{ "cells": [ { "cell_type": "code", "execution_count": 1, "id": "9a522a13", "metadata": {}, "outputs": [], "source": [ "import os\n", "from dotenv import load_dotenv\n", "\n", "load_dotenv(override=True)\n", "\n", "deepseek_api_key = os.environ.get('DEEPSEEK_API_KEY')\n", "deepseek_base_url = os.environ.get('DEEPSEEK_BASE_URL')\n", "\n" ] }, { "cell_type": "code", "execution_count": 2, "id": "032f9d40", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "环境变量检查完成\n", "DEEPSEEK_BASE_URL 已设置\n", "DEEPsEEK_BASE_URL:https://api.deepseek.com\n" ] } ], "source": [ "if not deepseek_api_key:\n", " print(\"警告:未找到 OPENAI_API_KEY 或 DEEPSEEK_API_KEY 环境变量\")\n", " print(\"请至少设置其中一个:\")\n", " print(\" export OpENAI_API_KEY='your-openai-api-key'\")\n", " print(\" 或\")\n", " print(\" export DEEPSEEK_API_KEY-'your-deepseek-api-key'\")\n", " raise ValueError(\"至少需要设置 OPENAI_API_KEY 或 DEEPSEEK_API_KEY\")\n", "\n", "print(\"环境变量检查完成\")\n", "if deepseek_base_url:\n", " print(\"DEEPSEEK_BASE_URL 已设置\")\n", " print(f\"DEEPsEEK_BASE_URL:{deepseek_base_url}\")" ] }, { "cell_type": "code", "execution_count": 3, "id": "3f92be69", "metadata": {}, "outputs": [], "source": [ "from openai import OpenAI\n", "\n", "client = OpenAI(api_key=deepseek_api_key,\n", " base_url=deepseek_base_url)\n", "\n", "response = client.chat.completions.create(\n", " model=\"deepseek-chat\",\n", " messages=[\n", " {\"role\": \"user\", \"content\": \"你好\"}\n", " ]\n", ")" ] }, { "cell_type": "code", "execution_count": 4, "id": "8f2e7217", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "你好！很高兴见到你！😊 我是DeepSeek，由深度求索公司创造的AI助手。无论你有什么问题、需要什么帮助，或者只是想聊聊天，我都很乐意为你提供支持！\n", "\n", "我可以帮你：\n", "- 回答各种问题\n", "- 协助写作和创作\n", "- 分析文档和文件\n", "- 提供学习指导\n", "- 进行日常对话\n", "- 还有很多其他功能！\n", "\n", "有什么我可以为你做的吗？请随时告诉我你的需求～ ✨\n" ] } ], "source": [ "print(response.choices[0].message.content)" ] }, { "cell_type": "code", "execution_count": 6, "id": "1d91d8ba", "metadata": {}, "outputs": [], "source": [ "from langchain.chat_models import init_chat_model\n", "\n", "model = init_chat_model(\n", " api_key=deepseek_api_key,\n", " base_url=deepseek_base_url,\n", " model_provider=\"deepseek\",\n", " model=\"deepseek-chat\"\n", ")" ] }, { "cell_type": "code", "execution_count": 7, "id": "a99409b7", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "你好！