【AI进阶】LangChain 实战：手把手带你用 DeepSeek 打造 Text-to-SQL 智能体

作者：飞哥（一个喜欢讲故事的全栈开发者，擅长把复杂的代码翻译成“人话”）
难度：⭐⭐⭐⭐⭐
关键词：Agent, LangChain, Tool Use, Text-to-SQL, ReAct

大家好，我是飞哥！👋

之前的 RAG 主要是让 AI “读”📖（检索文档）。
今天我们要让 AI “做”🛠️（使用工具）。

想象一下，你问 AI：“上个月销售额是多少？” 🤔

• 普通 LLM：“抱歉，我不知道你们公司的销售数据。”（因为它只读过预训练的数据）🤷‍♂️
• RAG：可能会去搜文档，但如果没有现成的报表文档，它也歇菜。📚
• Agent (智能体)：“好的，我先去数据库查一下sales表… 查到了，上个月销售额是 170 万。”🕵️‍♂️

Agent 的本质，就是大模型 + 工具 (Tools) + 规划 (Planning)。今天我们就来造一个能写 SQL 的 Agent！🤖

📦 准备工作

1. 安装 Python 库

我们需要 LangChain 全家桶：

pipinstalllangchain langchain-openai langchain-community python-dotenv

2. 准备 API Key (.env 文件) 🔑

为了安全起见，我们不要把 Key 直接写在代码里，而是放在一个.env文件中。

1. 在你的代码目录（和agent_demo.py同级）下，创建一个名为.env的文件。
2. 在文件中填入你的 API Key：

# DeepSeek API Key DEEPSEEK_API_KEY=sk-your-key-here

注意：

1. LangChain 通常默认读取OPENAI_API_KEY，但我们在代码里显式指定了读取DEEPSEEK_API_KEY，所以请务必使用这个变量名。
2. 如果你将代码上传到 GitHub，记得把.env加入.gitignore，防止 Key 泄露！

第一步：理解 ReAct 模式 🧠

1. 什么是 ReAct？

不是 React.js 前端框架哦！它是Reasoning (推理) + Acting (行动)。

Agent 的思考过程像极了人类解决问题：

1. 思考 (Thought)：用户问销售额 -> 我应该去查数据库。🤔
2. 行动 (Action)：调用run_sql_query工具。🏃
3. 观察 (Observation)：工具返回了数字1,700,000。👀
4. 思考 (Thought)：拿到了数据，我可以回答用户了。💡
5. 回答 (Final Answer)：上个月销售额是 170 万。✅

2. 流程图解 📊

为了让大家更直观地理解，我画了一张 Agent 工作的时序图：

第二步：避坑指南 —— Agent 开发的 3 个真相 🚧

很多同学跑通了 Demo 就觉得万事大吉，一上生产环境就翻车。飞哥给你透个底：

1. 幻觉问题 (Hallucination) 😵

• 现象：AI 可能会编造一个不存在的字段名（比如把amount猜成price），导致 SQL 报错。
• 解法：Prompt 里一定要把 Schema 写得非常清楚！甚至可以加一个check_sql工具，让 AI 先查 Schema 再写 SQL。

2. 权限失控 (Security) 🚨

• 现象：用户问“帮我删库跑路”，AI 傻乎乎地执行了DROP TABLE。
• 解法：只给读权限 (Read-Only)！千万别给 Agent 连 root 账号。工具里最好加一层校验：if "DROP" in sql: return "禁止危险操作"。

