基于LangGraph实现模块化Skills型AI Agent

优质文章学习记录

— 12 min read

基于LangGraph+DeepSeek+Serper 实现模块化Skills型AI Agent

在AI Agent的落地实践中，模块化Skills设计是提升Agent可扩展性、可维护性的核心方案——将搜索、计算、文件处理等能力封装为独立Skills，Agent可根据需求自主调用，无需修改核心流程。本文将基于LangGraph、DeepSeek大模型和Serper搜索工具，手把手带你实现一个具备工具调用能力的Skills型AI Agent，同时解决开发中常见的MRO冲突、Pydantic验证等问题，代码可直接复制运行。

一、前言：为什么选择Skills型Agent？

传统AI Agent多采用「硬编码工具调用」的方式，新增能力需修改核心逻辑，耦合度高且难以维护。而Skills型Agent将能力拆分为独立的Skill模块，每个Skill遵循统一接口，具备以下优势：

  1. 模块化解耦：新增/修改Skill无需改动Agent核心流程，即插即用；
  2. 智能决策：大模型自主判断是否调用Skill、调用哪个Skill，无需人工干预；
  3. 可扩展性强：支持搜索、计算、代码解释、数据库查询等多类型Skill集成；
  4. 流程标准化：基于LangGraph实现状态管理与流程编排，支持多轮对话、并行工具调用。

本次实现的核心技术栈：

  • LangGraph：Agent状态管理、流程编排核心框架；
  • DeepSeek：提供自然语言理解、工具调用决策、结果生成能力；
  • Serper：提供联网搜索能力，封装为独立Skill；
  • LangChain：提供工具封装、模型交互的基础能力。

二、环境准备

2.1 依赖安装

首先创建虚拟环境并安装核心依赖，确保版本兼容：

# 创建虚拟环境（可选） python -m venv agent-env # 激活环境（Windows） agent-env\Scripts\activate # 激活环境（Mac/Linux）source agent-env/bin/activate # 安装核心依赖 pip install langgraph langchain-deepseek langchain-core langchain-community python-dotenv pydantic

2.2 环境变量配置

创建.env文件，配置DeepSeek和Serper的API密钥（需在DeepSeek平台和Serper平台申请）：

# .env 文件 DEEPSEEK_API_KEY="你的DeepSeek API Key" SERPER_API_KEY="你的Serper API Key"

三、核心架构设计

本次实现的Skills型Agent采用「状态管理+模块化Skill+流程编排」的三层架构，核心分工如下：

  1. 状态层：通过AgentState跟踪用户问题、历史消息、工具调用结果、最终回答，实现数据流转；
  2. Skill层：将Serper搜索、计算器等能力封装为独立Skill，遵循统一接口；
  3. 流程层：基于LangGraph定义「模型决策→Skill执行→结果整合」的执行流程，通过条件边实现智能调度。

四、核心代码实现

4.1 状态定义（AgentState）

LangGraph通过状态（State）管理Agent执行过程中的所有数据，我们定义包含用户输入、历史消息、工具结果、最终回答的状态结构：

from typing import TypedDict, Annotated, List, Dict, Any from langchain_core.messages import BaseMessage import operator # 定义Agent状态，跟踪执行全流程数据classAgentState(TypedDict):# 用户输入的问题 query:str# 历史消息（用户问题、模型回复、工具结果） messages: Annotated[List[BaseMessage], operator.add]# 工具调用结果 tool_results: List[Dict[str, Any]]# 最终生成的回答 answer:str
  • Annotated[List[BaseMessage], operator.add]：实现消息列表的追加合并，支持多轮对话；
  • 状态字段覆盖Agent执行全生命周期，确保数据可追溯。

4.2 Skill基类封装

为了统一Skill接口，我们定义BaseSkill基类，所有自定义Skill都继承该类，强制实现_run方法（核心执行逻辑）。注意：LangChain的BaseTool已内置抽象基类能力，无需额外继承ABC，避免MRO冲突。

from abc import abstractmethod from langchain_core.tools import BaseTool, ToolException from pydantic import BaseModel, Field # Skill基类，统一接口规范classBaseSkill(BaseTool):"""Skill基类，子类必须实现_run方法"""@abstractmethoddef_run(self,*args,**kwargs):"""Skill核心执行逻辑，子类必须实现"""passasyncdef_arun(self,*args,**kwargs):"""异步执行（可选，本次实现同步逻辑）"""raise NotImplementedError("异步执行暂未实现")

4.3 自定义Skill实现

基于BaseSkill封装两个核心Skill：Serper联网搜索Skill（使用LangChain官方GoogleSerperAPIWrapper简化逻辑）和计算器Skill，遵循LangChain工具规范，通过ArgsSchema定义输入参数（解决Pydantic验证报错问题）。

