基于LangGraph实现模块化Skills型AI Agent

基于LangGraph+DeepSeek+Serper 实现模块化Skills型AI Agent

在AI Agent的落地实践中，模块化Skills设计是提升Agent可扩展性、可维护性的核心方案——将搜索、计算、文件处理等能力封装为独立Skills，Agent可根据需求自主调用，无需修改核心流程。本文将基于LangGraph、DeepSeek大模型和Serper搜索工具，手把手带你实现一个具备工具调用能力的Skills型AI Agent，同时解决开发中常见的MRO冲突、Pydantic验证等问题，代码可直接复制运行。

一、前言：为什么选择Skills型Agent？

传统AI Agent多采用「硬编码工具调用」的方式，新增能力需修改核心逻辑，耦合度高且难以维护。而Skills型Agent将能力拆分为独立的Skill模块，每个Skill遵循统一接口，具备以下优势：

本次实现的核心技术栈：

• LangGraph：Agent状态管理、流程编排核心框架；
• DeepSeek：提供自然语言理解、工具调用决策、结果生成能力；
• Serper：提供联网搜索能力，封装为独立Skill；
• LangChain：提供工具封装、模型交互的基础能力。

二、环境准备

2.1 依赖安装

首先创建虚拟环境并安装核心依赖，确保版本兼容：

# 创建虚拟环境（可选）
python -m venv agent-env
# 激活环境（Windows）
agent-env\\Scripts\\activate
# 激活环境（Mac/Linux）
source agent-env/bin/activate

# 安装核心依赖
pip install langgraph langchain-deepseek langchain-core langchain-community python-dotenv pydantic

2.2 环境变量配置

创建.env文件，配置DeepSeek和Serper的API密钥（需在DeepSeek平台和Serper平台申请）：

# .env 文件
DEEPSEEK_API_KEY="你的DeepSeek API Key"
SERPER_API_KEY="你的Serper API Key"

三、核心架构设计

本次实现的Skills型Agent采用「状态管理+模块化Skill+流程编排」的三层架构，核心分工如下：

四、核心代码实现

4.1 状态定义（AgentState）

LangGraph通过状态（State）管理Agent执行过程中的所有数据，我们定义包含用户输入、历史消息、工具结果、最终回答的状态结构：

from typing import TypedDict, Annotated, List, Dict, Any
from langchain_core.messages import BaseMessage
import operator

# 定义Agent状态，跟踪执行全流程数据
class AgentState(TypedDict):
# 用户输入的问题
query: str
# 历史消息（用户问题、模型回复、工具结果）
messages: Annotated[List[BaseMessage], operator.add]
# 工具调用结果
tool_results: List[Dict[str, Any]]
# 最终生成的回答
answer: str

• Annotated[List[BaseMessage], operator.add]：实现消息列表的追加合并，支持多轮对话；
• 状态字段覆盖Agent执行全生命周期，确保数据可追溯。

4.2 Skill基类封装

为了统一Skill接口，我们定义BaseSkill基类，所有自定义Skill都继承该类，强制实现_run方法（核心执行逻辑）。注意：LangChain的BaseTool已内置抽象基类能力，无需额外继承ABC，避免MRO冲突。

from abc import abstractmethod
from langchain_core.tools import BaseTool, ToolException
from pydantic import BaseModel, Field

# Skill基类，统一接口规范
class BaseSkill(BaseTool):
"""Skill基类，子类必须实现_run方法"""
@abstractmethod
def _run(self, *args, **kwargs):
"""Skill核心执行逻辑，子类必须实现"""
pass

async def _arun(self, *args, **kwargs):
"""异步执行（可选，本次实现同步逻辑）"""
raise NotImplementedError("异步执行暂未实现")

4.3 自定义Skill实现

基于BaseSkill封装两个核心Skill：Serper联网搜索Skill（使用LangChain官方GoogleSerperAPIWrapper简化逻辑）和计算器Skill，遵循LangChain工具规范，通过ArgsSchema定义输入参数（解决Pydantic验证报错问题）。

4.3.1 Serper搜索Skill

from langchain_community.utilities import GoogleSerperAPIWrapper
import json

# Serper联网搜索Skill
class SerperSearchSkill(BaseSkill):
name: str = "serper_search"
description: str = "用于联网搜索实时信息、未知知识，输入搜索关键词，返回结构化搜索结果"