我是DeepSeek，由深度求索公司创造的AI助手，很高兴认识你！😊\n", "\n", "关于我的资料库截止日期，我需要诚实地告诉你：我目前的知识截止时间是**2024年7月**。这意味着我对于2024年7月之后的事件和信息可能了解有限。\n", "\n", "不过，我有一些实用的功能可以弥补这个限制：\n", "- **联网搜索功能**：虽然需要你在Web/App中手动开启，但开启后我可以帮你获取最新信息\n", "- **文件上传能力**：支持图像、txt、pdf、ppt、word、excel等多种格式，我可以读取其中的文字信息来帮助你\n", "- **128K上下文长度**：能够处理较长的对话和文档\n", "\n", "我的其他特点包括：\n", "- 完全免费使用，没有收费计划\n", "- 纯文本模型，专注于文字交流和处理\n", "- 支持通过官方应用商店下载App\n", "\n", "有什么具体问题我可以帮你解答吗？无论是学习、工作还是生活中的疑问，我都很乐意协助你！✨\n" ] } ], "source": [ "question = '你好，介绍你自己。资料库截至日期是哪一天？'\n", "\n", "result = model.invoke(question)\n", "print(result.content)" ] }, { "cell_type": "code", "execution_count": 8, "id": "f8e84e79", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Tavily客户端初始化成功\n", "功能:提供实时互联网搜索能力\n", "配额:1000 次/月(免费版)\n" ] } ], "source": [ "from tavily import TavilyClient\n", "\n", "tavily_key = os.getenv(\"TAVILY_API_KEY\")\n", "\n", "# initialize Tavily client\n", "tavily_client = TavilyClient(api_key=tavily_key)\n", "\n", "print(\"Tavily客户端初始化成功\")\n", "print(\"功能:提供实时互联网搜索能力\")\n", "print(\"配额:1000 次/月(免费版)\")" ] }, { "cell_type": "code", "execution_count": 9, "id": "84e488b4", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "{'query': '介绍一下 Langchain 的 Deepagents 框架，已经该框架在企业财务领域的运用案例。注意：用中文回答', 'follow_up_questions': None, 'answer': None, 'images': [], 'results': [{'url': 'https://www.youtube.com/watch?v=W1js-VzhyiU', 'title': '2026 必学！LangChain 最新V1.x 版本全家桶LangChain ... - YouTube', 'content': '如果说 这个Agent不能满足你实际的业务需求 你可以基于LangGraph这个框架 自己去定义自己的Agent 也就是自己去定义自己的工作流 那第二个最主要的变化 就是标准化的消息内容格式 模型API已经从只返回简单文本 字符串的消息 引进为可以返回更复杂的输出类型 例如推理快引用服务器端工具调用等 为此LangChain也相应引进了其消息格式 用于在不同模型提供商之间 对这些输出进行标准化 当然这一块呢 它是对于消息格式 整个在底层进行了一个 全新的一个重构 所以这个大家也可以基于它的官网 去详细看一下 那对于官网的话 这边我是提供了它的三个官方文档 一个是LangChain 一个是LangGraph 还有个就是LangSmith的 那大家在实际开发的过程中 一定要去查阅它的官方文档 它的官方文档 是你最好最好的一个帮手 那这边给大家看一下 比如说LangChain它的官方文档 大家打开之后在这边 里面有LangChain、LangGraph 以及它新开源的一个Deep Agents 那这边大家在开发的过程中 就可以去参考这些文档 里面基本上描述的都是非常的清楚的 包括它整个的一个架构 设计的理念等等 大家都可以先去了解一下 包括LangGraph 那这边的话就是大家 还有一个就是LangSmith 那LangSmith的话这边也有非常详细 的呃功能的介绍 那这边的话 我就暂时给大家看到这个地方 我们在后面 给大家去分享实际的应用案例的时候 再结合着这个文档 给大家去做进一步的分享 那关于本项目 后面给大家分享的一系列视频 我都会把相关的视频链接 放在视频合集下方 方便大家去查找 那本期视频就为大家分享到这里 如果大家觉得这个系列的视频 对你会有所帮助的话 也希望提前关注南哥AGI研习社 那我们下期视频再见 [...] 