2.从零制作第一个天气 Agent：理解 Prompt、Skill 与 LangChain

[一、什么是 Prompt、Skill 和 Agent](#一、什么是 Prompt、Skill 和 Agent)
[二、制作Agent为什么选择 LangChain参与制作](#二、制作Agent为什么选择 LangChain参与制作)
[三、制作第一个天气 Agent](#三、制作第一个天气 Agent)
- [1. 创建虚拟环境](#1. 创建虚拟环境)
- [2. 安装依赖](#2. 安装依赖)
- [3. 配置 DeepSeek API Key](#3. 配置 DeepSeek API Key)
- [4. 编写代码](#4. 编写代码)
[四、这个天气程序为什么能称为 Agent](#四、这个天气程序为什么能称为 Agent)
[五、如何逐步熟练掌握 Agent](#五、如何逐步熟练掌握 Agent)
[六、下一步：制作一个本地笔记问答 Agent](#六、下一步：制作一个本地笔记问答 Agent)

从零制作第一个天气 Agent：理解 Prompt、Skill 与 LangChain

一、什么是 Prompt、Skill 和 Agent

可以用"员工做事"来理解它们之间的关系。

Prompt（提示词）：工作说明书。它规定 Agent 的角色、规则和回答方式。
Skill（技能）：可执行的具体能力，例如查天气、读文件、查数据库、发送邮件。
Agent（智能体）：能够理解用户目标，决定是否调用技能、调用哪个技能，并根据结果继续完成任务的系统。

它们的关系如下：

text 复制代码

用户的自然语言需求
        ↓
Agent 理解需求
        ↓
Prompt 约束 Agent 的行为
        ↓
Agent 选择合适的 Skill/Tool
        ↓
Skill 执行具体动作并返回结果
        ↓
Agent 组织最终回答

需要注意：模型本身擅长理解和生成语言，但它并不天然拥有实时数据、文件访问或执行能力。Skill 给它行动能力，Agent 则负责调度模型和 Skill。

二、制作Agent为什么选择 LangChain参与制作

LangChain 不是模型，也不是天气接口，而是连接模型与外部工具的框架。

在本例中，LangChain 主要完成三件事：

把 Python 函数包装成模型可以理解的工具。
把工具说明、Prompt 和用户问题发送给模型。
管理"模型调用工具 → 工具返回结果 → 模型继续回答"的循环。

使用 LangChain 的好处是：

可以较方便地切换 DeepSeek、OpenAI、Claude 或本地模型；
可以快速给 Agent 增加多个工具；
后续可以加入记忆、检索、权限、人工审批和日志追踪；
不需要手动解析模型发出的工具调用指令。

三、制作第一个天气 Agent

1. 创建虚拟环境

在项目目录打开 PowerShell：

powershell 复制代码

python -m venv .venv
.venv\Scripts\Activate.ps1

如果 PowerShell 拦截激活脚本：

powershell 复制代码

Set-ExecutionPolicy -Scope Process Bypass
.venv\Scripts\Activate.ps1

2. 安装依赖

powershell 复制代码

python -m pip install -U langchain langchain-openai requests python-dotenv

依赖用途：

包	作用
`langchain`	创建和运行 Agent
`langchain-openai`	通过 OpenAI 兼容协议连接 DeepSeek
`requests`	请求天气服务
`python-dotenv`	从 `.env` 文件读取 API Key

3. 配置 DeepSeek API Key

在 main.py 同级目录创建 .env 文件：

env 复制代码

DEEPSEEK_API_KEY=你的_DeepSeek_API_Key

不要把 API Key 写进代码，也不要把 .env 上传到 GitHub。DeepSeek获取API KEY的方法可以参考----获取 API Key 与调用 API 步骤详解

4. 编写代码

创建 main.py：

python 复制代码

import os

import requests
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain.tools import tool
from langchain_openai import ChatOpenAI

load_dotenv()


@tool
def get_weather(city: str) -> str:
    """查询指定城市当前的实时天气。

    参数：
        city: 城市名称，例如"成都""上海"或"Tokyo"。

    返回：
        当前天气、温度、体感温度、湿度和风速。
    """
    try:
        response = requests.get(
            f"https://wttr.in/{city}",
            params={"format": "j1", "lang": "zh"},
            timeout=10,
        )
        response.raise_for_status()

        current = response.json()["current_condition"][0]
        description = current["weatherDesc"][0]["value"]

        return (
            f"{city}当前天气：{description}；"
            f"温度 {current['temp_C']}°C；"
            f"体感温度 {current['FeelsLikeC']}°C；"
            f"湿度 {current['humidity']}%；"
            f"风速 {current['windspeedKmph']} km/h。"
        )

    except requests.RequestException as error:
        return f"天气服务请求失败：{error}"
    except (KeyError, IndexError, ValueError):
        return "天气服务返回的数据格式无法解析。"


model = ChatOpenAI(
    model="deepseek-v4-flash",
    api_key=os.environ["DEEPSEEK_API_KEY"],
    base_url="https://api.deepseek.com",
    temperature=0,
)

agent = create_agent(
    model=model,
    tools=[get_weather],
    system_prompt="""
你是一个中文天气助理。