# 定义工具输入参数（Pydantic模型，供模型识别参数格式）
class ArgsSchema(BaseModel):
query: str = Field(description="搜索关键词，需精准明确，如'2025年人工智能发展趋势'")

# 绑定参数schema
args_schema: type[BaseModel] = ArgsSchema

def _run(self, query: str) –> str:
"""执行搜索逻辑，调用官方Wrapper简化请求"""
try:
# 初始化Serper搜索（自动读取环境变量SERPER_API_KEY）
search = GoogleSerperAPIWrapper(
gl="cn", # 搜索地区：中国
hl="zh-CN", # 搜索语言：中文
k=5 # 返回5条结果，避免信息过载
)
# 执行搜索并获取结果
search_results = search.results(query)
# 格式化结果（提取标题、链接、摘要）
formatted_results = []
for item in search_results.get("organic", []):
formatted_results.append({
"title": item.get("title"),
"link": item.get("link"),
"snippet": item.get("snippet")
})
# 返回JSON格式结果，便于模型解析
return json.dumps(formatted_results, ensure_ascii=False, indent=2)
except Exception as e:
raise ToolException(f"Serper搜索失败：{str(e)}")

4.3.2 计算器Skill

# 计算器Skill，支持基础加减乘除运算
class CalculatorSkill(BaseSkill):
name: str = "calculator"
description: str = "用于数学计算，输入表达式字符串，返回计算结果，如'100+200*3'"

# 定义工具输入参数
class ArgsSchema(BaseModel):
expression: str = Field(description="数学表达式，仅支持加减乘除，如'5*(10+20)'")

# 绑定参数schema
args_schema: type[BaseModel] = ArgsSchema

def _run(self, expression: str) –> str:
"""执行计算逻辑，安全过滤恶意代码"""
try:
# 安全计算：禁用内置函数，仅支持基础运算
result = eval(expression, {"__builtins__": None}, {})
return f"计算结果：{result}"
except Exception as e:
raise ToolException(f"计算失败：{str(e)}")

4.3.3 Skill实例化

# 实例化所有Skill
search_skill = SerperSearchSkill()
calculator_skill = CalculatorSkill()
# 收集Skill列表，供模型绑定
skills = [search_skill, calculator_skill]

4.4 大模型初始化

初始化DeepSeek大模型，绑定所有Skill，让模型感知可用工具并生成调用指令：

from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
import os

# 加载环境变量
load_dotenv()

# 初始化DeepSeek模型
llm = ChatDeepSeek(
model="deepseek-chat",
api_key=os.getenv("DEEPSEEK_API_KEY"),
temperature=0.1, # 低温度保证结果准确性
max_tokens=2048 # 最大生成长度
)

# 绑定Skill到模型，模型可自主调用工具
llm_with_skills = llm.bind_tools(skills)

4.5 LangGraph流程编排

将Agent的执行逻辑拆分为独立节点，通过StateGraph连接节点，设置条件边实现「模型决策是否调用Skill」的智能调度。

4.5.1 定义流程节点

from langgraph.graph import StateGraph, START, END
from langchain_core.messages import ToolMessage, HumanMessage

# 节点1：模型决策节点，生成回复或工具调用指令
def llm_node(state: AgentState) –> AgentState:
# 构建模型输入：历史消息+当前用户问题
messages = state["messages"] + [HumanMessage(content=state["query"])]
# 调用绑定Skill的模型
response = llm_with_skills.invoke(messages)
# 更新状态：添加模型回复
return {"messages": [response]}

# 节点2：Skill执行节点，解析模型指令并调用对应Skill
def skill_executor_node(state: AgentState) –> AgentState:
last_message = state["messages"][–1]
tool_results = []

# 遍历所有工具调用（支持多Skill并行调用）
for tool_call in last_message.tool_calls:
skill_name = tool_call["name"]
skill_args = tool_call["args"]
skill_id = tool_call["id"]

# 匹配并执行对应Skill
for skill in skills:
if skill.name == skill_name:
try:
# 执行Skill
result = skill._run(**skill_args)
tool_results.append({
"skill_name": skill_name,
"result": result,
"status": "success"
})
# 生成工具结果消息，供模型后续整合
state["messages"].append(ToolMessage(content=result, tool_call_id=skill_id))
except Exception as e:
tool_results.append({
"skill_name": skill_name,
"result": f"执行失败：{str(e)}",
"status": "failed"
})
state["messages"].append(ToolMessage(content=f"执行失败：{str(e)}", tool_call_id=skill_id))
break