那在V0版本的时候 Agent是直接从LangGraph这个包里面 我们直接去使用的 去引用的 那现在呢 改变成从LangChain这个包里面 直接去使用Agent 那这个是第一个变化 那第二块呢 就是LangChain在V0版本中 一个非常核心的概念和 功能就是Chain 那在V1版本中 它把它给封装到了 一个更高级的抽象里面去了 就是你在V1版本中 不需要再去定义这个Chain 那关于这个Chain 我在我之前的视频 给大家分享LangChain这个框架的时候 给大家实现了一个应用案例 就是关于流量套餐的客服机器人 那这个里面 其实就是使用的LangChain里面的Chain 给大家去实现的 其实大家可以简单理解一下 其实就是把你所要实现的功能 每个功能模块给它 以链式的方式给它连接起来 比如说你要定义prompt 那prompt定义完成之后 你可能要去做一个知识库的检索 那它下一个一个步骤就是进行retrieve 紧接着把它检索到的知识 结合你自己提供的prompt给到大模型 那大模型完成生成之后 再去把生成的内容给到下一个步骤 比如说你要去做一个格式化的输出 那整个的一个连接就是一个链式的 这样的一个传递 所以这个就是Chain 那在V1版本中 我们就不需要再去定义 这么偏底层的这个Chain了 我们只需要基于它现在使用Chain和Agent 把它统一高级抽象之后 所给到我们的接口 我们直接去使用就可以了 那这边给到我们接口 就是在给了我们一个Agent 当然这个Agent就是基于它 官方已经提前帮我们预定义好的 一些Agent 我们可以直接去使用 比如说它里面一个比较 推荐大家去使用 就是基于ReAct架构所实现的Agent 那么就可以直接去使用它 如果说 这个Agent不能满足你实际的业务需求 你可以基于LangGraph这个框架 自己去定义自己的Agent [...] 大家好 我是坚持AGI知识开源分享的南哥 所有源文件免费提供 本开源项目 会为大家分享一系列关于LangChain 最新V1版本 LangGraph LangSmith 以及新开源的DeepAgents 等框架开发经验 那所有分享的全部视频 涉及到的源码 操作说明文档等全部资料 都是开源分享给大家的 我会在每期视频中 给大家提供免费的下载链接 那在我往期的开源项目中 也给大家分享过LangChain生态 那里面包含对于LangChain 对于LangGraph 以及LangSmith相关的开发经验的分享 那因为之前给大家分享的时候 LangChain生态的版本还是在V0这个版本 那去年10月份的话 LangChain已经发布了最新的V1版本所以 接下来就是给大家分享 LangChain最新架构的这个V1版本 下面我们如何去开发LangChain 所以里面会包含一系列的从基础的 以及慢慢到进阶的 相关的开发经验的分享 那也希望大家持续关注南哥 南哥AGI研习社 那接下来呢 还是先给大家介绍一下LangChain生态 那官方生态包括开源库 里面包含两种语言的 LangChain的包 一个是Python 一个是JS 两种语言 那底层编排框架LangGraph 以及用于评测与观测的LangSmith 形成从开发到上线的完整链路 那现在V1版本 LangChain中的Agent 是构建在LangGraph之上的 LangChain提供上层易用API LangGraph提供底层有状态 有分支循环的图式执行引擎 那这边的话 主要是介绍了 LangChain和LangGraph之间的关系 那对于现在V1版本的话 LangChain是建立在LangGraph之上的一层 更高阶的 API的封装 大家可以这么理解 那LangGraph呢 主要是提供底层的 一些相关的开发接口 提供有状态', 'score': 0.71995544, 'raw_content': None}, {'url': 'http://junyao.tech/posts/e3e44822.html', 'title': 'DeepAgents · 深度智能体 - 俊瑶先森', 'content': '# DeepAgents · 深度智能体\\n\\n发表于 阅读次数： 阅读次数：\\n\\n## 一、DeepAgents 深度研究智能体应用\\n\\nDeepAgents 是 LangChain 团队开源的一款高性能智能体框架，专为长周期、高复杂度任务设计。基于 LangChain 和 LangGraph 构建，通过内置的任务规划、文件系统、子智能体等能力，让智能体能够更高效地完成复杂、多步骤的任务，而无需开发者从零搭建底层逻辑。\\n\\n### 技术架构\\n\\n本文基于 LangChain DeepAgents + Tavily Search API，快速构建一个可深度研究的智能体应用。其中 Tavily Search API 采用封装为 MCP Server 的方式提供给智能体调用。