规则：
1. 用户询问某个地点的当前天气时，必须调用 get_weather 工具。
2. 不允许凭记忆编造实时天气。
3. 如果工具调用失败，需要如实说明。
4. 回答应简洁、清楚。
""",
)

result = agent.invoke(
    {
        "messages": [
            {
                "role": "user",
                "content": "成都现在天气怎么样？",
            }
        ]
    }
)

print(result["messages"][-1].content)

最终的文件结构如下图所示：

运行：

powershell 复制代码

python main.py

最终运行结果

四、这个天气程序为什么能称为 Agent

如果只是普通 Python 程序，通常会写成：

python 复制代码

weather = get_weather.invoke({"city": "成都"})
print(weather)

在这段代码中，开发者已经写死了：

调用哪个函数；
参数是什么；
什么时候调用。

而天气 Agent 的流程不同：

text 复制代码

用户："成都现在天气怎么样？"
        ↓
模型理解用户想获取"实时天气"
        ↓
模型发现 get_weather 是合适的工具
        ↓
模型从句子中识别地点"成都"
        ↓
模型生成工具调用：get_weather(city="北京")
        ↓
LangChain 执行 Python 工具
        ↓
工具请求天气网站并返回数据
        ↓
模型根据工具结果生成最终回答

因此，它不只是从文字中"提取关键字"，而是结合以下信息进行判断：

用户的自然语言需求；
Prompt 中规定的行为规则；
工具的名称、描述和参数；
工具执行后返回的结果。

这就是 Agent 的基本循环：

text 复制代码

理解目标
→ 选择行动
→ 调用工具
→ 观察结果
→ 生成回答或继续行动

目前的天气 Agent 只有一个工具，因此它是一个功能较单一的入门 Agent。但它已经具备 Agent 的核心结构。

五、如何逐步熟练掌握 Agent

初学 Agent 时，最容易犯的错误是：一上来就想做一个万能 Agent。

例如希望一个 Agent 同时具备搜索、写代码、读文件、操作数据库、生成报告、发邮件和多 Agent 协作能力。这样会导致问题难以定位，也很难理解每个模块的作用。

更好的方法是：每次只做一个小 Agent，并且每次只增加一项新能力。

推荐学习路线如下：

阶段	小项目	重点能力
第一阶段	天气 Agent	工具调用、自然语言转参数
第二阶段	本地文件问答 Agent	文件读取、检索、基于资料回答
第三阶段	待办事项 Agent	多工具选择、增删改查、状态管理
第四阶段	自动报告 Agent	查询数据、分析数据、生成文档
第五阶段	客服或订单 Agent	业务规则、权限、人工确认
第六阶段	多 Agent 协作	规划、执行、审核分工

制作每个 Agent 前，可以先问自己四个问题：

用户希望它完成什么具体目标？
它需要哪些工具才能完成目标？
哪些动作不能由它自动执行，例如删除数据、退款、发送消息？
如何验证它真的完成了任务，而不只是"声称完成了"？

六、下一步：制作一个本地笔记问答 Agent

天气 Agent 解决的是"获取实时外部信息"。

下一步可以制作"本地 Markdown 笔记问答 Agent"，它解决的是"从自己的资料中寻找答案"。

用户可以这样提问：

text 复制代码

我的笔记中有哪些关于 Python 装饰器的内容？
请总结成三点，并保存成一张复习卡片。

这个 Agent 的整体思路可以是：

text 复制代码

用户提出问题
        ↓
Agent 判断需要查询本地笔记
        ↓
搜索 notes 文件夹中的相关 Markdown 文件
        ↓
读取相关文件内容
        ↓
根据文件内容总结答案
        ↓
将总结结果保存为新的复习卡片

它未来可以拥有的 Skill 包括：

text 复制代码

search_notes(keyword)      # 搜索笔记
read_note(filename)        # 读取笔记
save_summary(title, text)  # 保存总结
list_tasks()               # 查看学习任务
add_task(task)             # 新增学习任务

这个项目比天气 Agent 更接近实际使用场景，也能帮助理解 Agent 的更多核心能力：工具设计、知识检索、上下文管理、文件读写、结果可信度与权限控制。

从小而明确的 Agent 开始，逐步增加一个工具、一条规则或一种能力，比直接追求"万能 Agent"更容易真正掌握 Agent 的制作与使用。