agent工作流程：

模型判断需要调用某个工具 → 执行工具并拿到结果 → 模型根据结果继续思考 → 可能再调用工具 → 直到得出最终答案。

Agent创建流程：
1. 定义工具函数

@tool工具函数中文档字符串（函数的 """...""" 部分）非常重要。模型会读取工具的描述来决定是否调用这个工具以及传什么参数。描述越清晰，模型就越不容易用错

from dotenv import load_dotenv
load_dotenv()

from langchain.tools import tool

# @tool装饰器定义一个工具函数，函数的文档字符串就是工具的描述；模型会根据描述来判断何时调用这个工具
@tool
def get_weather(city:str)->str:
    #如下文档字符串（函数的 """...""" 部分）非常重要。模型会读取工具的描述来决定是否调用这个工具以及传什么参数。描述越清晰，模型就越不容易用错
    """查询指定城市的天气情况。
    Args:
        city:城市名称，如"杭州"、"北京"、"上海"
    """
    weather_data={
        "杭州": "晴，25°C，湿度 60%",
        "北京": "多云，18°C，湿度 45%",
        "上海": "小雨，22°C，湿度 80%",
    }
    return weather_data.get(city,f"未找到{city}的天气数据")

@tool
def calculate(expression:str)->str:
    """执行数学计算，支持加减乘除等基本运算
    Args:
        expression:数学表达式，如3+2*6/3
    """
    result = eval(expression, {"__builtins__": {}}, {})
    return f"计算结果:{expression}={result}"
@tool
def travel()

View Code

2. 创建agent并执行agent

from langchain.agents import create_agent
from langchain.chat_models import init_chat_model
import os
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

from demo.agent1.agent_tool1 import get_weather, calculate
from langchain.messages import HumanMessage

load_dotenv()

# 获取 API KEY
api_key = os.getenv("DEEPSEEK_API_KEY")
llm = ChatDeepSeek(
    api_key=api_key,
    model="deepseek-v4-flash",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2
)
agent=create_agent(
          model=llm,
          tools=[get_weather,calculate],
          system_prompt="你是一个回答很让人意外的助手，会使用工具来回答问题。",
                   )
inputs = {"messages": [HumanMessage(content="杭州今天天气怎么样？")]}
result=agent.invoke(inputs)
print("===========")
for msg in result["messages"]:
    print(f"[{msg.type}] {msg.content[:100]}")  # 截取前 100 字符

print("\n=== 最终回复 ===")
# 最后一条 AI 消息就是最终答案
print(result["messages"][-1].content)

View Code

Agent执行流程

小结：

用 @tool 装饰器把 Python 函数变成工具
用 create_agent() 创建能自动调用工具的 Agent
用 agent.invoke() 运行 Agent 并获得结果

LangChain模型调用方式

方式1：直接实例化ChatDeepSeek

from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv()

# 获取 API KEY
api_key = os.getenv("DEEPSEEK_API_KEY")
llm = ChatDeepSeek(
    api_key=api_key,
    model="deepseek-v4-flash",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2
)

View Code

方式2：工厂函数init_chat_model

from http.client import responses

from langchain.chat_models import init_chat_model
from dotenv import load_dotenv

# 加载当前目录 .env 文件
load_dotenv()
model=init_chat_model("deepseek:deepseek-v4-flash",temperature=0.7)
responses=model.invoke("写一首诗")
print(responses.content)

View Code

init_chat_model提供统一的方式连接20多种模型提供商，不需要记忆每个提供商的类名和参数差异

init_chat_model()函数语法：

from langchain.chat_models import init_chat_model

# 完整语法
model = init_chat_model(
    model,                    # str | None：模型名称（provider:model 格式）
    *,
    model_provider=None,      # str | None：单独的模型提供商
    configurable_fields=None, # None | "any" | list[str]：可运行时修改的字段
    config_prefix=None,       # str | None：配置键前缀
    **kwargs,                 # 模型特定参数（temperature、max_tokens 等）
)

View Code

init_chat_model使用模式：

固定模式：

指定model，返回固定模型

from langchain.chat_models import init_chat_model

# 指定了 model，返回固定模型

model = init_chat_model("deepseek:deepseek-v4-flash", temperature=0.7)
response = model.invoke("介绍菜鸟教程 RUNOOB")
print(response.content)

配置模式-configurable_model：

不指定model，创建可在运行时动态切换模型

from langchain.chat_models import init_chat_model

#不指定model，返回可配置模型
#可以固定一些参数（如temperature=0.7）,其余运行时指定
configurable_model=init_chat_model(temperature=0.7)

#运行时通过config指定模型
response=configurable_model.invoke(
    "写一首诗",
    config={"configurable":{"model":"deepseek-v4-flash"}}
print(response.content)
# 同一个模型实例，可以用不同的模型来执行
response = configurable_model.invoke(
    "介绍菜鸟教程 RUNOOB",
    config={"configurable": {"model": "claude-sonnet-4-5"}}
)
print(response.content)

可配置模型在 A/B 测试和成本优化中非常有用。你可以在不重启服务的情况下，通过修改配置来切换模型或调整参数。

常用 kwargs 参数

kwargs 参数会直接传递给底层模型类，常用的包括：

from langchain.chat_models import init_chat_model

model = init_chat_model(
    "deepseek:deepseek-v4-flash",

    # 控制输出随机性（0~2），值越小输出越稳定
    temperature=0.3,

    # 限制输出最大 token 数（控制成本）
    max_tokens=200,

    # 请求超时时间（秒）
    timeout=30,

    # 失败重试次数
    max_retries=2,

    # 自定义 API 地址（代理/中转场景）
    # base_url="https://your-proxy.com/v1",

    # 速率限制器（控制请求频率）
    # rate_limiter=MyRateLimiter(requests_per_second=5),
)

response = model.invoke("菜鸟教程 RUNOOB 是什么？")
print(response.content)