AI，人工智能（Artificial Intelligence），是一门致力于使机器能够模拟人类思维、学习与解决问题的技术.

机器学习-深度学习-大语言模型...

现在的AI都是采用神经网络架构，你可以把它看做是AI的大脑，是决定AI是否”聪明”的基础。

人工智能三要素 = 数据 + 算法 + 算力

LLM（Large Language Model，大语言模型）基于Transformer 架构，用海量文本训练，理解、生成人类语言，能推理、对话、写代码、做 Agent。代表：GPT 系列、通义千问、DeepSeek、Qwen、Llama、GLM 等。

LLM 应用架构（Dify / LangChain 本质就是这套）

1. 基础大模型：提供语言能力
2. Prompt 工程：指令约束、格式要求、角色设定
3. RAG：外挂私有数据
4. Tool/Function Calling：调用外部工具
5. Agent 智能体：自主规划 + 多轮调用工具
6. 记忆 Memory：记住上下文、历史对话

LLM服务(调用SDK)

DeepSeek / 百炼 / Ollama. Google/Claude/Azure 的 SDK

一个是国外的一个是国内的,都是一种东西,注册→拿 API_KEY→看文档→curl / 代码调用，流程完全一样.所有这些 SDK / 模型服务，本质全是「大模型 HTTP 接口的调用工具 / 服务」

国内首选阿里百炼平台(因为有很多免费token,不用充值)

申请账号,支付宝扫码可以登录认证

查看一下API官方文档

• 请求方式：通常是POST，因为要传递JSON风格的参数

• 请求URL：与平台有关

  • DeepSeek官方平台：https://api.deepseek.com/chat/completions

  • 阿里云百炼平台：https://dashscope.aliyuncs.com/compatible-mode/v1

  • 本地ollama部署的模型：http://localhost:11434

• 请求头：开放平台都需要提供API_KEY来校验权限，本地ollama则不需要

  • Content-Type: application/json，请求参数的格式，必须是application/json，稍后解释

  • Authorization: Bearer <DeepSeek API Key>，上一节创建的API_KEY

• 请求参数：JSON格式：

{
    "model": "deepseek-chat",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "Hello!"}
    ],
    "stream": false
}

• model：模型名称，DeepSeek支持deepseek-reasoner和deepseek-chat两者模型

• messages：发送给大模型的消息，[]是数组的意思，里面可以有多条消息。消息结构：

  • content：是消息的内容

  • role：消息的角色，有system、user、assisant三种角色

    • system：是给大模型设定一个角色，比如你让她扮演你的奶奶，让她哄你睡觉

    • user：就是用户提问的问题

    • assisant：是大模型的回答

• stream：true，代表响应结果流式返回；false，代表响应结果一次性返回，但需要等待

注意，这里请求参数中的messages是一个消息数组，而且其中的消息要包含两个属性：

• role：消息对应的角色

• content：消息内容

其中System和User消息的内容，也被称为提示词（Prompt），也就是用户发送给大模型的指令。

• System提示词，是系统指令，给大模型设定一个角色，比如你让她扮演你的奶奶，让她哄你睡觉

• User提示词，是用户指令，也就是用户向大模型的提问或命令

通常消息的角色有三种：

角色	描述	示例
system	优先于user指令之前的指令，也就是给大模型设定角色和任务背景的系统指令	你是一个乐于助人的编程助手，你以小团团的风格来回答用户的问题。
user	终端用户输入的指令（类似于你在ChatGPT聊天框输入的内容）	写一首关于Java编程的诗
assistant	由大模型生成的消息，可能是上一轮对话生成的结果	注意，用户可能与模型产生多轮对话，每轮对话模型都会生成不同结果。

然后apifox测试一下

注意写好headers和用密钥

本地部署需要用ollama

教程可见我之前文章ollama部署本地和云端大模型实践以及dify中配置ollama和dify日志查看-CSDN博客\

我本地已经装了ollama还有qwen3:8b

http://127.0.0.1:11434/api/chat

大模型每次调用都是独立的,为了保持记忆必须在每次请求时，将之前所有对话的历史拼接好，传递给对话API接口

要想让AI具备记忆，就必须把对话历史都添加到请求体中的messages数组中，像这样：

{
    "model": "deepseek-chat",
    "messages": [
      {"role": "system", "content": "You are a helpful assistant."},
      {"role": "user", "content": "12个苹果分给3个人，每人能分几个？直接告诉我答案"},
      {"role": "assistant", "content": "每人可以分到4个苹果。"},
      {"role": "user", "content": "如果是分给4个人呢？"}
    ],
    "stream": false
  }

