基于Langchain和DeepSeek的AI Agent记账系统：Fireflyiii-AI-Recorder

随着AI的爆火，以及MCP的出现，越来越多的AI agent应用也逐渐开始爆火。这里我们通过一个案例，聊一聊如何通过Langchain构建AI智能体应用。

许多人都有记账的习惯，但往往会因为过于繁琐而中途放弃。大多数记账软件需要填写消费时间、地点、收入或支出账户、分类等信息，非常麻烦。不过，有了AI之后，这些意图识别的工作都可以交给AI完成。我使用的记账工具是名为FireflyIII的开源软件，它不仅支持私有化部署，还能够提供一些商业化的财务功能。

因此为了方便我的使用，我便基于FireflyIII的api的功能，结合Langchain和deepseek api实现了这样一个AI记账的功能。

在这里插入图片描述

🤖 AI Agent工作流程

记账AI Agent是一个智能代理系统，它能够：

• 理解人类自然语言描述的消费行为
• 自主决策如何分类和记录财务数据
• 与Fireflyiii系统交互完成记账操作
• 从错误中学习并优化决策流程

与传统记账软件不同，AI Agent具备语义理解 和逻辑推理能力，能处理模糊、不完整的消费描述。

🔍 任务分解与执行

复制代码

用户输入文本语义解析AI决策引擎金额识别消费分类时间推断数据验证Fireflyiii记账结果反馈

关键决策点

1. 模糊描述处理
- • "请了团队喝咖啡" → 自动拆分为多人消费
- • "买了办公用品" → 匹配预设的办公类别
1. 异常检测
- • 识别金额异常（如10000元的午餐）
- • 检测时间冲突（未来日期消费）
1. 上下文关联
- • "续费了年度会员" → 关联去年同期的记账
- • "报销差旅费" → 匹配对应的报销账户

🚀 核心功能亮点

1. 自然语言解析
- • 智能识别消费描述中的金额、类别和时间
- • 支持批量处理多日消费记录
- • 示例输入：
  diff 复制代码
```
7.6
- 66 午餐 12:00
- 900 物业费(最近一季度)
7.7
- 150 购物
```
1. Fireflyiii深度集成
- • 通过OpenAPI自动创建交易记录
- • 保持与Fireflyiii数据模型完全兼容
1. 多场景部署
- • 本地开发环境
- • Docker容器化部署
- • NAS设备部署（如极空间）

🚀 核心代码：Langchain+DeepSeek实现原理

Langchain核心组件

javascript 复制代码

用户输入Prompt模板DeepSeek大模型JSON输出解析器结构化数据

准备工作

1. 安装Python 3.10+
1. 获取DeepSeek API Key
1. 准备Fireflyiii实例和API密钥

1. Prompt模板

• 定义输入输出规范
• 包含示例和指令
• 动态插入变量

2. DeepSeek大模型

• 使用init_chat_model初始化
• 支持多模型提供商
• 处理自然语言理解任务

3. JSON输出解析器

• 确保输出为规范JSON格式
• 自动转换模型原始输出
• 提供错误处理机制

4. 处理链(Chain)

• 连接各组件：prompt | llm | parser
• 实现端到端数据处理
• 支持异步调用

完整代码实现

python 复制代码

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain.chat_models import init_chat_model

class FireflyTransactionAgent:
    def __init__(self):
        # 初始化DeepSeek模型
        self.llm = init_chat_model(
            "deepseek-chat",
            api_key=settings.openai_api_key,
            base_url=settings.openai_api_base,
            model_provider="deepseek",
        )
        
        # 创建JSON解析器
        self.parser = JsonOutputParser()
        
        # 构建Prompt模板
        self.prompt = ChatPromptTemplate.from_template("""
            请将以下交易记录解析为JSON数组，包含字段：
            - date: 交易日期（YYYY-MM-DDTHH:mm）
            - description: 描述
            - amount: 金额
            - category: 分类
            - tags: 标签列表
            - think_result: AI思考过程
            
