杯莫停

208人浏览 · 2026-08-06 20:20:17

二进制杯莫停 · 2026-08-06 20:20:17 发布

1、准备

使用PyCharm 2025.3及以上版本，可以直接创建uv管理项目
在IDE内部可以使用Jupyter notebook直接使用：uv add notebook
使用.env文件保存API_KEY并提供环境变量访问

LangChain官网：

2、基础：调用大模型

2.1 准备工作

首先，我们要安装OpenAI的依赖

uv add openai

2.2 初始化客户端

硬编码API_KEY

from openai import OpenAI

client = OpenAI(api_key="sk-xxxx", base_url="https://api.deepseek.com")

从环境变量中获取API_KEY

读取变量需要用到python-dotenv，先安装依赖，命令是：

uv add python-dotenv

再创建.env文件，并写入API_KEY

API_KEY=xxxx

接着就可以从环境变量中获取API_KEY了。

from dotenv import load_dotenv
import os

load_dotenv()

api_key = os.getenv("DEEPSEEK_API_KEY")
print(api_key)

client = OpenAI(api_key=api_key, base_url="https://api.deepseek.com")

2.3 访问模型

response = client.responses.create(
    model="deepseek-v4-flash",
    instructions="You are a helpful assistant.",
    input="Hi, how are you?",
)

2.4 获取模型响应结果

print(response.output_text)

3、LangChain入门案例：天气查询智能体

在这里插入图片描述

3.1 准备工作

首先，要使用LangChain必须先安装依赖，命令如下：

uv add langchain

LangChain支持各种不同的模型，而且提供了对应的兼容SDK，不过也都需要安装对应依赖，你可以按需添加：

# 集成DeepSeek
uv add langchain-deepseek
# 集成OpenAI
uv add langchain-openai
# 集成Anthropic
uv add langchain-anthropic

接下来就可以开发agent了，基本步骤如下：

加载环境变量
定义工具
定义Agent
调用Agent

3.2 开发Agent

加载环境变量

# 1. 加载环境变量
from dotenv import load_dotenv
load_dotenv()

定义工具

# 2. 定义工具
from langchain.tools import tool

@tool
def getWeather(location: str) -> str:
	"""
	Get the weather in a given location.
	Args:
		location: city name or coordinates
	"""
	return f"Current weather in {location} is sunny"

创建Agent

# 3. 创建Agent
from langchain.agents import create_agent

agent = create_agent(
    model="deepseek-v4-flash",
    tools=[getWeather],
    system_prompt="You are a helpful assistant",
)

发起调用

# 4. 调用Agent
result = agent.invoke(
    {"messages": [{"role": "user", "content": "杭州今天天气如何？"}]}
)
print(result["messages"][-1].content_blocks)
# [{'type': 'reasoning', 'reasoning': "The weather in Hangzhou is sunny today. I'll respond to the user in Chinese."}, {'type': 'text', 'text': '杭州今天天气晴朗（sunny）☀️，天气不错，适合外出活动！如果有出行计划，记得做好防晒哦。'}]

3.2 Agent执行流程

在这里插入图片描述

Agent如何知道工具信息的

在这里插入图片描述

4、LangChain初始化模型

LangChain支持现在市面上大部分常见的大语言模型LLM，并且提供了各个模型的对应依赖库。
在这里插入图片描述
使用时只需要引入对应的类即可使用：

过时写法：

from langchain_openai import ChatOpenAI
model = ChatOpenAI(model="gpt-5.2")

推荐写法：不需要实例化具体的类，自动路由

from langchain.chat_models import init_chat_model
model = init_chat_model(model="gpt-5.2")

4.1 开发流程

在这里插入图片描述

4.2 实践

# 加载环境变量
from dotenv import load_dotenv
load_dotenv()

初始化并调用模型

LangChain提供了两种常见函数用来初始化模型：

使用init_chat_model函数，由LangChain自动创建模型对象
使用不同模型对应的类，手动创建模型对象

init_chat_model

官方最推荐的方式就是使用init_chat_model函数。

基于名称推断模型提供商

使用init_chat_model函数，你需要从LangChain支持的模型提供者（Model Provider）中选择一个模型。而LangChain根据模型名称自动初始化与模型的连接，非常方便。

LangChain支持的模型列表参考官方链接：
https://docs.langchain.com/oss/python/integrations/providers/overview

接下来，你要做的事情包括：

安装模型依赖：uv add langchain langchain-deepseek
在.env中配置模型的api_key
调用init_chat_model函数，传入正确的模型名称