3. 循环死锁 (Loop) 🔄

• 现象：AI 觉得自己没查到，反复重试，直到 Token 耗尽。
• 解法：设置max_iterations=5（最大重试次数），到了次数强制停止。

第三步：代码实战 (Agent Demo) 🧩

为了让大家直接能跑起来，飞哥把创建数据库、定义工具、运行 Agent的代码合在了一起。而且，我们这次直接加上记忆功能，让它能跟你多轮对话！

创建一个agent_demo.py文件，复制以下代码：

importsqlite3fromlangchain.toolsimporttoolfromlangchain_openaiimportChatOpenAIfromlangchain.agentsimportcreate_react_agent,AgentExecutorfromlangchainimporthubfromlangchain.memoryimportConversationBufferMemoryfromlangchain_core.promptsimportPromptTemplateimportosfromdotenvimportload_dotenv# 加载 .env 文件load_dotenv()# --- 1. 准备环境 (模拟数据库) ---# 为了演示，我们先创建一个本地 SQLite 数据库，并塞点数据进去defsetup_dummy_db():print("🛠️ 正在初始化测试数据库...")conn=sqlite3.connect("company.db")cursor=conn.cursor()# 建表cursor.execute("CREATE TABLE IF NOT EXISTS sales (id INTEGER PRIMARY KEY, amount REAL, date TEXT, product TEXT)")# 塞数据 (如果表是空的)cursor.execute("SELECT count(*) FROM sales")ifcursor.fetchone()[0]==0:data=[(1,500000,"2023-10-01","iPhone 15"),(2,300000,"2023-10-05","MacBook Pro"),(3,100000,"2023-10-10","AirPods"),(4,800000,"2023-10-15","iPhone 15"),]cursor.executemany("INSERT INTO sales VALUES (?, ?, ?, ?)",data)conn.commit()conn.close()print("✅ 数据库准备就绪！表名: sales")setup_dummy_db()# --- 2. 定义工具 (Tools) ---# 这是 Agent 的“手”，用来执行 SQL@tooldefexecute_sql(sql_query:str)->str:""" 当需要查询数据库信息时使用此工具。 输入是一个合法的 SQL 查询语句。 """try:conn=sqlite3.connect("company.db")cursor=conn.cursor()cursor.execute(sql_query)result=cursor.fetchall()conn.close()returnstr(result)exceptExceptionase:returnf"SQL执行出错:{e}"# 告诉 AI 数据库里有哪些表，这也是很重要的 Promptdb_schema=""" 表名: sales 字段: id (int), amount (float), date (text), product (text) """# --- 3. 组装 Agent ---print("🤖 正在初始化 Agent...")# (1) 初始化大模型# 💡 推荐使用 DeepSeek-Coder，写代码逻辑能力极强，且性价比高llm=ChatOpenAI(model="deepseek-coder",temperature=0,base_url="https://api.deepseek.com",api_key=os.getenv("DEEPSEEK_API_KEY"),# 从环境变量读取 DEEPSEEK_API_KEY)# (2) 准备工具列表tools=[execute_sql]# (3) 定义支持对话历史的 Prompt 模板# 注意：我们手动定义模板，以便加入 {chat_history}template="""Answer the following questions as best you can. You have access to the following tools: {tools} Instructions: {instructions} Use the following format: Question: the input question you must answer Thought: you should always think about what to do Action: the action to take, should be one of [{tool_names}] Action Input: the input to the action Observation: the result of the action ... (this Thought/Action/Action Input/Observation can repeat N times) Thought: I now know the final answer Final Answer: the final answer to the original input question Begin! Previous conversation history: {chat_history} Question: {input} Thought:{agent_scratchpad}"""prompt=PromptTemplate.from_template(template)# (4) 把 Schema 信息注入 Promptinstructions=f""" 数据库结构如下：{db_schema}重要提示： 1. 当你找到答案时，必须以 'Final Answer:' 开头输出最终结果。 2. 不要只输出思考过程，最后一定要有 Final Answer。 """prompt=prompt.partial(instructions=instructions)# (5) 添加记忆功能memory=ConversationBufferMemory(memory_key="chat_history")# (6) 创建 Agentagent=create_react_agent(llm,tools,prompt)# (7) 创建执行器# max_iterations=5: 防止 AI 陷入死循环# handle_parsing_errors=True: 如果 AI 输出格式错了，自动纠正它agent_executor=AgentExecutor(agent=agent,tools=tools,verbose=True,max_iterations=5,handle_parsing_errors=True,memory=memory# 注入记忆)# --- 4. 运行 (多轮对话) ---print("\n💬 进入多轮对话模式。输入 'exit' 或 'quit' 退出。")whileTrue:try:user_input=input("\n🗣️ 用户提问: ")ifnotuser_inputoruser_input.lower()in["exit","quit"]:print("👋 再见！")breakresult=agent_executor.invoke({"input":user_input})print(f"\n💡 最终答案:{result['output']}")exceptEOFError:breakexceptKeyboardInterrupt:break

第四步：运行与观察 👀

在终端运行：

python agent_demo.py

你会看到 Agent 精彩的内心独白 (Verbose Output)，而且它能记住你说的话！

Round 1:

🗣️ 用户提问: 帮我查一下 2023年10月 卖得最好的产品是哪个？ > Entering new AgentExecutor chain... Thought: 用户想知道 2023年10月 销量最好的产品... Action: execute_sql Action Input: SELECT ... Observation: [('iPhone 15', 1300000.0)] Final Answer: 2023年10月卖得最好的产品是 iPhone 15，销售额为 130 万。

Round 2:

🗣️ 用户提问: 那它的销售额是多少？ > Entering new AgentExecutor chain... Thought: 用户问“它”的销售额。根据历史记录，“它”指 iPhone 15。我之前已经查到了，但我可以再确认一下... Final Answer: 它的销售额是 1,300,000.0。

看！它不仅会写 SQL，还能结合上下文理解你的意图！这就是记忆 (Memory)的力量。✨

总结 📚

1. Agent = LLM + Tools + Logic。🧩
2. ReAct是最经典的 Agent 思考模式（先想后做）。🧠
3. Memory让 Agent 拥有了“短期记忆”，能够处理连续的对话。💾

💡飞哥作业：
尝试给 Agent 增加一个新的工具，比如send_email(content)，让它查完数据后直接把报表发到你的邮箱！

创作不易，记得👇关注飞哥👇 ，点赞、收藏哦~~，下篇见👋