在非结构化数据处理（ETL）领域，正则表达式（Regex）长期占据统治地位，但其脆弱性在面对复杂的自然语言时暴露无遗。本文将深入探讨一种“Schema-First”的 AI 编程范式：利用结合的类型系统，构建具备思维链推理（CoT）自动纠错（Self-Healing）能力的结构化数据提取引擎。

为我们提供了一种标准化的方式来连接 LLM 和本地基础设施，而 Python 则是连接这一切的胶水。这种“手搓”的方案虽然前期代码量稍大，但它赋予了开发者最大的自由度——你可以在任何地方运行它，无论是树莓派、本地笔记本，还是云服务器，这才是真正的“应用落地”。未来，我们可以引入 LangGraph 来管理更复杂的状态，或者让多个 MCP Agent 互相协作，真正实现无人值守的 AIOps。

首先，我们要定义 Agent 可以调用的 Python 函数。import os# 1. 写文件工具@tool"""将代码写入指定路径。如果目录不存在会自动创建。"""import subprocess import os from langchain_core . tools import tool # 1. 写文件工具 @tool def write_file(filepath : str ,

首先，我们要定义 Agent 可以调用的 Python 函数。import os# 1. 写文件工具@tool"""将代码写入指定路径。如果目录不存在会自动创建。"""import subprocess import os from langchain_core . tools import tool # 1. 写文件工具 @tool def write_file(filepath : str ,

使用Deepseek部署更高精度的本地化模型并搭建自己的agent

如何使用Python从Deepseek开放的api接口中搭建属于自己的agent