# 导入LangChain的初始化模型的函数
from langchain.chat_models import init_chat_model
# 调用init_chat_model函数初始化模型
# 参数model用来指定模型名称，LangChain会根据模型名字自动设定base_url,并从环境变量中获取api_key
model = init_chat_model(model="deepseek-v4-flash")
print(type(model))
# <class 'langchain_deepseek.chat_models.ChatDeepSeek'>

4.3 自定义模型提供商

init_chat_model默认会根据模型名称自动确定模型的提供者的base_url，并从env读取api_Key，但前提必须是LangChain支持的模型平台，例如：

openai
deepseek
…

对于其他模型，我们必须自定义模型参数来访问。

例如，我们要访问阿里云百炼的qwen-max，他就不是LangChain支持的模型，我们必须自定义模型参数来访问。

我们需要再环境变量中定义api_key和base_url
然后在init_chat_model中指定model、model_provider、base_url和api_key。

# 我们收到加载环境变量中的base_url和api_key
import os
base_url = os.getenv("DASHSCOPE_BASE_URL")
api_key = os.getenv("DASHSCOPE_API_KEY")

model = init_chat_model(
	model="qwen-max",		# 模型名称
	model_provider="openai", # 如果是LangChain不支持的类型，需要指定模型提供者（虽然我们用的是阿里，但是阿里兼容openai，所以这里用openai）
	base_url=base_url,
	api_key=api_key
)

# 自定义模型参数时，模型的类型有model_provider确定
print(type(model))
# <class 'langchain_openai.chat_models.base.ChatOpenAI'>

4.4 调整模型参数

除了修改模型提供者之外，init_chat_model函数允许我们调整模型参数，例如：

temperature：控制生成文本的随机性，值越小越确定，值越大越随机。
max_tokens：控制生成文本的最大长度
top_p：控制生成文本的多样性，值越小越多样，值越大越确定。
timeout：控制生成文本的超时时间
max_retries：控制生成文本的最大重试次数。

# 调用init_chat_model函数初始化模型，并设定模型参数
model = init_chat_model（
	model="qwen-max",  # 模型名称
	model_provider="openai", # 如果是LangChain不支持的类型，需要指定模型提供者（虽然我们用的是阿里，但是阿里兼容openai，所以这里用openai）
	base_url=base_url,
	api_key=api_key,
	temperature=1.5,
	top_p=0.9,
）

4.5 使用model类

其实init_chat_model函数底层就是帮我们利用Model类创建对象。但支持有限的模型。

而在LangChain的社区，除了LangChain官方提供的Model，还有些类是社区提供，更丰富多样。

具体支持的模型，可以查看官方网址：https://docs.langchain.com/oss/python/integrations/chat

例如，我们使用社区版本的Model类来访问阿里云百炼的通义千问模型：

首先，我们需要安装依赖LangChain社区依赖：

uv add langchain-community

# 阿里云百炼依赖
uv add dashscope

然后，我们就可以使用Model类初始化模型了。

from langchain_community.chat_model.tongyi import ChatTongyi

# 使用Model类初始化模型
model = ChatTongyi(
	model="qwen-max"
	# 其他模型参数...
)
print(type(model))
# <class 'langchain_community.chat_models.tongyi.ChatTongyi'>

5、 LangChain访问模型

openai的方式与LangChain方式的对比：可以看到LangChain方式更优雅
在这里插入图片描述
LangCHain提供了两种不同的函数来访问模型：

invoke：阻塞式范文
stream：流式访问

5.1 方式一：invoke

invoke函数式阻塞式调用，需要等待模型生成全部结果才会返回，等待时间较长。

# 通过invoke函数访问模型，需要阻塞等待模型生成结果
response = model.invoke("你是谁？")
# 查看响应内容
print(response)


# 调用invoke函数，传入消息数组
responese = model.invoke([
    {"role":"system", "content":"你扮演火箭队的武藏，以武藏的性格口吻回答用户的问题。"},
    {"role":"user", "content":"你是谁？"}
])
print(responese)

5.2 方式二：stream

invoke阻塞式调用需要等待较长时间才能看到AI返回的结果，而stream则是流式调用，可以实时看到AI返回的一个词。

# 通过.stream函数实现流式访问
stream = model.stream("你是谁？")
# 打印stream类型
print(type(stream))
# <class 'generator'>
# 循环打印内容
for chunk in stream:
    print(chunk.content, end="", flush=True)
# 你好！我是 DeepSeek，由深度求索公司创造的 AI 助手。我可以帮你解答问题、处理文本、分析资料、提供建议等等。有什么需要帮忙的吗？😊