4.3.1 Serper搜索Skill
from langchain_community.utilities import GoogleSerperAPIWrapper import json # Serper联网搜索SkillclassSerperSearchSkill(BaseSkill): name:str="serper_search" description:str="用于联网搜索实时信息、未知知识，输入搜索关键词，返回结构化搜索结果"# 定义工具输入参数（Pydantic模型，供模型识别参数格式）classArgsSchema(BaseModel): query:str= Field(description="搜索关键词，需精准明确，如'2025年人工智能发展趋势'")# 绑定参数schema args_schema:type[BaseModel]= ArgsSchema def_run(self, query:str)->str:"""执行搜索逻辑，调用官方Wrapper简化请求"""try:# 初始化Serper搜索（自动读取环境变量SERPER_API_KEY） search = GoogleSerperAPIWrapper( gl="cn",# 搜索地区：中国 hl="zh-CN",# 搜索语言：中文 k=5# 返回5条结果，避免信息过载)# 执行搜索并获取结果 search_results = search.results(query)# 格式化结果（提取标题、链接、摘要） formatted_results =[]for item in search_results.get("organic",[]): formatted_results.append({"title": item.get("title"),"link": item.get("link"),"snippet": item.get("snippet")})# 返回JSON格式结果，便于模型解析return json.dumps(formatted_results, ensure_ascii=False, indent=2)except Exception as e:raise ToolException(f"Serper搜索失败：{str(e)}")
4.3.2 计算器Skill
# 计算器Skill，支持基础加减乘除运算classCalculatorSkill(BaseSkill): name:str="calculator" description:str="用于数学计算，输入表达式字符串，返回计算结果，如'100+200*3'"# 定义工具输入参数classArgsSchema(BaseModel): expression:str= Field(description="数学表达式，仅支持加减乘除，如'5*(10+20)'")# 绑定参数schema args_schema:type[BaseModel]= ArgsSchema def_run(self, expression:str)->str:"""执行计算逻辑，安全过滤恶意代码"""try:# 安全计算：禁用内置函数，仅支持基础运算 result =eval(expression,{"__builtins__":None},{})returnf"计算结果：{result}"except Exception as e:raise ToolException(f"计算失败：{str(e)}")
4.3.3 Skill实例化
# 实例化所有Skill search_skill = SerperSearchSkill() calculator_skill = CalculatorSkill()# 收集Skill列表，供模型绑定 skills =[search_skill, calculator_skill]

4.4 大模型初始化

初始化DeepSeek大模型，绑定所有Skill，让模型感知可用工具并生成调用指令：

from langchain_deepseek import ChatDeepSeek from dotenv import load_dotenv import os # 加载环境变量 load_dotenv()# 初始化DeepSeek模型 llm = ChatDeepSeek( model="deepseek-chat", api_key=os.getenv("DEEPSEEK_API_KEY"), temperature=0.1,# 低温度保证结果准确性 max_tokens=2048# 最大生成长度)# 绑定Skill到模型，模型可自主调用工具 llm_with_skills = llm.bind_tools(skills)

4.5 LangGraph流程编排

将Agent的执行逻辑拆分为独立节点，通过StateGraph连接节点，设置条件边实现「模型决策是否调用Skill」的智能调度。

4.5.1 定义流程节点
from langgraph.graph import StateGraph, START, END from langchain_core.messages import ToolMessage, HumanMessage # 节点1：模型决策节点，生成回复或工具调用指令defllm_node(state: AgentState)-> AgentState:# 构建模型输入：历史消息+当前用户问题 messages = state["messages"]+[HumanMessage(content=state["query"])]# 调用绑定Skill的模型 response = llm_with_skills.invoke(messages)# 更新状态：添加模型回复return{"messages":[response]}# 节点2：Skill执行节点，解析模型指令并调用对应Skilldefskill_executor_node(state: AgentState)-> AgentState: last_message = state["messages"][-1] tool_results =[]# 遍历所有工具调用（支持多Skill并行调用）for tool_call in last_message.tool_calls: skill_name = tool_call["name"] skill_args = tool_call["args"] skill_id = tool_call["id"]# 匹配并执行对应Skillfor skill in skills:if skill.name == skill_name:try:# 执行Skill result = skill._run(**skill_args) tool_results.append({"skill_name": skill_name,"result": result,"status":"success"})# 生成工具结果消息，供模型后续整合 state["messages"].append(ToolMessage(content=result, tool_call_id=skill_id))except Exception as e: tool_results.append({"skill_name": skill_name,"result":f"执行失败：{str(e)}","status":"failed"}) state["messages"].append(ToolMessage(content=f"执行失败：{str(e)}", tool_call_id=skill_id))break# 更新状态：工具结果+消息列表return{"tool_results": tool_results,"messages": state["messages"]}# 节点3：结果整合节点，生成最终自然语言回答defanswer_node(state: AgentState)-> AgentState:# 构建整合提示词 prompt =f""" 基于以下信息，回答用户问题：{state['query']} 工具调用结果：{state['tool_results']} 要求： 1. 语言自然流畅，符合中文表达习惯； 2. 准确引用工具结果中的关键信息； 3. 若工具调用失败，明确告知用户并给出替代方案。 """# 调用模型生成最终回答 final_response = llm.invoke([HumanMessage(content=prompt)])# 更新状态：最终回答return{"answer": final_response.content}
4.5.2 构建流程与条件边
# 初始化流程构建器 workflow = StateGraph(AgentState)# 添加节点 workflow.add_node("llm_node", llm_node) workflow.add_node("skill_executor_node", skill_executor_node) workflow.add_node("answer_node", answer_node)# 条件判断函数：模型是否需要调用Skilldefshould_call_skill(state: AgentState)->str: last_message = state["messages"][-1]# 若模型返回工具调用指令，则执行Skill；否则直接生成回答return"skill_executor_node"if last_message.tool_calls else"answer_node"# 连接节点与条件边 workflow.add_edge(START,"llm_node")# 起始→模型节点 workflow.add_conditional_edges("llm_node", should_call_skill)# 模型决策分支 workflow.add_edge("skill_executor_node","answer_node")# Skill执行→结果整合 workflow.add_edge("answer_node", END)# 结果整合→结束# 编译流程，生成可执行的Agent agent = workflow.compile()