\\n\\n实验配置：\\n\\n 模型：自建模型（兼容 OpenAI API 格式）\\n 搜索 API：Tavily Search API（封装为 MCP Server）\\n 整体流程：DeepAgents → MCP Tools → Tavily API\\n\\n### 相关资源\\n\\n 官方文档：\\n Github 地址：\\n Tavily Search API 文档：\\n\\n### 主要依赖版本\\n\\n| | |\\n --- |\\n| ``` 1 2 3 4 5 6 7 ``` | ``` tavily-python==0.7.12mcp==1.9.2langchain==1.1.3langchain-mcp-adapters==0.1.4langgraph==1.0.5fastapi==0.115.14python-dotenv==1.0.0 ``` |\\n\\n### 环境配置\\n\\n创建 `.env` 文件，配置自建模型信息：', 'score': 0.6912478, 'raw_content': None}, {'url': 'https://wenwender.wordpress.com/2025/12/04/langchain-vs-langgraph-vs-deepagents%EF%BC%9A%E8%A9%B2%E9%81%B8%E5%93%AA%E5%80%8B-ai-agent-%E6%A1%86%E6%9E%B6%EF%BC%9F%E5%AE%8C%E6%95%B4%E5%A0%B4%E6%99%AF%E5%B0%8D%E6%AF%94%E6%8C%87%E5%8D%97/', 'title': 'LangChain vs LangGraph vs DeepAgents：該選哪個AI Agent 框架 ...', 'content': '【Key Takeaways】\\n\\nFramework Summary:\\n\\n LangChain: 快速原型、簡單任務、入門首選\\n LangGraph: 複雜工作流、生產環境、狀態管理\\n DeepAgents: 自主推理、開放任務、前沿應用\\n\\nDecision Criteria:\\n\\n1. Complexity → 任務複雜度決定框架\\n2. Control → 控制需求影響選擇\\n3. Cost → 預算限制考量因素\\n4. Timeline → 開發時間權衡取捨\\n\\nLearning Path:\\n\\n```\\nWeek 1-2: 掌握 LangChain 基礎 Week 3-4: 學習 LangGraph 處理複雜工作流 Week 5+: 探索 DeepAgents 進階使用案例 \\n```\\n\\n【Action Items】\\n\\nImmediate Next Steps:\\n\\n1. 使用檢查清單評估你的專案需求\\n2. 從 LangChain 開始學習和原型開發\\n3. 當複雜度增加時遷移到 LangGraph\\n4. 為研究專案實驗 DeepAgents\\n\\nLong-term Strategy:\\n\\n1. 建立所有三個框架的專業知識\\n2. 為生產環境設計混合架構\\n3. 持續關注生態系統發展\\n4. 貢獻開源社群\\n\\n【Resources】\\n\\nOfficial Documentation:\\n\\n LangChain Docs\\n LangGraph Docs\\n DeepAgents Docs\\n\\n【Final Thoughts】\\n\\n選擇框架不是非黑即白的決策，而是根據具體需求、團隊能力、專案階段做出的權衡。\\n\\n記住：\\n\\n 從簡單開始：LangChain 入門\\n 按需升級：複雜度增加時遷移到 LangGraph\\n 探索創新：前沿需求嘗試 DeepAgents\\n 混合使用：發揮各框架優勢 [...] 【Core Knowledge】 DeepAgents 是一個用於建構進階 AI agents 的框架，能夠：\\n\\n1. Autonomous Reasoning：獨立做出複雜決策\\n2. Deep Planning：將複雜目標分解為可執行步驟\\n3. Self-Reflection：評估和改進自己的輸出\\n4. Tool Orchestration：智能選擇和串聯多個工具\\n\\n【Core Capabilities】 DeepAgents 引入了：\\n\\n ReAct Pattern：在迭代循環中進行推理 + 行動\\n Planning Agents：具有目標分解的多步驟規劃\\n Memory Management：長期和短期記憶系統\\n Self-Correction：自主檢測和修正錯誤的能力\\n\\n【Use Cases】 DeepAgents 設計用於：\\n\\n 複雜的研究和分析任務\\n 自主問題解決場景\\n 需要深度推理鏈的應用\\n 多領域知識整合\\n 具有高度不確定性和模糊性的任務\\n\\n【Why Use DeepAgents】\\n\\n優點：\\n\\n 三個框架中最自主的\\n 最佳的推理和規劃能力\\n 適合尖端 AI 應用\\n 專為複雜、開放式任務設計\\n\\n限制：\\n\\n 最新框架，文件仍在演進中\\n 運算成本較高（更多 LLM 呼叫）\\n 行為可預測性低於腳本化工作流程\\n 需要仔細的 prompt engineering\\n 對於明確定義的任務可能過於複雜\\n\\n【When to Use】 在以下情況使用 DeepAgents：\\n\\n 任務需要多步驟推理\\n 問題複雜且開放式\\n 需要自主決策\\n 有人工監督可用\\n 成本不是主要限制\\n\\n【Related】 