6、在智能体中使用模型

6.1 创建智能体

LangChain提供了一个create_agent函数用来快速创建智能体。调用create_agent时需要指定一个模型。有两种选择：

使用初始化好的模型对象
使用模型名称，让LangChain自动初始化模型

from langchain.agents import create_agent
# 1. 使用初始化好的model创建Agent
agent = create_agent(model=model)
# 2. 指定Model名称，由LangChain自动初始化模型
agent = create_agent(model="deepseek-chat")

6.2 调用智能体

智能体调用与模型调用类似，也支持两种方式：

invoke：阻塞式调用
stream：流式调用

但需要注意的是，智能体调用时需要传入一个dict，其中必须包含一个messages字段，也就是消息的列表。

阻塞式调用

response = agent.invoke({
	"messages": [{"role":"user", "content": "你是谁？"}]
})
print(response)

流式调用

messages = agent.stream(
	{"messages": [{"role":"user", "content": "你是谁？"}]},
    stream_mode="messages"
)
print(type(messages))
# <class 'generator'>

# 遍历stream结果，实时打印AI的回复
for token, metadata in messages:
    if token.content:
        print(token.content, end="", flush=True)
# 你好！我是DeepSeek，由深度求索公司创造的AI助手。😊

7. 消息Message

在LangChain中，发送给模型的消息、模型返回的消息都统一被封装为BaseMessage，并且准备了多个BaseMessage的子类对应不同角色类型的消息。
在这里插入图片描述

# 加载环境变量
from dotenv import load_dotenv
load_dotenv()

7.1 消息类型

在LangChain中，发送给LLM的消息、LLM返回的消息都统一封装为BaseMessage，它是Agent中基本的上下文单元。

在LangChain中，我们并不需要自己创建BaseMessage对象，LangChain已经把常见消息根据角色（Role）创建了对应的BaseMessage的子类：

SystemMessage：role是system，代表系统消息，用于设定模型角色和交互背景
HumanMessage：role是user，代表用户输入的消息
AIMessage：role是assistant，代表LLM生成的响应，包含：文本、工具调用、元数据
ToolMessage：role是tool，代表工具调用时产生的结果

我们可以直接使用这些Messages类型来发送消息。

from langchain.agents import create_agent
from langchain.tools import tool
from langchain_core.messages import SystemMessage, HumanMessage, AIMessage

# 定义工具
@tool
def getWeather(location: str) -> str:
	"""
	Get the weather in a given location.
	Args:
		location: city name or coordinates
	"""
	return f"Current weather in {location} is sunny"

# 创建agent
agent = create_agent(model="deepseek-chat", tools=[getWeather])
# 调用agent，发送消息
response = agent.invoke({
    "messages":[
        # {"role": "system", "content": "你是一个热心的AI助手。"},
        # {"role": "user", "content": "你好，我是胡歌。"},
        # {"role": "assistant", "content": "你好，胡歌，很高兴认识你。"},
        # {"role": "user", "content": "北京今天天气如何？"},
        SystemMessage(content="你是一个热心的AI助手。"),
        HumanMessage(content="你好，我是胡歌。"),
        AIMessage(content="你好，胡歌，很高兴认识你。"),
        HumanMessage(content="北京今天天气如何？")
    ]
})

for message in response['messages']:
    message.pretty_print()

7.2 多模态消息

之前我们都是向模型发送文本消息，但是LangChain也支持向模型发送多模态消息，比如图片、音频、视频等。但前提必须是多模态模型才支持。

一些支持多模态的模型有：

qwen3.5-puls
gpt-5-nano
…

我们以qwen3.5-plus为例，演示向模型发送图片消息

在线图片

首先，我们演示如何发送一个在线图片给模型，也就是指定模型的url地址。图片如下：
在这里插入图片描述

from langchain.chat_models import init_chat_model
import os

#初始化模型
model = init_chat_model(
	model="qwen3.5-plus",
	model_provider="openai",
	base_url=os.getenv("DASHSCOPE_BASE_URL")
	api_key=os.getenv("DASHSCOPE_API_KEY")
)
#创建agent
agent=create_agent(model=model)
#准备多模态消息
message = {
	"role": "user",
	"content": [
		{"type": "text", "text": "Describe the content of this image."},
		{"type": "image", "url": "https://example.com/path/to/image.jpg"}
	]
}
#或者
message = HumanMessage(content=[
		{"type": "text", "text": "Describe the content of this image."},
		{"type": "image", "url": "https://example.com/path/to/image.jpg"}
	])

本地图片数据

有时候用户会上传图片数据，而不是图片的url地址。我们需要将图片数据转换成base64字符串，然后发送给模型。

接下来我们会模拟图片上传、转换的过程。

首先，我们安装一个上传组件，用于模拟图片上传。

uv add ipywidgets

然后，我们创建一个上传组件，用于模拟图片上传。

from ipywidgets import FileUpload
from IPython.display import display

uploader = FileUpload(accept='*', multiple=False)
display(uploader) 

print(uploader.value)

