使用pycharm工具

1 在工程目录下，配置.env文件信息

DEEPSEEK_API_KEY= 
LANGSMITH_TRACING=true
LANGSMITH_API_KEY= 
LANGSMITH_PROJECT=agent
DASHSCOPE_API_KEY= 
OPENWEATHER_API_KEY= 
 

2. 加载头文件

python
运行
# 导入类型提示工具，用于定义状态结构（TypedDict）和列表类型（List）
from typing import TypedDict, List
# 导入LangChain的消息类型，用于封装人类输入的消息
from langchain_core.messages import HumanMessage
# 导入LangGraph组件，用于构建状态图和定义流程节点
from langgraph.graph import StateGraph, START, END
# 导入dotenv工具，用于从.env文件加载环境变量（如API密钥）
from dotenv import load_dotenv  # 用来从.env文件中加载配置信息，比如API_KEY
# 导入LangChain的通用模型初始化工具，用于创建聊天模型实例
from langchain.chat_models import init_chat_model  # LangChain中用于初始化聊天模型的导入语句，主要用于便捷地创建符合LangChain接口规范的大语言模型（LLM）或聊天模型实例

3. 加载大模型

# 加载.env文件中的环境变量（需确保文件中包含模型所需的API密钥等配置）
load_dotenv()
# 初始化DeepSeek聊天模型
llm = init_chat_model(
    "deepseek-chat",  # 模型名称（需与模型提供商的定义一致）
    temperature=0.7   # 输出随机性参数（0-1，值越高回复越灵活）
)  # 其他参数（如温度、最大tokens等）

4. 定义图状态类型，定义节点的处理函数，由大模型回复x['message']中的信息，得到response,打印response

# 定义状态结构（图中流转的数据载体）
class State(TypedDict):
    message: List[HumanMessage]  # 存储人类消息列表（用于在节点间传递对话内容）
def process(x: State) -> State:
    """处理节点：接收消息并调用模型生成回复"""
    # 调用模型处理状态中的消息列表
    response = llm.invoke(x['message'])
    # 打印AI的回复内容
    print(f'\nAI:{response.content}')
    # 返回原始状态（未修改状态，仅处理消息）
    return x

5. 定义图中的节点和边

# 创建状态图构建器，关联State结构（定义图中数据格式）
graph_builder = StateGraph(State)
# 添加处理节点：节点名为"a"，绑定process函数
graph_builder.add_node("a", process)
# 定义流程路径：从系统内置的START节点→"a"节点
graph_builder.add_edge(START, "a")
# 定义流程终点："a"节点→系统内置的END节点
graph_builder.add_edge("a", END)

6. 生成能执行的智能体，接收用户的输入，并给用户输出

# 编译图结构，生成可执行的智能体（agent）
agent = graph_builder.compile()

# 接收用户初始输入
user_input = input("Enter:")
# 对话循环：持续接收用户输入，直到输入"exit"退出
while user_input != 'exit':
    # 调用智能体处理用户输入：将输入包装成HumanMessage列表，符合State结构要求
    agent.invoke({"message": [HumanMessage(content=user_input)]})
    # 提示用户输入下一条消息或退出
    user_input = input("Enter: if you want to exit,please enter 'exit' ")

7. 代码核心说明

1. 环境配置：通过load_dotenv()加载.env文件中的 API 密钥等敏感信息，避免硬编码。
2. 状态管理：使用State(TypedDict)定义数据结构，存储对话消息列表，确保消息在流程中完整传递。
3. 模型初始化：通过init_chat_model创建 DeepSeek 聊天模型实例，配置随机性参数temperature。
4. 流程设计：构建简单的线性状态图（START→a节点→END），其中a节点负责调用模型处理消息并生成回复。
5. 交互逻辑：通过while循环实现与用户的持续对话，用户输入 "exit" 时终止程序。
6. 引入大模型：在process函数中，用到了大模型来回复用户的信息