ReAct Pattern, Autonomous Agents, Planning Systems, LangGraph\\n\\n## 三大框架核心差異對比 [...] Pattern 2: LangGraph + DeepAgents\\n\\n```\\n使用場景：有監督的自主系統 架構： - LangGraph: 整體工作流編排 - DeepAgents: Graph 中的自主推理節點 好處： - 有監督的自主性 - 兼顧控制與推理能力 - 需要時可退回到腳本化流程 \\n```\\n\\nPattern 3: All Three Combined\\n\\n```\\n使用場景：企業級 AI 平台 架構： - LangChain: 基本整合和簡單 chains - LangGraph: 工作流編排和狀態管理 - DeepAgents: 特定節點的自主推理 好處： - 最大靈活性 - 每個組件都最佳化 - 可擴展且易維護 \\n```\\n\\n【Integration Guidelines】\\n\\n1. Clear Boundaries：明確定義各框架負責的部分\\n2. State Sharing：使用 LangGraph 的 state 作為唯一真實來源\\n3. Error Handling：實作跨框架一致的錯誤處理\\n4. Monitoring：使用統一的可觀測性工具 (LangSmith)\\n5. Testing：獨立測試每個組件以及整合點\\n\\n【Real-World Example】\\n\\n客服平台：\\n\\n LangChain：FAQ 檢索、知識庫搜尋\\n LangGraph：工單流程、升級邏輯、人工轉接\\n DeepAgents：複雜問題診斷和解決\\n\\n【Related】 System Architecture, Integration Patterns, Hybrid Systems\\n\\n## 總結與下一步\\n\\n【Context】 關於如何開始使用 LangChain 生態系統的最終建議。\\n\\n【Key Takeaways】\\n\\nFramework Summary:', 'score': 0.68191797, 'raw_content': None}], 'response_time': 2.52, 'request_id': '856f2507-be13-4262-80c9-9fe6833b966e'}\n" ] } ], "source": [ "query = \"介绍一下 Langchain 的 Deepagents 框架，已经该框架在企业财务领域的运用案例。注意：用中文回答\"\n", "\n", "response = tavily_client.search(\n", " query,\n", " search_depth=\"advanced\",\n", " max_results=3\n", ")\n", "print(response)" ] }, { "cell_type": "code", "execution_count": 10, "id": "21e2b0a9", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "Rich 库已加载，将使用美化输出\n" ] } ], "source": [ "try:\n", " from rich.console import Console\n", " from rich.table import Table\n", " from rich.panel import Panel\n", " RICH_AVAILABLE = True\n", " console = Console()\n", " print(\"Rich 库已加载，将使用美化输出\")\n", "except ImportError:\n", " RICH_AVAILABLE = False\n", " print(\"Rich 库未安装，使用标准输出\")" ] }, { "cell_type": "code", "execution_count": 11, "id": "4ce09ff7", "metadata": {}, "outputs": [], "source": [ "from typing import Literal\n", "\n", "from deepagents import create_deep_agent\n", "\n", "\n", "def internet_search(\n", " query: str,\n", " max_results: int = 5,\n", " topic: Literal[\"general\", \"news\", \"finance\"] = \"general\",\n", " include_raw_content: bool = False,\n", "):\n", " \"\"\"\n", " 运行网络搜索\n", "\n", " 这是一个用于网络搜索的工具函数，封装了 Tavily的搜索功能。