安装uv管理Python版本

打开cmd

# 创建一个名为 `venv` 的虚拟环境（默认目录）
uv venv

# 指定虚拟环境名称或路径
uv venv myenv

#激活
.\myenv\Scripts\activate

uv pip install langchain
uv pip install ollama
uv pip install fastapi uvicorn
uv pip install openai

pycharm新版,2025.26年以上的才有uv.我之前是24.3.所以一直不行,需要重新下载pycharm

创建好试一下

然后我们uv add notebook

新建一个Jupiter

接着我们看看云端的sdk和api的区别

这个都是百炼平台的

这是openAI的SDK调用方式(我们专门实践一下)

import os
from openai import OpenAI

# 注意: 不同地域的base_url不通用（下方示例使用北京地域的 base_url）
# - 华北2（北京）: https://dashscope.aliyuncs.com/compatible-mode/v1
# - 美国（弗吉尼亚）: https://dashscope-us.aliyuncs.com/compatible-mode/v1
# - 新加坡: https://dashscope-intl.aliyuncs.com/compatible-mode/v1
# - 德国（法兰克福）: https://{WorkspaceId}.eu-central-1.maas.aliyuncs.com/compatible-mode/v1，请将WorkspaceId替换为业务空间ID
client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"),
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3.6-plus",
    messages=[{'role': 'user', 'content': '你是谁？'}]
)
print(completion.choices[0].message.content)

还有url的api调用方式

curl -X POST https://dashscope.aliyuncs.com/compatible-mode/v1/chat/completions \
-H "Authorization: Bearer $DASHSCOPE_API_KEY" \
-H "Content-Type: application/json" \
-d '{
    "model": "qwen3.6-plus",
    "messages": [
        {
            "role": "user",
            "content": "你是谁？"
        }
    ]
}'

我们动手实测一下

报错可见没安装这个包

uv pip install openai jupyter python-dotenv

测试完sdk调用后,我们做第一个agent

首先安装依赖

uv pip list #查看一下有什么依赖

没有longchain,安装他,注意调用 阿里云百炼 / 通义千问 Qwen 系列模型，用 langchain-openai 就是对的因为百炼、通义千问都兼容 OpenAI 接口格式，直接用这个包就行

首先uv add langchain

其次 uv add langchain-openai

开发agent流程: 1.加载环境变量2.定义工具;3.定义agent.4.调用agent

1.还是用dotenv去获取

2.定义工具

必须记住 3 个关键点

1. @tool 必须写在函数上面
2. 文档字符串是给 AI 看的说明书，必须写清楚
3. AI 靠描述判断用不用工具

# 从 LangChain 工具模块导入 tool 装饰器
from langchain.tools import tool
# 装饰器：把普通函数 → 变成 AI 能用的 LangChain Tool
@tool
# 定义一个普通函数
def get_weather(location: str) -> str:
"""
Get the weather in a given location.
Args:
    location: city name or coordinates
"""
return f"Current weather in {location} is sunny"
# 直接像函数一样用
print(get_weather.invoke("北京"))

逐行语法

# 从 LangChain 工具模块导入 tool 装饰器
from langchain.tools import tool

# 装饰器：把普通函数 → 变成 AI 能用的 LangChain Tool
@tool

@tool 是魔法标记加了它，函数就会自动变成：

• 有名字
• 有描述
• 能被 AI 调用的工具

不加，AI 不认识！

# 定义一个普通函数
def get_weather(location: str) -> str:

• get_weather：工具名
• location: str：参数是字符串（城市名）
• -> str：返回字符串

"""
Get the weather in a given location.
Args:
    location: city name or coordinates
"""

这是最重要的部分！这叫 文档字符串（docstring）AI 就是靠看这个注释，决定要不要调用这个工具！

AI 会看：

• 这个工具是干嘛的？
• 要传什么参数？
• 参数什么意思？

你写得越清楚，AI 用得越准！

return f"Current weather in {location} is sunny"

函数真正执行的逻辑（模拟天气）

---

核心原理（一句话讲透）

@tool = 把你的 Python 函数 → 包装成 AI 大模型能看懂、能调用的工具

流程是这样的：

1. 你写函数
2. 加 @tool 变成工具
3. AI 看文档字符串知道工具功能
4. AI 判断：我需要用这个工具
5. AI 自动调用它
6. 拿到结果继续回答你

from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from dotenv import load_dotenv
import os

load_dotenv()

# 创建LLM
llm = ChatOpenAI(
    model="qwen3-max",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL"),
)

# 👉 新版 LangChain 必须用 model= ，不是 llm=
agent = create_agent(
    model=llm,         # 这里是 model！不是 llm！
    tools=[get_weather]
)

 Agent如何知道工具信息

你现在正在做 Agent 工具调用（查天气），这就是 MCP 的雏形：

• LangChain 是自己的私有工具协议
• MCP 是行业通用标准工具协议

未来：你写好一个 MCP 天气工具，通义千问、DeepSeek、GPT 的 Agent 都能直接调用，不用改代码。

MCP = Model Context Protocol（模型上下文协议）由 Anthropic（Claude 所属公司）推出，是开源、通用、标准化的通信协议，用来解决：

大模型 ↔ 本地文件、数据库、浏览器、API、代码编辑器、第三方工具 的统一对接问题