# 测试用例智能体agent.py
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek


# 自动加载 .env 文件（环境变量），不用每次写 api_key=（必须在创建ChatDeepSeek之前！）
load_dotenv()
# 再创建大模型实例（此时能读到.env里的API Key）
# llm = ChatDeepSeek(
#     model="deepseek-chat",
#     temperature=0, # 温度：数字越低越不发散。对话可以设高一点如0.7。0意思严格根据用户上下文生成。
#     # max_tokens=None,
#     # timeout=None,
#     # max_retries=2,
#     # other params...
# )

# 创建智能体
agent = create_agent(
    model="deepseek-chat", # 智能体对接哪个模型。现在写法是默认参数，如果model=llm，传上面创建的llm实例，可以控制更多参数
    # 不写工具只能与大模型对话
    tools=[],
    system_prompt="You are a helpful assistant",# 基础的提示词
)
# The system prompt will be set dynamically based on context
result = agent.invoke(
    {"messages": [{"role": "user", "content": "Explain machine learning"}]}
)
print(result)

到此是与大模型对话智能体。

配置智能体信息（graph.json）

# {
#   "dependencies": ["."],
#   "graphs": {
#     "testcase_agent": { # 确保相互独立运行
#       "path": "./agents/testcase/agent.py:agent"
#     },
#     "chat_agent": { # 对外的
#       "path": "./agents/examples/agent.py:agent" # agent.py:agent 必须是和此文件的智能体名字一样，配置智能体路径
#     }
#   },
#   "env": ".env",
#   "image_distro": "wolfi"
# }

前后端分离：

• 后端：启动langgraph api服务

# uv是Python包管理器
uv sync # 装项目依赖
# graph.json配置智能体路径
# 运行start_server.py

docling-mcp文档解析工具，借助langchain调用mcp
（https://github.com/docling-project/docling-mcp）

# 在终端启动
uvx --from docling-mcp docling-mcp-server --transport sse
# 不要关闭

• 前端：

brew install node
node -v
npm install -g yarn # 前端项目包管理器yarn
yarn -v
yarn install # 装项目依赖
npm run dev #运行

这是 Next.js 16 默认使用的 Turbopack 在处理 含中文的项目路径 时触发的 Rust panic