AI在教育方面的应用场景

用户提问 → [规划Agent] → [搜索Agent x N] → [报告Agent] → 研究报告

DEEPSEEK_API_KEY=sk-你的deepseek密钥TAVILY_API_KEY=tvly-你的tavily密钥

pip install python-dotenv pydantic langchain-deepseek langchain langchain-core langgraph langchain-tavily

import osfrom dotenv import load_dotenvfrom pydantic import BaseModelfrom langchain_deepseek import ChatDeepSeekfrom langchain_core.prompts import ChatPromptTemplatefrom langgraph.prebuilt import create_react_agentfrom langchain_tavily import TavilySearchload_dotenv(override=True)model = ChatDeepSeek(    model_name='deepseek-chat',    api_key=os.getenv(”DEEPSEEK_API_KEY”))

定义搜索条目的数据模型class WebSearchItem(BaseModel):    query: str# 搜索关键词    reason: str# 为什么这个搜索很重要# 定义搜索计划的容器class WebSearchPlan(BaseModel):    searches: list[WebSearchItem]# 搜索列表# 规划提示词PLANNER_INSTRUCTIONS = (    ”You are a helpful research assistant. Given a query, come up with ”    ”a set of web searches to perform to best answer the query. ”    ”Output between 5 and 7 terms to query for.”)planner_prompt = ChatPromptTemplate.from_messages([    (”system”, PLANNER_INSTRUCTIONS),    (”human”, ”{query}”)])# 关键：用 with_structured_output 约束LLM输出格式planner_chain = planner_prompt | model.with_structured_output(WebSearchPlan)

SEARCH_INSTRUCTIONS = (    ”You are a research assistant. Given a search term, you search the web ”    ”for that term and produce a concise summary of the results. ”    ”The summary must be 2-3 paragraphs and less than 300 words. ”    ”Capture the main points. Write succinctly.”)search_tool = TavilySearch(max_results=5, topic=”general”)使用预构建的ReAct Agentsearch_agent = create_react_agent(    model,    prompt=SEARCH_INSTRUCTIONS,    tools=[search_tool])

LLM思考 → 调用Tavily搜索 → 获取结果 → 继续思考 → 生成摘要

WRITER_PROMPT = (    ”You are a senior researcher tasked with writing a cohesive report. ”    ”First come up with an outline, then generate the full report. ”    ”Output in markdown format, at least 1500 words. 最终报告采用中文输出.”)class ReportData(BaseModel):    short_summary: str报告摘要    markdown_report: str# 完整报告    follow_up_questions: list[str]# 后续研究建议writer_prompt = ChatPromptTemplate.from_messages([    ('system', WRITER_PROMPT),    ('human', '{query}')])writer_chain = writer_prompt | model.with_structured_output(ReportData)

def deepresearch(query: str):    ”””输入研究主题，自动完成搜索规划、搜索和报告撰写”””第一步：规划搜索关键词    print('[1/3] 正在规划搜索关键词...')    search_plan = planner_chain.invoke({'query': query})    print(f'[1/3] 规划完成，共 {len(search_plan.searches)} 个搜索主题')# 第二步：逐个执行搜索    print('[2/3] 正在执行网络搜索...')    search_results = []    for item in search_plan.searches:        result = search_agent.invoke({”messages”: [            {”role”: ”user”, ”content”: f”Search: {item.query}\nReason: {item.reason}”}        ]})        search_results.append(str(result['messages'][-1].content))    print(f'[2/3] 搜索完成，获得 {len(search_results)} 条结果')# 第三步：生成报告    print('[3/3] 正在生成研究报告...')    all_results = '\n'.join(search_results)    final_query = f'Original query: {query}\nResearch results: {all_results}'    report = writer_chain.invoke({'query': final_query})    print(report.markdown_report)# 运行！deepresearch('AI在教育方面的应用场景')

chain = prompt | model.with_structured_output(OutputModel)