# 读取图片，转为base64字符串
import base64
# 获取第一个上传的文件
uploaded_file = uploader.value[0]
# 获取其内存视图
content_mv = uploaded_file["content"]
# 转换内存视图->字节
img_bytes = bytes(content_mv)
# base64编码
img_64 = base64.b64encode(img_bytes).decode("utf-8")

# 组织多模态消息
multimodal_question = HumanMessage(content=[
	{
		"type": "image",
		"base64": img_64,
		"mime_type": "image/jpeg",
	},
	{"type": "text", "text": "给我讲讲图片中的城市"}
])
for chunk, metadata in agent.stream(
	{"messages": [multimodal_question],
	stream_mode="messages"}
):
	print(chunk.content, end="", flush=True)

8. 提示词Prompts

提示词（Prompt）就是发送给模型的消息，其中SystemMessage是系统提示词（system message），可以给模型设定角色、聊天的背景、任务说明，对模型生成的内容有很大的影响。

在这里插入图片描述

8.1 系统提示词

在所有发送给LLM的消息中，System Message最为重要，它设定了模型的角色和聊天的背景。会影响后续所有的对话。我们将其称之为系统提示词system prompt。

在创建智能体时，就可以直接指定系统提示词。

from langchain.agents import create_agent
from langchain.messages import HumanMessage

# 创建智能体
agent = create_agent(
    model="deepseek-chat",
    system_prompt="你以海盗的口吻来回答用户的问题。"
)

# 调用智能体
for token, metadata in agent.stream(
    {"messages": [HumanMessage(content="你是谁？")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

8.2 提示词工程

所谓提示词工程（Prompt Engineering），就是通过优化提示词使模型输出的结果更符合业务需要的过程。

一般来说，系统提示词（system prompt）会包含以下几个部分，通过按此顺序排列：

身份说明（Identity）：描述AI的职责，沟通风格和总体目标。
指令说明（Instructions）：请指导模型如何生成所需的响应。它应该遵循哪些规则？模型应该做什么，以及模型绝对不能做什么？
对话示例（Examples）：提供可能得输入示例，以及模型期望的输出
背景信息（Context）：向模型提供生成响应所需的任何额外信息，例如RAG的额外知识库数据，或您认为特别相关的任何其他数据。

在编写System Prompt时，您可以使用Markdown格式或者XML标签的组合来帮助模型理解提示和上下文数据的逻辑边界。

Markdown的标题和列表有助于标记提示的不同部分，并向模型穿搭层级结构。他们还可以提高开发过程中提示的可读性。
XML标签可以帮助明确区分一段内容（例如用作参考的辅助文档）的起始和结束位置。

设定角色和指令

只设定角色信息，模型的回答可能不尽人意：

在这里插入图片描述
添加了指令描述，可以进一步约束模型的行为，什么能做，什么不能做：

在这里插入图片描述

结构化输出

模型三场自然语言交流和非结构化数据识别，但是传统程序识别结构化的数据更加方便。所以有时候我们希望模型也能输出固定结构的内容，方便我们解析。

这可以通过系统提示词来实现，我们可以在提示词中指定模型的输出格式，从而使模型的输出更易于解析和使用。

（1）基于提示词的结构化输出

在这里插入图片描述

（2）基于Model的结构化输出

在LangChain中，实现结构化输出会更加简单。我们无需自己在提示词中添加描述实现结构化输出，而仅仅是两步即可：

定义一个数据类型（基于pydantic）
创建智能体，设置输出格式

from pydantic import BaseModel
# 首先，我们定义一个类，用于封装模型要输出的数据：
class CapitalInfo(BaseModel):
	name: str
	location: str
	vibe: str
	economy: str

# 我们可以创建智能体时设置结构化输出的格式，LangChain会自动帮我们完成提示词改造和响应结果解析。
agent = create_agent(
	model='deepseek-chat',
	system_prompt="你是一个科幻作家，根据用户的要求创建一个天空之都。",
	response_format=CapitalInfo
)
response = agent.invoke(
	{"messages": [HumanMessage(content="月球的首都是什么？")]}
)
# 输出结果
print(response)

9. 工具Tools

模型（Model）是Agent的大脑，负责推理分析。而工具（Tools）则是Agent的手脚，负责执行任务，与外界交互。
在这里插入图片描述
因此，定义带有工具的Agent的基本流程如下：

