基于新版DeepSeek V3，轻松开发大模型智能体Agent

大家好，前几天新版DeepSeek V3 模型更新发布。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。

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：

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

激活对应环境：

mamba activate llm-agent-dev

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）：

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

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：

jupyter lab

⚠️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：

import nest_asyncio nest_asyncio.apply()

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_：

from pydantic_ai.providers.openai import OpenAIProvider

譬如，接入DeepSeek官方开放平台：

# 示例1：DeepSeek官方 deepseek_provider = OpenAIProvider( base_url='https://api.deepseek.com', api_key=' 
    <填入你的api key="">
      ' 
     )

或是接入_火山方舟_平台：

# 示例2：火山方舟 ark_deepseek_provider = OpenAIProvider( base_url='https://ark.cn-beijing.volces.com/api/v3', api_key=' 
    <填入你的api key="">
      ' 
     )

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：

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( ' 
    <请填写你在火山方舟控制中创建的推理点id>
      ' 
    , provider=ark_deepseek_provider )

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：

from pydantic_ai import 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；

# 定义Agent agent = 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' )

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：

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：

from typing import List from 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Agent agent = 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' )

调用并查看结果，非常准确且稳定：

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：

# 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Agent agent = 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' )

调用并查看结果，完美：

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()：

from pydantic_ai import Tool from datetime import datetime def 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Agent agent = 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”' )