第二章：环境搭建

本节课手把手教你搭建开发环境，包括Python安装、DeepAgents及各模型SDK的配置，让你从零开始跑通第一个Agent。

2.1 安装 DeepAgents

# 基础安装
pip install deepagents

# 如果你用 OpenAI
pip install deepagents langchain-openai

# 如果你用 Anthropic
pip install deepagents langchain-anthropic

# 如果你用 Google Gemini
pip install deepagents langchain-google-genai

# 全家桶（推荐初学者）
pip install deepagents langchain-openai langchain-anthropic langchain-community

支持的模型提供商：

提供商	模型字符串示例	安装命令
OpenAI	"openai:gpt-4o"	pip install langchain-openai
Anthropic	"anthropic:claude-sonnet-4-6"	pip install langchain-anthropic
Google	"google_genai:gemini-2.5-flash"	pip install langchain-google-genai
Azure OpenAI	"azure_openai:gpt-4o"	pip install langchain-openai
Ollama（本地）	"ollama:llama3"	pip install langchain-ollama
OpenRouter	"openrouter:anthropic/claude-sonnet-4-6"	pip install langchain-openrouter
百炼（千问）	见下方国内模型接入	pip install langchain-openai

2.2 API Key 配置

# 选择你使用的模型厂商，设置对应的环境变量
export OPENAI_API_KEY="sk-..."
export ANTHROPIC_API_KEY="sk-ant-..."
export GOOGLE_API_KEY="AIza..."

# 百炼（千问）— 通过 OpenAI 兼容接口接入
export DASHSCOPE_API_KEY="sk-..."

# 如果需要网络搜索工具（可选）
export TAVILY_API_KEY="tvly-..."

在 Python 中设置（也可以）：

import os
os.environ["OPENAI_API_KEY"] = "sk-..."

Windows 用户注意：用 PowerShell 设置环境变量：

$env:OPENAI_API_KEY = "sk-..."

2.3 第一个 Agent

from deepagents import create_deep_agent

# 定义一个简单的工具
def get_weather(city: str) -> str:
    """获取指定城市的天气信息"""
    # 实际项目中这里会调用天气 API
    return f"{city}今天晴，25°C，微风"

# 创建 Agent — 就这么简单！
agent = create_deep_agent(
    model="openai:gpt-4o",       # 模型，格式为 "厂商:模型名"
    tools=[get_weather],          # 你的自定义工具
    system_prompt="你是一个有帮助的天气助手",  # 系统提示词
)

# 运行 Agent
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样？"}]
})

# 获取回答
print(result["messages"][-1].content)
# 输出：北京今天晴，25°C，微风。建议穿着轻薄衣物...

发生了什么？

1. 你传入了一个用户消息：”北京今天天气怎么样？”
2. Agent 自动识别需要调用 get_weather 工具
3. 调用工具获得结果
4. 基于工具结果生成自然语言回答

对比传统 Web 开发：这就像你写了一个 API，但不需要手动写路由、控制器、中间件 — 框架帮你把”理解请求 → 选择处理函数 → 执行 → 返回结果”的流程自动化了。

2.4 三种模型配置方式

DeepAgents 支持三种方式指定模型，灵活度递增：

方式一：简单字符串（推荐新手）

agent = create_deep_agent(model="openai:gpt-4o")

方式二：init_chat_model（需要自定义参数）

from langchain.chat_models import init_chat_model

model = init_chat_model("openai:gpt-4o", max_retries=10, timeout=120)
agent = create_deep_agent(model=model)

方式三：直接模型类（最灵活）

from langchain_openai import ChatOpenAI

model = ChatOpenAI(model="gpt-4o", temperature=0, max_tokens=4096)
agent = create_deep_agent(model=model)

连接韧性：模型默认自动重试失败请求（指数退避），默认 6 次重试。对于不稳定网络，建议 max_retries=10-15。

2.5 国内模型接入（百炼/千问）

国内厂商（如阿里百炼、DeepSeek、智谱等）大多提供 OpenAI 兼容接口，因此可以用 ChatOpenAI + 自定义 base_url 或 init_chat_model 接入，无需额外安装。

百炼（千问）接入示例

import os
from langchain_openai import ChatOpenAI
from deepagents import create_deep_agent

# 1. 设置 API Key
os.environ["DASHSCOPE_API_KEY"] = "sk-xxx"

# 2. 用 ChatOpenAI 指向百炼的 OpenAI 兼容端点
model = ChatOpenAI(
    model="qwen-plus",                                          # 百炼模型名
    api_key=os.getenv("DASHSCOPE_API_KEY"),                     # 百炼 API Key
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",  # 百炼兼容端点
)

# 3. 像往常一样创建 Agent
agent = create_deep_agent(
    model=model,
    tools=[get_weather],
    system_prompt="你是一个有帮助的天气助手",
)

# 4. 运行
result = agent.invoke({
    "messages": [{"role": "user", "content": "北京今天天气怎么样？"}]
})
print(result["messages"][-1].content)

关键点：核心就是 ChatOpenAI + base_url 参数，把请求从 OpenAI 官方端点”转发”到百炼端点。模型名、API Key 都用百炼的即可。

用 init_chat_model 接入百炼

如果你偏好 init_chat_model 的写法，也可以，关键是指定 model_provider="openai"（因为百炼走的是 OpenAI 兼容协议），然后传入 base_url 和 api_key：

import os
from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent

os.environ["DASHSCOPE_API_KEY"] = "sk-xxx"

# 用 init_chat_model 接入百炼 — 注意 model_provider 必须是 "openai"
model = init_chat_model(
    model="qwen-plus",
    model_provider="openai",                                    # 百炼兼容 OpenAI 协议，所以用 openai
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

agent = create_deep_agent(model=model, tools=[get_weather])

为什么 model_provider="openai"？ 因为百炼的接口兼容 OpenAI 协议，init_chat_model 底层会实例化 ChatOpenAI，所以 base_url、api_key 等参数都能正确传递。

其他国内模型速查

厂商	base_url	模型名示例
阿里百炼	https://dashscope.aliyuncs.com/compatible-mode/v1	qwen-plus, qwen-max, qwen-turbo
DeepSeek	https://api.deepseek.com/v1	deepseek-chat, deepseek-reasoner
智谱 AI	https://open.bigmodel.cn/api/paas/v4	glm-4-plus, glm-4-flash
月之暗面	https://api.moonshot.cn/v1	moonshot-v1-8k, moonshot-v1-32k
硅基流动	https://api.siliconflow.cn/v1	各种开源模型

规律：只要厂商提供 OpenAI 兼容接口，就能用 ChatOpenAI(base_url=..., api_key=..., model=...) 一行搞定，接入方式完全一样。

2.6 可观测性（LangSmith）

强烈建议开启 LangSmith 追踪，帮你调试 Agent 行为：

export LANGSMITH_TRACING=true
export LANGSMITH_API_KEY="lsv2_..."

开启后，你可以在 LangSmith 控制台看到：

• 每次工具调用的输入和输出
• Agent 的决策过程
• Token 消耗统计
• 执行时间分布