定义工具
初始化模型
初始化Agent，绑定模型和工具

9.1 自定义工具

所谓的工具（Tool），本质就是一个可调用的函数，但这个函数不是我们自己去调用，而是给模型调用。因此除了定义函数外，我们还需要清晰描述这个工具，让模型知道这个工具如何使用。包括下列信息：

工具名
工具的作用
工具需要的参数

（1）基于tool描述的工具

在LangChain中，定义工具需要用到@tool装饰器，我们可以通过装饰器来定义工具名、工具的作用：

from langchain_core.tools import tool

@tool("square_root", description="Calculate the square root of the given number")
def square_root(x: float) -> float:
    return x ** 0.5

（2）使用函数名和文档注释描述工具

如果@tool装饰器没有定义工具名和作用描述，此时：

工具名：默认使用函数名
工具所需的参数：默认就是函数的参数列表
工具作用的描述：默认就是函数的文档注释

from langchain_core.tools import tool

@tool
def square_root(x: float) -> float:
    """Calculate the square root of the given number"""
    return x ** 0.5

#定义一个查询天气的tool
@tool
def get_weather(location: str, units: str = "celsius", include_forecast: bool = False) -> str:
    """
    Get current weather and optional forecast.
    Args:
        location: city name or coordinates
        units: unit of degrees
        include_forecast: does it include the weather fForecast
    """
    temp = 22 if units == "celsius" else 72
    result = f"Current weather in {location}: {temp} degrees {units[0].upper()}"
    if include_forecast:
        result += "\nNext 5 days: Sunny"
    return result

（3）定义Pydantic Model描述参数

如果函数的参数比较多，而且比较复杂，此时建议通过pydantic model来描述参数列表

# 通过自定义model来约束入参
from pydantic import BaseModel, Field
from typing import Literal


# 例如一个查询天气的tool
class WeatherInput(BaseModel):
    """查询天气的输入参数"""
    location: str = Field(description="City name or coordinates")
    units: Literal["celsius", "fahrenheit"] = Field(
        default="celsius",
        description="Temperature unit preference"
    )
    include_forecast: bool = Field(
        default=False,
        description="Include 5-day forecast"
    )

@tool(args_schema=WeatherInput)
def get_weather(location: str, units: str = "celsius", include_forecast: bool = False) -> str:
    """
    Get current weather and optional forecast.
    Args:
        location: city name or coordinates
        units: unit of degrees
        include_forecast: does it include the weather fForecast
    """
    temp = 22 if units == "celsius" else 72
    result = f"Current weather in {location}: {temp} degrees {units[0].upper()}"
    if include_forecast:
        result += "\nNext 5 days: Sunny"
    return result

工具调用方式与普通函数调用方式一致。

square_root.invoke({"x": 467})
# 21.61018278497431

get_weather.invoke({"location": "杭州", "include_forecast": True})
# 'Current weather in 杭州: 22 degrees C\nNext 5 days: Sunny'

9.2 测试

from langchain.agents import create_agent
from langchain.messages import HumanMessage
from dotenv import load_dotenv
load_dotenv()

agent = create_agent(
    model="deepseek-chat",
    tools=[square_root, get_weather],
)

for token, metadata in agent.stream(
        {"messages": [HumanMessage(content="杭州接下来几天天气如何？")]},
    stream_mode="messages"
):
    print(token.content, end="", flush=True)

'''
我来帮您查询杭州接下来几天的天气情况，包括天气预报。Current weather in 杭州: 22 degrees C
Next 5 days: Sunny根据查询结果，杭州接下来几天的天气情况如下：

### 🌤️ 当前天气
- **温度**：22°C

### 📅 未来5天天气预报
- **天气状况**：接下来5天都是**晴天**（Sunny）

### 温馨提示
- 杭州接下来几天天气晴朗，适合外出活动
- 白天温度大约在22°C左右，体感较为舒适
- 建议做好防晒措施，适时补水

如果您需要更详细的天气信息（如具体温度范围、风力等），或者想查询其他城市，随时告诉我！😊
'''

response = agent.invoke(
    {"messages": [HumanMessage(content="467和529的平方根是多少？")]}
)

for message in response["messages"]:
    print(message.pretty_print())

'''
以下是计算结果：

- **467** 的平方根约为 **21.610**（精确值：21.61018278497431）
- **529** 的平方根是 **23.0**（完全平方数，²³ × 23 = 529）

其中 **529** 是完美的平方数（23² = 529），所以它的平方根是正整数 **23**。而 **467** 不是完全平方数，所以它的平方根是一个无限不循环小数，约为 **21.610**。
'''