\n", " \n", " 参数说明:\n", " - query:搜索查询字符串，例如 \"Python 异步编程教程\"\n", " - max_results:最大返回结果数量，默认为5\n", " - topic:搜索主题类型,可选\"general\"(通用)、\"news\"(新闻)或 \"finance\"(金融)\n", " - include_raw_content:是否包含原始网页内容，默认为 False\n", " \n", " 返回:\n", " - 搜索结果字典，包含标题、URL、摘要等信息\n", " \"\"\"\n", " try:\n", " result = tavily_client.search(\n", " query,\n", " max_results=max_results,\n", " include_raw_content=include_raw_content,\n", " topic=topic\n", " )\n", " return result\n", " except Exception as e:\n", " return {\"error\": f'搜索失败：{str(e)}'}" ] }, { "cell_type": "code", "execution_count": 12, "id": "69be6eec", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "搜索测试结果：\n", "结果数量：3\n", "\n", "标题：DeepSeek V3.2 正式版：强化Agent 能力，融入思考推理\n", "链接：https://api-docs.deepseek.com/zh-cn/news/news251201\n", "摘要:# DeepSeek V3.2 正式版：强化 Agent 能力，融入思考推理. 两个月前，我们发布了实验性的 DeepSeek-V3.2-Exp，并收到了众多热心用户反馈的对比测试结果。目前未发现 V3.2-Exp 在任何特定场景中显著差于 V3.1-Terminus，这验证了 DSA 稀疏注意力机...\n", "\n", "搜索工具测试通过!\n" ] } ], "source": [ "test_result = internet_search(\"检索 Deepseek-v3.2 最新模型的特性\", max_results=3)\n", "\n", "print(\"搜索测试结果：\")\n", "print(f\"结果数量：{len(test_result.get('results', []))}\")\n", "\n", "if test_result.get('results'):\n", " first = test_result['results'][0]\n", " print(f\"\\n标题：{first.get('title', 'N/A')}\")\n", " print(f\"链接：{first.get('url', 'N/A')}\")\n", " print(f\"摘要:{first.get('content','N/A')[:150]}...\")\n", " print(\"\\n搜索工具测试通过!\")\n", "else:\n", " print(\"\\n未获取到搜索结果，请检查网络连接和 API 配额\")" ] }, { "cell_type": "code", "execution_count": 13, "id": "9b5f1591", "metadata": {}, "outputs": [], "source": [ "#系统提示词:指导智能体成为专家研究员\n", "research_instructions = \"\"\"\n", "你是一位资深的 量化基金 财税政策 研究人员。您的工作是进行深入的研究，然后撰写一份内容翔实，来源可靠可追溯的报告。\n", "\n", "你可以通过互联网搜索引擎作为主要的信息收集工具。\n", "\n", "## 互联网搜索\n", "\n", "使用此功能针对给定的查询进行互联网搜索。您可以指定要返回的最大结果数量、主题以及是否包含原始内容。\n", "\n", "在进行研究时:\n", "1.首先将研究任务分解为清晰的步骤\n", "2.使用互联网搜索来收集全面的信息\n", "3.如果内容太大，将重要发现保存到文件中\n", "4.将信息整合成一份结构清晰的报告\n", "5.务必引用你的资料来源\n", "\"\"\"" ] }, { "cell_type": "code", "execution_count": 15, "id": "5aacc97c", "metadata": {}, "outputs": [], "source": [ "# 创建 DeepAgent\n", "agent = create_deep_agent(\n", " model=model,\n", " tools=[internet_search],\n", " system_prompt=research_instructions\n", ")" ] }, { "cell_type": "code", "execution_count": 16, "id": "77c39cfa", "metadata": {}, "outputs": [ { "name": "stdout", "output_type": "stream", "text": [ "## 研究总结\n", "\n", "我已经完成了对粤港两地车牌（FV车牌）相关政策要求的深入研究，并重点分析了广东省内\"外资高新技术企业\"是否可以免税收要求申请FV车牌的问题。