4.6 Agent测试函数

封装测试函数，简化Agent调用流程，支持传入问题并返回完整结果：

defrun_agent(query:str)-> Dict[str, Any]:"""执行AI Agent，返回完整结果"""# 初始化状态 initial_state ={"query": query,"messages":[],"tool_results":[],"answer":""}# 运行Agent result = agent.invoke(initial_state)return result

五、场景测试

我们通过三个典型场景测试Agent的能力：联网搜索、数学计算、普通问答，验证Skill调用与流程编排的有效性。

5.1 场景1：联网搜索（调用Serper Skill）

if __name__ =="__main__":# 测试1：实时信息查询print("=== 测试场景1：联网搜索 ===") result1 = run_agent("2025年全球人工智能领域的重大突破有哪些？")print(f"用户问题：{result1['query']}")print(f"工具调用结果：{result1['tool_results']}")print(f"最终回答：{result1['answer']}\n")

5.2 场景2：数学计算（调用计算器 Skill）

# 测试2：数学计算print("=== 测试场景2：数学计算 ===") result2 = run_agent("(100 + 50) * 3 - 80")print(f"用户问题：{result2['query']}")print(f"工具调用结果：{result2['tool_results']}")print(f"最终回答：{result2['answer']}\n")

5.3 场景3：普通问答（无需调用Skill）

# 测试3：普通问答print("=== 测试场景3：普通问答 ===") result3 = run_agent("什么是人工智能？")print(f"用户问题：{result3['query']}")print(f"工具调用结果：{result3['tool_results']}")print(f"最终回答：{result3['answer']}")

运行代码后，Agent会根据问题类型自主决策：实时问题调用Serper搜索，计算问题调用计算器，普通问题直接回答，完全符合预期。

六、常见问题解决

在开发过程中，我们遇到了几个典型问题，以下是解决方案总结：

  1. MRO冲突（Cannot create a consistent method resolution order）：BaseSkill同时继承ABC和BaseTool导致，删除ABC继承即可，BaseTool已内置抽象基类能力；
  2. ModuleNotFoundError: No module named ‘langchain_core.pydantic_v1’：LangChain新版移除pydantic_v1，直接从pydantic导入Field；
  3. Pydantic ValidationError（Field required）：将Skill参数定义为类属性导致，改为通过ArgsSchema定义输入参数，实例化时无需传参。

七、优化与扩展方向

7.1 核心优化

  1. 异常处理增强：使用tenacity库为API调用添加重试机制，应对网络波动；
  2. 结果筛选优化：对Serper搜索结果增加相关性排序，过滤低质量信息；
  3. 状态持久化：集成Redis实现Agent状态持久化，支持会话恢复；
  4. 多轮对话优化：保留历史消息，实现上下文感知的连续交互。

7.2 能力扩展

  1. 新增Skill：封装文件读写、代码解释、数据库查询、天气查询等能力，遵循BaseSkill接口即可；
  2. 并行Skill调用：利用LangGraph的并行节点，实现多个Skill同时执行，提升效率；
  3. 记忆模块：增加短期/长期记忆，让Agent记住用户偏好和历史对话；
  4. 可视化调试：使用agent.get_graph().draw_mermaid()生成流程图，便于流程调试。