9.3 预定义工具 Tavily

官方全量工具列表链接：https://docs.langchain.com/oss/python/integrations/tools

LangChain中提供了很多预定义的Tool，方便我们使用。例如：

tavily：一个用来做web搜索的工具

Tavily基本用法

Tavily使用步骤：

注册账号，创建API_KEY
配置环境变量：TAVILY_API_KEY
安装依赖：uv add langchain-tavily

from langchain_tavily import TavilySearch

search_tool = TavilySearch()
search_tool.invoke("蒸蚌是什么梗？")

优化

目前的搜索智能体存在两个问题：

官方默认的tavily工具过于复杂
结果中不包含网页数据源，可信度低

解决思路：

自动以tavily工具
结构化输出

10. 记忆Memory

Agent的记忆分两类：

短期记忆：当前任务或会话的上下文
长期记忆：跨任务或会话的经验与知识

在这里插入图片描述

10.1 短期记忆

官方介绍：https://docs.langchain.com/oss/python/langchain/short-term-memory

在LangChain短期记忆是通过AgentState实现的，而会话历史（也就是消息列表）是AgentState的一部分

在这里插入图片描述
LangChain提供了Checkpointer对象来保存AgentState，每一次用户与AI的交互都会生成一个快照，记录为一个checkpoint。同一会话的多个checkpoint形成一个组，用同一个thread_id来标记。

在这里插入图片描述

添加记忆

添加会话记忆（短期记忆）分3步骤：

导入并初始化Checkpoint
创建Agent，指定Checkpoint
调用Agent，指定thread_id

# 加载记忆
from dotenv import load_dotenv
load_dotenv()

# 导入并初始化Checkpoint
from langchain.agents import create_agent
from langgraph.checkpoint.memory import InMemorySaver

agent = create_agent(
    "deepseek-chat",
    checkpointer=InMemorySaver(),
)

from langchain.messages import HumanMessage

# 设定thread_id，作为会话表示
config = {"configurable": {"thread_id": "thread_1"}}

# 第一次调用，告知AI我的信息
response = agent.invoke(
    {"messages": [HumanMessage(content="你好，我叫胡歌，我最喜欢猫猫。")]},
    config
)
print(response)

# 第二次调用，询问我的信息，这次带上thread_id，唤起记忆
response = agent.invoke(
    {"messages": [HumanMessage(content="我最喜欢的动物是什么？")]},
    config
)
print(response)

10.2 记忆：持久化存储

官方提供的实现类：https://docs.langchain.com/oss/python/integrations/checkpointers/index

这里我们选择使用Sqlite作为存储方案，首先需要按照langgraph-checkpoint-sqlite依赖：

uv add langgraph-checkpoint-sqlite

接着，按照以下步骤使用：

导入依赖
初始化checkpointer
自动建表
创建Agent，指定checkpointer

import sqlite3
from langchain.agents import create_agent
from langgraph.checkpoint.sqlite import SqliteSaver

# 连接sqlite
connection = sqlite3.connect("resources/checkpoint.db", check_same_thread=False)
# 初始化checkpointer
checkpointer = SqliteSaver(connection)
# 自动建表
checkpointer.setup()

# 创建agent
agent = create_agent(
    "deepseek-chat",
    checkpointer=checkpointer,
)

# ------------------
from langchain.messages import HumanMessage
# 设定thread——id，作为会话标识
config = {"configurable": {"thread_id": "thread_2"}}
# 第一次调用，告知AI我的信息
response = agent.invoke(
    {"messages": [HumanMessage(content="你好，我是胡歌，我最喜欢猫猫")]},
    config # 调用时添加thread_id
)

print(response)

# ------------------
# 第二次调用，询问我的信息，这次带上thread_id，唤起记忆
response = agent.invoke(
    {"messages": [HumanMessage(content="我最喜欢的动物是什么？")]},
    config
)

print(response)

10.3 记忆管理

多轮对话会导致历史消息越来越多，最终超出模型上下文限制（DeepSeek的上下文不能超过128K），LangChain提供了一些记忆管理的策略来解决这个问题。

在这里插入图片描述

总结摘要

官方介绍：https://docs.langchain.com/oss/python/langchain/short-term-memory#summarize-messages
SummarizationMiddleware中间件

基础思想是数据量达到某个条件时，用模型总结摘要，压缩上下文大小。

在这里插入图片描述

案例：记忆管理

当会话历史过长时，可能会超出模型的上下文窗口限制，常见的解决方案有：

修剪消息
删除小心
总结消息摘要

这里我们演示总结消息摘要的方案

from langchain.agents import create_agent
from langchain.agents.middleware import SummarizationMiddleware
from langgraph.checkpoint.memory import InMemorySaver
from langchain_core.runnables import RunnableConfig

