Python+新版DeepSeek V3轻松开发Agent

1 简介

大家好我是费老师，前几天新版deepseek v3模型（代号250324）更新发布。作为支持函数调用的先进开源大模型，我们可以基于它进行高效的agent功能开发，这也是当下非常火热?的ai应用领域。

今天的文章中，我就将带大家以Python生态中非常好用的Agent开发框架pydantic-ai为例，演示如何接入国内主流的DeepSeek V3服务，轻松实现常见的Agent开发相关功能。

2 基于pydantic-ai高效构建Agent2.1 pydantic-ai运行环境的搭建

为方便演示，我们从虚拟环境的建立开始，以conda/mamba为例，建立示例Python虚拟环境，你也可以使用你习惯的其他工具建立环境：

代码语言：javascript代码运行次数：0运行复制

mamba create -n llm-agent-dev python=3.10 -y

登录后复制

激活对应环境：

代码语言：javascript代码运行次数：0运行复制

mamba activate llm-agent-dev

登录后复制

市面上常见的DeepSeek服务一般都兼容openai标准，因此我们不必安装完整的pydantic-ai，执行下面的命令，仅安装openai标准相关的核心依赖即可（额外安装的jupyterlab是为了方便下文中做演示）：

立即学习“Python免费学习笔记（深入）”；

代码语言：javascript代码运行次数：0运行复制

pip install "pydantic-ai-slim[openai]" jupyterlab

登录后复制

完成上面的环境搭建后，终端执行下列命令启动jupyterlab，接下来我们所有的示例代码都在jupyterlab中运行：

代码语言：javascript代码运行次数：0运行复制

jupyter lab

登录后复制

⚠️需要注意的是，在jupyter环境中，请在所有代码之前，先执行一遍下列代码，否则后续的pydantic-ai部分代码会运行出错：

代码语言：javascript代码运行次数：0运行复制

import nest_asyncionest_asyncio.apply()

登录后复制2.2 定义模型提供源

为了能以兼容openai标准的形式，在pydantic-ai中调用国内常用的各种DeepSeek服务源，我们需要基于pydantic-ai中的OpenAIProvider来自定义模型提供源：

代码语言：javascript代码运行次数：0运行复制

from pydantic_ai.providers.openai import OpenAIProvider

登录后复制

譬如，接入DeepSeek官方开放平台：

代码语言：javascript代码运行次数：0运行复制

# 示例1：DeepSeek官方deepseek_provider = OpenAIProvider(    base_url='https://api.deepseek.com',     api_key='')

登录后复制

或是接入火山方舟平台：

代码语言：javascript代码运行次数：0运行复制

# 示例2：火山方舟ark_deepseek_provider = OpenAIProvider(    base_url='https://ark.cn-beijing.volces.com/api/v3',     api_key='')

登录后复制2.3 定义模型实例

有了已定义的模型提供源对象后，接下来我们就可以进行模型实例的定义，参考下列代码：

代码语言：javascript代码运行次数：0运行复制

from pydantic_ai.models.openai import OpenAIModel# 示例1：DeepSeek官方deepseek_model = OpenAIModel(    # 这里deepseek-chat对应目前最新的非深度思考模型V3    'deepseek-chat',    provider=deepseek_provider)# 示例2：火山方舟ark_deepseek_model = OpenAIModel(    '',    provider=ark_deepseek_provider)

登录后复制

有关在火山方舟平台中创建模型id及api key的具体步骤，请在玩转Dash公众号后台回复关键词火山方舟查看相应的短视频教程：

2.4 构建Agent

做好前面的准备后，我们接下来就可以开始编写Agent了，需要使用到pydantic-ai中的Agent类：

代码语言：javascript代码运行次数：0运行复制

from pydantic_ai import Agent

登录后复制2.4.1 最简单的Agent

我们从一个非常简单的Agent出发，实现一个文本情感分析智能助手，其中对于Agent()：

其第一个位置参数传入模型实例对象；参数result_type用于约束最终返回结果的格式，这里我们简单的设置为bool型；参数system_prompt用于设置Agent的系统提示词内容；代码语言：javascript代码运行次数：0运行复制

