# lc-agent

**Repository Path**: panbb_00/lc-agent

## Basic Information

- **Project Name**: lc-agent
- **Description**: No description available
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-06-17
- **Last Updated**: 2026-06-17

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# LangChain Agent 开发学习 Demo

从零到一，用 LangChain + DeepSeek 学习 Agent 开发的动手练习项目。

整体路线和资源清单参考本目录下的 [agent-learning-roadmap.md](../agent-learning-roadmap.md) 和 [agent-learning-resources.md](../agent-learning-resources.md)。

## 前置条件

- Python 3.10+
- 一个 DeepSeek API Key（兼容 OpenAI API）

## 快速开始

```bash
# 1. 安装依赖
pip install -r requirements.txt

# 2. 配置 API Key
cp .env.example .env
# 编辑 .env 填入你的 DEEPSEEK_API_KEY

# 3. 或直接通过环境变量设置
export DEEPSEEK_API_KEY='your-api-key-here'

# 4. 开始学习！从 Step 1 到 Step 6 循序渐进
python steps/01_basic_llm_call.py
```

## 学习路线

| Step | 文件名 | 核心概念 | 难度 |
|------|--------|----------|------|
| 1 | `01_basic_llm_call.py` | LLM 调用、System Prompt、流式输出、多轮对话 | ⭐ |
| 2 | `02_structured_output.py` | Pydantic Schema、with_structured_output、嵌套结构 | ⭐⭐ |
| 3 | `03_tool_calling.py` | @tool 装饰器、bind_tools、手动 Tool Calling 循环 | ⭐⭐⭐ |
| 4 | `04_simple_agent.py` | ReAct 模式、手写 Agent Loop、多步推理 | ⭐⭐⭐⭐ |
| 5 | `05_langgraph_agent.py` | StateGraph、Node/Edge、条件跳转 | ⭐⭐⭐⭐ |
| 6 | `06_agent_with_memory.py` | MemorySaver、连续对话、thread_id | ⭐⭐⭐⭐⭐ |

## 每个 Step 覆盖的知识点

### Step 1: 基础 LLM 调用
- `llm.invoke()` 基本调用
- `SystemMessage` + `HumanMessage` 消息结构
- `llm.stream()` 流式输出
- 手动维护消息列表实现多轮对话

### Step 2: 结构化输出
- Pydantic `BaseModel` 定义输出 Schema
- `llm.with_structured_output()` 让 LLM 输出固定 JSON
- `Field(description=...)` 添加字段描述
- `Enum` + 嵌套结构

### Step 3: 工具调用
- `@tool` 装饰器声明工具
- `llm.bind_tools()` 绑定工具到 LLM
- LLM 返回 `tool_calls` 请求
- 手动实现工具调用循环：LLM 决定 -> 代码执行 -> 结果回传

### Step 4: 手写 Agent Loop
- ReAct 模式：System Prompt 引导多步推理
- `SimpleAgent` 类封装完整的 Agent 循环
- 多步调用：搜索 -> 计算 -> 回答
- 迭代次数限制和错误处理

### Step 5: LangGraph Agent
- `StateGraph` 定义状态机
- `agent` Node（LLM 调用）和 `tools` Node（工具执行）
- `add_conditional_edges` 条件路由
- 与手写 Agent 对比理解框架的价值

### Step 6: 带记忆的 Agent
- `MemorySaver` 持久化消息历史
- `thread_id` 保持会话上下文
- 连续多轮对话无需重复上下文
- 短期记忆 vs 长期记忆的概念

## 项目结构

```
agent-demo/
├── README.md              # 本文件
├── requirements.txt       # Python 依赖
├── .env.example           # 环境变量模板
├── utils/
│   ├── __init__.py
│   └── llm.py             # 统一的 DeepSeek LLM 配置
└── steps/
    ├── __init__.py
    ├── 01_basic_llm_call.py
    ├── 02_structured_output.py
    ├── 03_tool_calling.py
    ├── 04_simple_agent.py
    ├── 05_langgraph_agent.py
    └── 06_agent_with_memory.py
```

## 学习建议

1. **按顺序学**：每一步建立在前一步的基础上
2. **运行 + 读代码**：先跑起来看效果，再读代码理解原理
3. **改代码试试**：修改 tool 定义、prompt、参数，观察行为变化
4. **对照资源**：结合 [agent-learning-resources.md](../agent-learning-resources.md) 中的文档链接深入学习

## 使用的技术栈

- **LangChain**: LLM 调用、Tool Calling、结构化输出
- **LangGraph**: Agent 状态管理和流程编排
- **DeepSeek API**: 底层 LLM（OpenAI 兼容接口）
- **Pydantic**: 数据结构和 Schema 定义