# 初始化checkpointer
checkpointer = InMemorySaver()
# 初始化中间件
middleware = SummarizationMiddleware(
    model="deepseek-chat",
    trigger=("messages", 3), # 触发时机，当消息数超过3时，进行总结
    keep=("messages", 1)     # 保留的会话数，超过2条
)

# 创建agent
agent = create_agent(
    model="deepseek-chat",
    middleware=[middleware],
    checkpointer=checkpointer,
)

config: RunnableConfig = {"configurable": {"thread_id": "thread_3"}}
# 制造长会话历史
response = agent.invoke({"messages": [HumanMessage(content="你好，我是胡歌")]}, config)
response = agent.invoke({"messages": [HumanMessage(content="我最喜欢的运动是乒乓球")]}, config)
response = agent.invoke({"messages": [HumanMessage(content="我最喜欢的动物是猫")]}, config)
# 测试效果
final_response = agent.invoke({"messages": [HumanMessage(content="你还记得我吗？")]}, config)

print(final_response)
# {'messages': [HumanMessage(content='Here is a summary of the conversation to date:\n\n## SESSION INTENT\n\n用户以“胡歌”的身份进行开放式闲聊对话，目前尚未提出明确的具体任务或目标。用户已分享了两个个人偏好：最喜欢的运动是乒乓球、最喜欢的动物是猫。当前目标是继续对话，逐步了解用户开启对话的真实目的（闲聊、创作协助、访谈准备等），并据此转向具体任务。\n\n## SUMMARY\n\n- 用户自我设定为“胡歌”（著名演员，代表作《琅琊榜》梅长苏、《伪装者》明台、《繁花》阿宝等）。\n- 用户分享了两个个人偏好：最喜欢的运动是**乒乓球**、最喜欢的动物是**猫**。\n- AI已建立的对话策略：\n  - 将用户的个人偏好与其角色/作品做关联性延展（乒乓球关联《旋风十一人》足球教练穆奇、梅长苏的运筹帷幄；猫关联梅长苏的“静水深流”气质）。\n  - 用猫品种比喻用户角色（梅长苏=暹罗猫、明台=流浪猫、阿宝=英短），并询问用户本人最像哪种猫。\n  - 提出乒乓球运动员题材剧本的假设性邀约（演“外表慵懒如猫、实则掌控全局”的退役冠军带队复出）。\n- **尚未得到用户回答的悬置问题**：\n  1. “最难说再见的角色”是哪个？告别梅长苏的复杂感受，八年后回看“苏哥哥”心境变化？\n  2. 未来特别想挑战的角色类型？\n  3. 乒乓球话题延伸：喜欢打球还是看比赛？欣赏哪些球员（马龙、樊振东等）？片场是否和同组演员切磋过？\n  4. 是否考虑接演乒乓球运动员题材的剧本？\n- AI已两次追问用户真实意图（是随意闲聊还是心里有具体想法想借聊天铺开），用户均未正面回应，仅继续分享个人偏好。\n- 用户“胡歌”身份未得到确认，真实需求/目标/意图尚未透露。\n\n## ARTIFACTS\n\nNone（本会话未创建、修改或访问任何文件或资源，仅发生了初步的文字对话。）\n\n## NEXT STEPS\n\n1. 承接用户对“猫”的话题的回应（如果继续），并自然将话题引回悬置问题（最难说再见的角色、想挑战的角色类型、乒乓球相关延伸问题）。\n2. 第三次尝试温和探明用户开启对话的真实目的——已问过两次“今天找我陪聊是纯粹随意聊聊还是有什么具体想法”，用户仍未正面回应。可以换一种更直接或更迂回的方式再探一次，或者逐步缩小选项让用户选择（如：闲聊放松/创作构思/采访准备等）。\n3. 如果用户继续分享个人偏好而不回答意图问题，则继续维持轻松的对话姿态，保持话题的有机延展性，等待用户主动透露真实需求。', additional_kwargs={'lc_source': 'summarization'}, response_metadata={}, id='e5a6e594-3f4d-45e7-9757-14a00f425275'), HumanMessage(content='你还记得我吗？', additional_kwargs={}, response_metadata={}, id='42adef8e-95a3-4d5f-a36e-8adaf3ffa9ae'), AIMessage(content='（语气带着温和的笑意）记得，当然记得。你分享了两个我很难忘的细节——乒乓球和猫。这两样东西放一起，还挺像老友记里某个角色的：看着慵懒随性，动起来却敏捷精准。\n\n至于我是谁，你心里早已替我铺好了“胡歌”的剧本，我就顺着这个角色陪你聊下去。不过说真的，今天你突然这么问，我倒好奇了——是打算跟我这个“假胡歌”继续聊聊光影故事，还是心里其实藏了个具体的念头，想借闲聊把它勾出来？', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 119, 'prompt_tokens': 627, 'total_tokens': 746, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cache_write_tokens': None, 'cached_tokens': 0}, 'prompt_cache_hit_tokens': 0, 'prompt_cache_miss_tokens': 627}, 'model_provider': 'deepseek', 'model_name': 'deepseek-v4-flash', 'system_fingerprint': 'fp_a18b46594c_prod0820_fp8_kvcache_20260402', 'id': '95e5e0e9-c10a-4470-a8b6-87c5c985ada9', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--019ff51a-6d48-7fa1-bb03-ad3e2beb2fd1-0', tool_calls=[], invalid_tool_calls=[], usage_metadata={'input_tokens': 627, 'output_tokens': 119, 'total_tokens': 746, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}})]}