八、总结

本文基于LangGraph、DeepSeek和Serper，实现了一个模块化的Skills型AI Agent，完整覆盖了状态管理、Skill封装、流程编排、智能工具调用四大核心环节。该方案具备以下核心优势：

  • 模块化设计：Skill独立封装，新增能力无需修改核心流程；
  • 智能化调度：DeepSeek模型自主决策工具调用，灵活适配不同场景；
  • 可扩展性强：支持多类型Skill集成、多轮对话、并行调用等复杂场景；
  • 生产级可用：解决了开发中常见的兼容性、验证问题，代码可直接落地使用。

你可以基于本文的代码框架，根据业务需求扩展更多Skill，打造专属的AI Agent，实现从「问答机器人」到「智能任务执行者」的升级。

Read more

WebGIS城市停水及影响范围可视化实践

WebGIS城市停水及影响范围可视化实践

目录 前言 一、相关信息介绍 1、停水信息的来源 2、停水包含的相关信息 二、功能简介 1、基础小区的整理 2、停水计划的管理 三、WebGIS空间可视化 1、使用到的组件 2、停水计划的展示 3、影响小区的展示 4、实际效果 四、总结  前言         城市停水，一个看似简单的问题，却可能引发一系列连锁反应，给市民的生活带来诸多不便。从家庭用水的中断到商业活动的停滞，再到公共设施的关闭，停水的影响范围广泛而深远。然而，信息的不对称和不透明往往加剧了停水带来的困扰。居民可能在停水发生后才得知情况，缺乏足够的时间做出应对措施，而城市管理者也难以准确评估停水的影响范围和程度。在这样的背景下，GIS（地理信息系统）技术的引入，为解决信息差问题提供了新的希望。         首先，城市停水的困扰主要体现在以下几个方面： 1. 生活不便：停水直接影响居民的日常用水，包括烹饪、

StructBERT中文相似度WebUI保姆级教程：从‘无法访问’故障排查到日志定位全流程

StructBERT中文相似度WebUI保姆级教程：从‘无法访问’故障排查到日志定位全流程 你是不是遇到过这样的问题？好不容易部署了一个AI服务，打开网页却显示“无法访问此网站”，然后就开始各种抓瞎，不知道从哪里查起。今天我就来手把手带你搞定StructBERT中文相似度服务的WebUI，从最基础的访问故障排查，到日志定位问题根源，让你彻底告别“服务跑不起来”的烦恼。 StructBERT这个工具特别实用，它能帮你判断两句话的意思有多接近。比如“今天天气很好”和“今天阳光明媚”，相似度能达到0.85，说明意思很接近；而“今天天气很好”和“我喜欢吃苹果”相似度只有0.12，基本不相关。这个功能在客服问答匹配、文本去重、内容推荐等场景下特别有用。 1. 服务状态快速确认：你的服务真的在运行吗？ 在开始排查之前，咱们先确认一下服务状态。很多时候问题就出在服务根本没启动，或者启动后自己挂掉了。 1.1 三种方法检查服务状态 方法一：最直接的进程检查 打开终端，输入这个命令： ps
前端关系图推荐-relation-graph

前端关系图推荐-relation-graph

目录 一、前言 二、relation-graph官网地址 三、推荐relation-graph的原因 四、relation-graph的使用 1.Vue2使用 1.1、安装relation-graph 1.2、 可直接复制到vue文件中运行使用 2. Vue3使用 2.1、安装relation-graph 2.2、 可直接复制到vue文件中运行使用 3. React使用 1.1、安装relation-graph 1.2、 可直接复制到文件中运行使用 五、运行结果 六、下面是运行成果图 一、前言 Relation-Graph是一个开源的免费关系图谱组件，支持Vue2、Vue3和React框架。它提供开箱即用的体验，配置简单，文档清晰，并支持通过插槽自定义节点样式。文章详细介绍了在Vue2、Vue3和React中的安装和使用方法，包含完整的代码示例和运行效果图。该组件具有高度可定制性，
OpenWebUI如何对外提供HTTP接口？

OpenWebUI如何对外提供HTTP接口？

from 公众号：程序员more OpenWebUI通过HTTP方式提供对外接口，使得开发者可以通过HTTP方式快速对接拥有RAG能力的模型基座。 01 OpenWebUI配置app key OpenWebUI使用BearerToken机制对 API 请求进行身份验证。从 Open WebUI 中的“设置>帐户”获取 API 密钥，或者使用 JWT（JSON Web 令牌）进行身份验证。如下图获取API Key 其中JWT是有时效性限制，API密钥是永久的。 02 API使用说明 注意每次请求都需要将API KEY密钥设置到HTTP请求头 Authorization: Bearer eyJhbGci*** 基础接口功能包括列出在OpenWebUI注册的模型和模型进行聊天。 接口作用 列出所有已经配置在OpenWebUI的模型 地址 /api/models 方法 GET 请求示例 127.0.0.