# 定义Agentagent = Agent(    ark_deepseek_model,    result_type=bool,    system_prompt='你是一个文本情感分析智能助手，认真分析用户输入的内容，并判断其是否呈现积极情感')

登录后复制

针对已构建的Agent实例对象，pydantic-ai中提供了多种调用方式，本文以最基础的run_sync()同步调用方式为例，调用完成后通过其data属性获取计算结果，可以看到计算结果正确遵守了参数result_type的设定：

2.4.2 输出结果格式控制

通过上面的例子get到pydantic-ai中编写Agent并调用的基础方式后，下面我们为Agent定义复杂一些的计算返回结果格式，pydantic-ai与pydantic出自同一团队，因此在数据格式校验等方面一脉相承非常的方便：

代码语言：javascript代码运行次数：0运行复制

from typing import Listfrom pydantic import BaseModel, Field# 示例结果格式约束类class DemoResult(BaseModel):    is_positive: bool = Field(description='是否为积极情感')    keywords: List[str] = Field(description='有关具体商品要素的简短名词，如无则输出[]')# 定义Agentagent = Agent(    ark_deepseek_model,    result_type=DemoResult,    system_prompt='你是一个文本情感分析智能助手，认真分析用户输入的内容，对其进行情感倾向分析')

登录后复制

调用并查看结果，非常准确且稳定：

2.4.3 更复杂的输出结果格式控制

在上面例子的基础上，我们定义更复杂的计算结果格式约束，譬如我们命令智能体在计算结果中，需要增加字段score，取值需要在-1到1之间，用来衡量情感倾向程度：

代码语言：javascript代码运行次数：0运行复制

# 示例结果格式约束类class DemoResult(BaseModel):    is_positive: bool = Field(description='是否为积极情感')    keywords: List[str] = Field(description='有关具体商品要素的简短名词，如无则输出[]')    score: float = Field(        description='情感倾向分数，取值范围在-1到1之间，越大越积极，0表示中性',         ge=-1, # 约束数值下限        le=1# 约束数值上限    )# 定义Agentagent = Agent(    ark_deepseek_model,    result_type=DemoResult,    system_prompt='你是一个文本情感分析智能助手，认真分析用户输入的内容，对其进行情感倾向分析')

登录后复制

调用并查看结果，完美?：

2.5 工具调用

在此基础上，让我们编写的Agent支持工具调用也非常的简单，譬如下面的例子中，我们定义的智能体需要根据输入的问题内容，自动判断并执行自定义函数get_today()、get_now()：

代码语言：javascript代码运行次数：0运行复制

from pydantic_ai import Toolfrom datetime import datetimedef get_today() -> str:    """计算当前的日期"""    return datetime.now().strftime('%Y-%m-%d')def get_now() -> str:    """计算当前的时间"""    return datetime.now().strftime('%Y-%m-%d %H:%M:%S')# 定义Agentagent = Agent(    ark_deepseek_model,    tools=[        Tool(get_today),        Tool(get_now),    ],    system_prompt='请你调用合适的工具函数完成任务，并用中文回答结果，如果没有适合调用的函数就回复“我无法处理本次任务”')

登录后复制

示例调用结果如下，可以看到，我们编写的Agent根据输入的不同提问内容，准确判断并完成了相关工具函数的调用，最终分别给出了妥当的计算结果：

2.6 处理多轮对话

在前面的例子中，我们每次调用Agent都是独立执行了run_sync('问题内容')，这样的每次调用都是单轮对话，不会有上下文记忆，通过下面的例子可以看出这个特点：

若需要在针对具体Agent的持续调用中，实现多轮对话效果，只需要将上一步调用结果的new_messages()内容，通过参数message_history传递即可，这样我们的Agent就像下面展示的那样具有了上下文记忆能力：

除此之外，Agent调用结果对应的new_messages()内容，还可以与JSON格式进行互转，这在很多AI应用开发场景中非常的受用：

除了本文介绍的基础功能外，pydantic-ai还支持mcp等丰富的智能体开发常用功能，欢迎大家持续关注我们的相关教程文章?。

更多参考资料：

pydantic-ai官网：https://ai.pydantic.dev/pydantic-ai仓库：https://github.com/pydantic/pydantic-ai