NetworkSearchAgent/
├── agent.py                      # ⭐ LangGraph 入口 (定义 agent)
├── langgraph.json               # ⭐ LangGraph 配置
├── pyproject.toml               # 依赖管理
├── .env.example                 # 环境变量模板
├── README.md                    # 完整文档
└── network_search_agent/        # Agent 包
    ├── __init__.py              # 包初始化
    ├── tools.py                 # 工具: internet_search
    └── prompts.py               # 提示词: SYSTEM_PROMPT

✨ 功能特性

保留的核心功能

✅ 网络搜索工具 (internet_search) - 使用 Tavily API
✅ DeepSeek 模型集成 - 作为推理引擎
✅ 系统提示词 - 定义 Agent 行为
✅ LangGraph Studio 兼容 - 可在 Studio 中可视化调试

移除的功能

❌ Sub Agent (子代理)
❌ Think Tool (思考工具)
❌ 其他高级特性

🚀 快速开始

1. 安装依赖

使用 pip 安装:

cd NetworkSearchAgent
pip install -e .

或使用 uv (推荐):

cd NetworkSearchAgent
uv pip install -e .

2. 配置环境变量

复制环境变量模板:

cp .env.example .env

编辑 .env 文件,填入你的 API 密钥:

DEEPSEEK_API_KEY=your_deepseek_api_key_here
DEEPSEEK_BASE_URL=https://api.deepseek.com
TAVILY_API_KEY=your_tavily_api_key_here

获取 API 密钥

DeepSeek: 访问 https://www.deepseek.com/
Tavily: 访问 https://tavily.com/

3. 使用 LangGraph CLI 运行

启动开发服务器

langgraph dev

这将启动 LangGraph Studio 服务器,你可以在浏览器中访问可视化界面。

测试 Agent

langgraph test

🎯 使用 LangGraph Studio

启动 Studio

cd NetworkSearchAgent
langgraph dev

启动后,访问浏览器打开的 Studio 界面,你可以:

📊 可视化查看 Agent 的执行流程
🔍 调试每一步的输入输出
🧪 交互式测试 Agent 功能
📝 查看工具调用详情

Studio 特性

实时可视化: 查看 Agent 的思考过程和工具调用
断点调试: 在关键节点暂停并检查状态
历史记录: 回顾之前的对话和执行流程
性能分析: 查看每步的耗时和资源使用

📝 代码说明

核心文件

1. `langgraph.json`

LangGraph 配置文件,定义 Agent 入口:

{
  "dependencies": ["."],
  "graphs": {
    "simple_agent": "./agent.py:agent"
  },
  "env": ".env"
}

2. `agent.py`

主 Agent 定义文件:

from langchain.chat_models import init_chat_model
from deepagents import create_deep_agent
from network_search_agent.prompts import SYSTEM_PROMPT
from network_search_agent.tools import internet_search

# 初始化模型
model = init_chat_model(
    model="deepseek:deepseek-chat",
    temperature=0.0
)

# 创建 Agent (仅包含基础工具,无 sub-agent)
agent = create_deep_agent(
    model=model,
    tools=[internet_search],
    system_prompt=SYSTEM_PROMPT,
)

3. `network_search_agent/tools.py`

工具定义:

def internet_search(
    query: str,
    max_results: int = 5,
    topic: Literal["general", "news", "finance"] = "general",
    include_raw_content: bool = False,
):
    """网络搜索工具"""
    result = tavily_client.search(...)
    return result

4. `network_search_agent/prompts.py`

系统提示词定义:

SYSTEM_PROMPT = """你是一个智能助手...
"""

🔧 自定义配置

更换模型

编辑 agent.py 中的模型配置:

# 使用 OpenAI
model = init_chat_model(
    model="openai:gpt-4",
    temperature=0.0
)

# 使用 Anthropic
model = init_chat_model(
    model="anthropic:claude-3-5-sonnet-20241022",
    temperature=0.0
)

添加新工具

在 network_search_agent/tools.py 中定义新工具:

def my_new_tool(param: str):
    """My new tool description"""
    # 工具实现
    return result

在 agent.py 中添加到工具列表:

agent = create_deep_agent(
    model=model,
    tools=[internet_search, my_new_tool],  # 添加新工具
    system_prompt=SYSTEM_PROMPT,
)

在 network_search_agent/__init__.py 中导出:

from network_search_agent.tools import internet_search, my_new_tool

__all__ = ["internet_search", "my_new_tool", ...]

自定义提示词

编辑 network_search_agent/prompts.py:

SYSTEM_PROMPT = """你的自定义提示词...
"""

📚 LangGraph Studio 文档

详细文档请参考:

🆚 与完整版的区别

特性	简化版 (本项目)	完整版
网络搜索	✅	✅
基础对话	✅	✅
系统提示词	✅	✅
LangGraph Studio	✅	✅
Sub Agent	❌	✅
Think Tool	❌	✅
复杂工作流	❌	✅

🐛 常见问题

Q: 如何查看 Agent 执行日志?

启动时使用 langgraph dev --verbose 查看详细日志。

Q: 如何在 Studio 中测试?

运行 langgraph dev
打开浏览器访问显示的 URL
在界面中输入测试问题

Q: 依赖安装失败?

确保 Python 版本 >= 3.11,使用 uv 或创建虚拟环境:

python -m venv venv
source venv/bin/activate  # Linux/Mac
pip install -e .

Q: 如何部署到生产环境?

参考 LangGraph Cloud 部署文档

📄 许可证

MIT License

🔄 更新日志

v0.1.0 (2025-12-02)

✅ 初始版本
✅ 符合 LangGraph Studio 标准结构
✅ 实现基础 Agent 功能
✅ 集成网络搜索工具
✅ 移除 sub-agent 和 think tool

README.md

Network Search Agent

📁 项目结构