# 更新状态：工具结果+消息列表
return {"tool_results": tool_results, "messages": state["messages"]}

# 节点3：结果整合节点，生成最终自然语言回答
def answer_node(state: AgentState) –> AgentState:
# 构建整合提示词
prompt = f"""
基于以下信息，回答用户问题：{state['query']}
工具调用结果：{state['tool_results']}
要求：
1. 语言自然流畅，符合中文表达习惯；
2. 准确引用工具结果中的关键信息；
3. 若工具调用失败，明确告知用户并给出替代方案。
"""
# 调用模型生成最终回答
final_response = llm.invoke([HumanMessage(content=prompt)])
# 更新状态：最终回答
return {"answer": final_response.content}

4.5.2 构建流程与条件边

# 初始化流程构建器
workflow = StateGraph(AgentState)

# 添加节点
workflow.add_node("llm_node", llm_node)
workflow.add_node("skill_executor_node", skill_executor_node)
workflow.add_node("answer_node", answer_node)

# 条件判断函数：模型是否需要调用Skill
def should_call_skill(state: AgentState) –> str:
last_message = state["messages"][–1]
# 若模型返回工具调用指令，则执行Skill；否则直接生成回答
return "skill_executor_node" if last_message.tool_calls else "answer_node"

# 连接节点与条件边
workflow.add_edge(START, "llm_node") # 起始→模型节点
workflow.add_conditional_edges("llm_node", should_call_skill) # 模型决策分支
workflow.add_edge("skill_executor_node", "answer_node") # Skill执行→结果整合
workflow.add_edge("answer_node", END) # 结果整合→结束

# 编译流程，生成可执行的Agent
agent = workflow.compile()

4.6 Agent测试函数

封装测试函数，简化Agent调用流程，支持传入问题并返回完整结果：

def run_agent(query: str) –> Dict[str, Any]:
"""执行AI Agent，返回完整结果"""
# 初始化状态
initial_state = {
"query": query,
"messages": [],
"tool_results": [],
"answer": ""
}
# 运行Agent
result = agent.invoke(initial_state)
return result

五、场景测试

我们通过三个典型场景测试Agent的能力：联网搜索、数学计算、普通问答，验证Skill调用与流程编排的有效性。

5.1 场景1：联网搜索（调用Serper Skill）

if __name__ == "__main__":
# 测试1：实时信息查询
print("=== 测试场景1：联网搜索 ===")
result1 = run_agent("2025年全球人工智能领域的重大突破有哪些？")
print(f"用户问题：{result1['query']}")
print(f"工具调用结果：{result1['tool_results']}")
print(f"最终回答：{result1['answer']}\\n")

5.2 场景2：数学计算（调用计算器 Skill）

# 测试2：数学计算
print("=== 测试场景2：数学计算 ===")
result2 = run_agent("(100 + 50) * 3 – 80")
print(f"用户问题：{result2['query']}")
print(f"工具调用结果：{result2['tool_results']}")
print(f"最终回答：{result2['answer']}\\n")

5.3 场景3：普通问答（无需调用Skill）

# 测试3：普通问答
print("=== 测试场景3：普通问答 ===")
result3 = run_agent("什么是人工智能？")
print(f"用户问题：{result3['query']}")
print(f"工具调用结果：{result3['tool_results']}")
print(f"最终回答：{result3['answer']}")

运行代码后，Agent会根据问题类型自主决策：实时问题调用Serper搜索，计算问题调用计算器，普通问题直接回答，完全符合预期。

六、常见问题解决

在开发过程中，我们遇到了几个典型问题，以下是解决方案总结：

七、优化与扩展方向

7.1 核心优化

7.2 能力扩展

八、总结

本文基于LangGraph、DeepSeek和Serper，实现了一个模块化的Skills型AI Agent，完整覆盖了状态管理、Skill封装、流程编排、智能工具调用四大核心环节。该方案具备以下核心优势：

• 模块化设计：Skill独立封装，新增能力无需修改核心流程；
• 智能化调度：DeepSeek模型自主决策工具调用，灵活适配不同场景；
• 可扩展性强：支持多类型Skill集成、多轮对话、并行调用等复杂场景；
• 生产级可用：解决了开发中常见的兼容性、验证问题，代码可直接落地使用。

你可以基于本文的代码框架，根据业务需求扩展更多Skill，打造专属的AI Agent，实现从「问答机器人」到「智能任务执行者」的升级。