            示例输入：
            07.06
            - 12.00 午餐 66
            
            示例输出：
            {{
                "transactions": [{{
                    "date": "2025-07-06T12:00",
                    "description": "午餐",
                    "amount": 66,
                    "category": "餐饮",
                    "tags": ["餐饮-午餐"]
                }}],
                "think_result": "识别为午餐消费，归类到餐饮"
            }}
            
            实际输入：
            {input_text}
        """)
        
        # 创建处理链
        self.chain = self.prompt | self.llm | self.parser
    
    def parse(self, text: str) -> Dict:
        # 获取分类和标签数据
        tags_and_categories = self.get_tags_and_categories()
        
        # 执行处理链
        result = self.chain.invoke({
            "input_text": text,
            "categories": tags_and_categories["categories"],
            "tags": tags_and_categories["tags"]
        })
        
        return {
            "transactions": result.get("transactions", []),
            "think_result": result.get("think_result", "")
        }

关键代码解析

模型初始化

ini 复制代码

self.llm = init_chat_model(
    "deepseek-chat",
    api_key=settings.openai_api_key,
    base_url=settings.openai_api_base,
    model_provider="deepseek",
)

- • deepseek-chat: 指定模型类型
- • api_key: DeepSeek API密钥
- • base_url: API基础地址
- • model_provider: 模型提供商

处理链构建

lua 复制代码

self.chain = self.prompt | self.llm | self.parser

- • | 运算符连接组件
- • 数据流：模板 → 模型 → 解析器

链式调用

arduino 复制代码

result = self.chain.invoke({
    "input_text": text,
    "categories": [...],
    "tags": [...]
})

- • 动态注入变量到模板
- • 自动处理模型调用和输出解析

实际调用示例

ini 复制代码

agent = FireflyTransactionAgent()
input_text = """
07.15
- 12:00 团队午餐 450
- 15:30 办公用品 280
"""

result = agent.parse(input_text)
print(result["think_result"])
# 输出：识别到2笔消费：团队午餐归类为餐饮-团建，办公用品归类为办公-耗材
print(result["transactions"])
# 输出：[{...}, {...}] 结构化数据

关键技术突破

思维链(CoT)推理

Agent通过多步推理处理复杂场景：

makefile 复制代码

用户输入: "支付了上个月的电费500元"
Agent思考:
  1. 这是水电费支出
  2. 时间应为上个月最后一天
  3. 需要关联电力公司账户
  4. 分类到"家庭开支/水电煤"

1. 自我修正机制
- • 当Fireflyiii返回错误时，Agent自动：
- 1. 1. 分析错误原因
  2. 1. 调整数据格式
  3. 1. 重新提交请求

记忆上下文

使用ConversationBufferMemory保存对话历史：

ini 复制代码

memory = ConversationBufferMemory(memory_key="chat_history")
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)

📦 部署方案

github主页有部署流程，代码量不多，运行很容易。

docker 镜像下载docker pull zl3n22/fireflyiii-ai-recorder:latest

NAS部署指南（极空间为例）

搜索镜像zl3n22/fireflyiii-ai-recorder 如果搜不到的话，就需要手动拉取源码打包镜像再导入到极空间了。

主要配置的环境变量如下：

在这里插入图片描述

如果不想手动配置的，也可以在极空间中新建一个.env文件,将文件挂载到/app/.env目录下

ini 复制代码

# Firefly III 配置
FIREFLY_III_URL=你的Firefly III实例地址
FIREFLY_III_API_KEY=你的Firefly III API密钥

# OpenAI兼容API配置
OPENAI_API_BASE=你的OpenAI兼容API地址
OPENAI_API_KEY=你的OpenAI API密钥
OPENAI_MODEL_NAME=使用的模型名称

1. 创建容器时映射5001端口
1. 配置环境变量
1. 启动容器

💡体验案例

这里我输入了两个日期的三条不同的记录，通过点击AI解析记录后，能看到AI把这段话分解成了三个不同的交易记录，同时附上了对应的分析过程。

✅ 总结

Fireflyiii-AI记账系统通过：

• 降低记账门槛（自然语言输入）
• 提升数据准确性（AI智能解析）
• 简化部署流程（多平台支持）

项目地址：github.com/your-repo/f...

遇到问题？在GitHub提交Issue或通过公众号一颗程序树联系作者！