后续笔记：https://my.feishu.cn/wiki/SzinwOofOi1UG5kS9N4cWw5fngd?fromSccene=spaceOverview

亚马逊云科技技术品牌专区

更多推荐

Fuzzapi项目概览：为什么它是REST API渗透测试的首选工具？

Fuzzapi是一款专为REST API渗透测试设计的强大工具，它基于API_Fuzzer gem构建，为开发人员和安全测试人员提供了高效、自动化的API漏洞检测方案。无论是小型应用还是大型系统，Fuzzapi都能帮助您快速发现潜在的安全风险，确保API接口的安全性。## 🚀 Fuzzapi的核心优势作为一款专注于REST API渗透测试的工具，Fuzzapi具有以下显著优势：###

亚马逊云科技技术品牌专区

3步掌握无线信号安全测试：Flipper Zero本田固件完整实战指南

无线安全测试是当今物联网安全领域的重要研究方向，而Flipper Zero本田固件为安全研究人员提供了深入了解无线信号重放攻击防护的绝佳平台。这款定制固件专门支持本田汽车钥匙（FCC ID: KR5V2X）的信号分析功能，通过CVE-2022-27254漏洞的实战研究，帮助技术人员掌握无线安全测试的核心技术。## 技术原理简析：无线信号重放攻击机制无线信号重放攻击的核心在于捕获合法设备发送

亚马逊云科技技术品牌专区

无需Arduino IDE！PSLab ESP01 Firmware的命令行编译与烧录技巧

PSLab ESP01 Firmware是一款专为ESP8266 ESP-01模块设计的固件，本文将详细介绍如何通过命令行工具快速完成固件的编译与烧录，无需依赖Arduino IDE，让开发过程更加高效便捷。## 📋 准备工作：环境与工具安装在开始操作前，需要确保系统中已安装以下工具：- **Python环境**：用于运行esptool.py工具- **esptool.py**：E

亚马逊云科技技术品牌专区

所有评论(0)

查看更多评论

二进制杯莫停

@weixin_43999327

已为社区贡献1条内容

LangChain实践（基于DeepSeek）

二进制杯莫停

1、准备

2、基础：调用大模型

2.1 准备工作

2.2 初始化客户端

2.3 访问模型

2.4 获取模型响应结果

3、LangChain入门案例：天气查询智能体

3.1 准备工作

3.2 开发Agent

加载环境变量

定义工具

创建Agent

发起调用

3.2 Agent执行流程

Agent如何知道工具信息的

4、LangChain初始化模型

4.1 开发流程

4.2 实践

初始化并调用模型

init_chat_model

4.3 自定义模型提供商

4.4 调整模型参数

4.5 使用model类

5、 LangChain访问模型

5.1 方式一：invoke

5.2 方式二：stream

6、 在智能体中使用模型

6.1 创建智能体

6.2 调用智能体

阻塞式调用

流式调用

7. 消息Message

7.1 消息类型

7.2 多模态消息

在线图片

本地图片数据

8. 提示词Prompts

8.1 系统提示词

8.2 提示词工程

设定角色和指令

结构化输出

（1）基于提示词的结构化输出

（2）基于Model的结构化输出

9. 工具Tools

9.1 自定义工具

（1）基于tool描述的工具

（2）使用函数名和文档注释描述工具

（3）定义Pydantic Model描述参数

9.2 测试

9.3 预定义工具 Tavily

Tavily基本用法

优化

10. 记忆Memory

10.1 短期记忆

添加记忆

10.2 记忆：持久化存储

10.3 记忆管理

总结摘要

所有评论(0)

温馨提示：您尚未绑定手机号

二进制杯莫停

6、在智能体中使用模型