AI Agent工业级项目目录
第1章：AI智能体开发之大模型调用
python环境安装anaconda
- ANACONDA 相关资源
- Python 官网：https://www.python.org/
- conda 仓库：https://github.com/conda/conda
- Anaconda 官网：https://www.anaconda.com/
- conda、miniconda、anaconda 的区别：https://juejin.cn/post/72628035978987557
- UV 相关资源
- Python 包管理工具 uv：https://github.com/astral-sh/uv
- uv 安装文档：https://docs.astral.sh/uv/getting-started/installation/
- 基础教程
window电脑安装uv
# 1.安装uv
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"
# 2.检查是否安装成功
uv --versionuv的使用
# 1.使用uv创建项目
uv init ai-agent-test
目录结构如下
Mode LastWriteTime Length Name
---- ------------- ------ ----
-a---- 2025/12/20 8:45 109 .gitignore
-a---- 2025/12/20 8:45 5 .python-version
-a---- 2025/12/20 8:45 91 main.py
-a---- 2025/12/20 8:45 159 pyproject.toml
-a---- 2025/12/20 8:45 0 README.md
# 2.测试uv，使用uv创建yaml管理
uv add pyyaml
目录结构如下
Mode LastWriteTime Length Name
---- ------------- ------ ----
d----- 2025/12/20 8:46 .venv
-a---- 2025/12/20 8:45 109 .gitignore
-a---- 2025/12/20 8:45 5 .python-version
-a---- 2025/12/20 8:45 91 main.py
-a---- 2025/12/20 8:46 181 pyproject.toml
-a---- 2025/12/20 8:45 0 README.md
-a---- 2025/12/20 8:46 18786 uv.lock我们通过观察发现，其多出来了一个.venv文件，也就是一个虚拟环境。
然后我们要uv中配置镜像加速器：
-
方法1，在pyproject.toml中添加
[tool.uv]
index = [
{ url = "https://mirrors.aliyun.com/pypi/simple/", default = true }
] -
方法2，在uv.toml中添加
[index]
url = "https://mirrors.aliyun.com/pypi/simple/"
default = true
智能体开发流程
智能体开发流程和Ollama本地大模型部署
本地大模型调用方法
本地大模型我们需要安装ollama
- 其是一个开源的本地化大语言模型（LLM）运行和管理的工具；
- 可以简化大语言模型的部署和使用；
- 在本地运行模型，无需依赖云端服务，保证数据隐私性。
ollama官方网站：https://ollama.com/
ollama国内网站（阿里）：https://registry.ollama.ai/
我们选择的下载的是deepseek-r1:1.5b这个版本
ollama run deepseek-r1:1.5b然后我们要安装langchain-ollama库，才可以使用本地大模型调用
uv add langchain-ollama
from langchain_ollama.chat_models import ChatOllama
if __name__ == "__main__":
llm = ChatOllama(model="deepseek-r1:1.5b")
resp = llm.invoke("你是谁?")
print(resp.content)
云端大模型调用
阿里云百炼：https://bailian.console.aliyun.com/
首先我们需要安装openai的依赖
uv add openai测试案例：
import os
from openai import OpenAI
client = OpenAI(
api_key=os.getenv("DASHSCOPE_API_KEY"),
# 以下是北京地域base_url，如果使用新加坡地域的模型，需要将base_url替换为：https://dashscope-intl.aliyuncs.com/compatible-mode/v1
base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
model="qwen-plus",
messages=[{'role': 'user', 'content': '你是谁？'}]
)
print(completion.choices[0].message.content)
大模型流式响应
from langchain_ollama.chat_models import ChatOllama
if __name__ == "__main__":
llm = ChatOllama(
model="deepseek-r1:1.5b",
stream=True,
)
resp = llm.stream("给我介绍一下python学习的路线")
for chunk in resp:
print(chunk.content, end="")LangChain框架
官网地址：https://www.langchain.com/
项目架构
- 核心层：langchain-core 包含主要的抽象概念、接口和核心功能，这部分代码非常稳定
- 应用层：langchain 包提供通用代码库，适用于不同接口实现
- 社区层：langchain-community 包含大量由社区维护的轻量级集成
- 合作伙伴层：与 Hugging Face、Azure、Ollama、阿里云等企业合作推出专用集成包
LangChain 的核心功能模块包括：
- 模型（Models）：提供统一接口调用各种 LLM，如 OpenAI 的 GPT 系列、Anthropic 的 Claude 系列、Google 的 Gemini 系列，以及 Hugging Face 的开源模型。
- 提示（Prompts）：优化模型输入，提升生成结果的质量，包括 PromptTemplate、ChatPromptTemplate 和 FewShotPromptTemplate 等。
- 链（Chains）：封装多个组件的调用序列，创建复杂的工作流程，如 SimpleSequentialChain 等。
- 代理（Agents）：允许模型自主调用外部工具和组件，实现多步骤任务处理，如 AutoGPT 等。
- 记忆（Memory）：存储和检索对话数据，支持上下文感知的应用，如多轮对话系统。
- 索引（Indexes）：组织和检索文档数据，支持 RAG（检索增强生成）等应用场景。