以下是我的主要发现：\n", "\n", "### 核心结论\n", "\n", "**是的，广东省内的外资高新技术企业确实可以免税收要求申请FV车牌。**\n", "\n", "### 关键政策要点\n", "\n", "1. **政策依据**：根据2025年省厅粤港澳车牌七项新规，外资高新技术企业可免税申请1个深圳口岸指标以及1个港珠澳指标。\n", "\n", "2. **生效时间**：该政策从2024年5月1日开始实施。\n", "\n", "3. **申请条件**：\n", " - 企业必须持有有效的《国家高新技术企业证书》\n", " - 证书需在有效期内且在\"高新技术企业认定管理工作网\"可查\n", " - 企业需在广东省内注册\n", "\n", "4. **政策优势**：\n", " - **纳税豁免**：免核验纳税情况，不受普通企业纳税额限制\n", " - **指标长期有效**：由原来的5年有效期调整为\"长期有效\"\n", " - **续期便利**：续期时无需提交纳税证明（永久免税）\n", " - **审批快速**：一般可在2-3.5个月内完成\n", "\n", "### 与普通企业的对比\n", "\n", "| 企业类型 | 纳税要求 | 政策导向 | 办理时间 |\n", "|---------|---------|---------|---------|\n", "| 普通外资企业 | 上年度纳税≥15万元或近三年累计≥10万元 | 贡献导向，多纳多得 | 2-6个月 |\n", "| 外资高新技术企业 | **免纳税要求** | 资质导向，政策扶持 | 2-3.5个月 |\n", "| 普通内资企业 | 上年度纳税≥100万元 | 门槛较高，竞争激烈 | 3个月至2年 |\n", "\n", "### 具体办理流程\n", "\n", "1. **准备阶段**：确认资质，准备材料（高新技术企业证书是关键）\n", "2. **网上申请**：通过广东省公安厅交通管理局政务服务网提交\n", "3. **审核阶段**：获得流水号，预约现场交件\n", "4. **批文领取**：审核通过后领取批准通知书\n", "5. **车辆登记**：办理车辆登记手续\n", "6. **海关备案**：完成海关验车和备案\n", "\n", "### 重要提醒\n", "\n", "1. **材料真实性**：必须提供真实有效的高新技术企业证书\n", "2. **政策时效性**：政策可能调整，建议申请前确认最新规定\n", "3. **专业协助**：考虑委托专业服务机构，避免流程错误\n", "4. **合规运营**：获得车牌后需遵守两地交通规则，按时办理年审\n", "\n", "这项政策体现了广东省对高新技术产业的大力支持，通过提供跨境交通便利，吸引和留住高科技企业，促进粤港澳大湾区科技创新和产业升级。\n", "\n", "我已经将完整的研究报告保存为文件，包含了详细的政策分析、办理流程、材料清单和费用说明，可供您参考使用。\n" ] } ], "source": [ "query = '收集 企业申请粤港两地车牌（FV车牌）的相关政策要求，并深入具体研究广东省内的“外资高新技术企业”是否可以免税收要求申请FV拍照。具体办理流程和要求有哪些'\n", "\n", "result = agent.invoke({\n", " \"messages\": [\n", " {\"role\": \"user\", \"content\": query}\n", " ]\n", "})\n", "\n", "print(result[\"messages\"][-1].content)" ] }, { "cell_type": "markdown", "id": "2855bdcb", "metadata": {}, "source": [ "### 使用 LangGraph Stuio 进行可视化" ] }, { "cell_type": "markdown", "id": "caa2df27", "metadata": {}, "source": [] } ], "metadata": { "kernelspec": { "display_name": "play-deepagents", "language": "python", "name": "python3" }, "language_info": { "codemirror_mode": { "name": "ipython", "version": 3 }, "file_extension": ".py", "mimetype": "text/x-python", "name": "python", "nbconvert_exporter": "python", "pygments_lexer": "ipython3", "version": "3.14.2" } }, "nbformat": 4, "nbformat_minor": 5 }