LangChain DeepAgents Skills + Qwen3.5-35B-A3B 构建数据分析智能体

发表于 阅读次数： 阅读次数：

一、LangChain DeepAgents Skills

本文将基于 LangChain DeepAgents Skills + Qwen3.5-35B-A3B 构建一个数据库查询智能体，并实现数据方面的问答、分析。在实验开始前先了解下 LangChain DeepAgents 下的 Skills 的用法。

Skills 是一种轻量级的开放格式，通过 Skills 可以将专业知识打包成可发现的功能。在本专栏的前面文章中，给大家介绍及实验了 Qwen Code Skills ，在 LangChainDeepAgents 框架中是相同的概念，都是一种渐进式的知识获取策略，甚至 Skills 的定义方式都是相同的。

在 LangChainDeepAgents 框架中，Skills 同样是一个包含SKILL.md文件和其他脚本、模板和参考内容构成的技能包，结构如下所示：

1
2
3
4
5
my-skill/
├── SKILL.md          # Required: instructions + metadata
├── scripts/          # Optional: executable code
├── references/       # Optional: documentation
└── assets/           # Optional: templates, resources

SKILL.md 示例模版：

其中 name 和 description 不可为空！

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
---
name: pdf-processing
description: Extract text and tables from PDF files, fill forms, merge documents.
---

# PDF Processing

## When to use this skill
Use this skill when the user needs to work with PDF files...

## How to extract text
1. Use pdfplumber for text extraction...

## How to fill forms
...

在 SKILL.md 中定义专业的知识、流程或思路，同时也可以在 scripts 下增加一些工具脚本，以扩充模型的能力，这些信息不会一次性全部加载到主会话中，只有用户的问题和某个 Skills 的 description 相关，才会渐进式的加载 SKILL.md 中的内容，因此对于 description 不可写的太片面，最好能充分体现出 terrestrial 该 Skills 所支持的能力。

DeepAgents Skills 使用说明

在 DeepAgents 中已经封装好了对 Skills发现、激活、执行的过程，因此我们只需着重关注 Skills 的定义，然后将 Skills 所在目录提供给 DeepAgents 即可，例如：

1
2
3
4
5
agent = create_deep_agent(
    model=llm,
    skills=["/skills"] ## 技能包所在目录
)
agent.invoke("你有哪些技能？")

二、Qwen3.5-35B-A3B 模型

Qwen3.5 系列是阿里最新迭代大模型，在推理、编程、智能体能力与多模态理解等全方位基准评估中表现优异。

图片

本文使用 modelscope 上提供的免费 API 调用 Qwen3.5-35B-A3B 模型，使用方式及获取 Api Key文档如下：

https://modelscope.cn/docs/model-service/API-Inference/intro

模型调用示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
from openai import OpenAI

client = OpenAI(
    base_url='https://api-inference.modelscope.cn/v1',
    api_key='ms-xxxx',  # 你的 ModelScope KEY
)

response = client.chat.completions.create(
    model='Qwen/Qwen3.5-35B-A3B',
    messages=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你是谁，你认识小毕超吗？"}
    ],
    stream=True
)

for chunk in response:
    if chunk.choices:
        print(chunk.choices[0].delta.content, end='', flush=True)

LangChain 调用示例：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
import os

os.environ["OPENAI_BASE_URL"] = "https://api-inference.modelscope.cn/v1"
os.environ["OPENAI_API_KEY"] = "ms-xxx" # 你的 ModelScope KEY
from langchain.chat_models import init_chat_model

llm = init_chat_model(
    f"openai:Qwen/Qwen3.5-35B-A3B",
    temperature=0.7,
    extra_body={
        "chat_template_kwargs": {"enable_thinking": False}
    }
)

print("Chat response:", llm.invoke("你是谁，你认识小毕超吗？"))

三、构建自定义 Skills 数据分析智能体

依赖所使用的主要依赖版本如：

1
2
3
4
5
openai==2.14.0
langchain==1.2.10
langchain-openai==1.1.6
langgraph==1.0.9
deepagents==0.4.4

3.1 实验数据说明

实验数据采用 COVID-19 测试案例，包括：美国 2021-01-28 号，各个县county的新冠疫情累计案例信息，包括确诊病例和死亡病例，数据格式如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
date（日期）,county（县）,state（州）,fips（县编码code）,cases（累计确诊病例）,deaths（累计死亡病例）
2021-01-28,Pike,Alabama,01109,2704,35
2021-01-28,Randolph,Alabama,01111,1505,37
2021-01-28,Russell,Alabama,01113,3675,16
2021-01-28,Shelby,Alabama,01117,19878,141
2021-01-28,St. Clair,Alabama,01115,8047,147
2021-01-28,Sumter,Alabama,01119,925,28
2021-01-28,Talladega,Alabama,01121,6711,114
2021-01-28,Tallapoosa,Alabama,01123,3258,112
2021-01-28,Tuscaloosa,Alabama,01125,22083,283
2021-01-28,Walker,Alabama,01127,6105,185
2021-01-28,Washington,Alabama,01129,1454,27

下载地址如下：

https://github.com/BIXUECHAO/covid-19-tes-data/blob/main/us-covid19-counties.csv

创建数据表，并导入上述数据：

1
2
3
4
5
6
7
8
CREATE TABLE `us_covid19_counties` (
  `date` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '日期',
  `county` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县',
  `state` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '州',
  `fips` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县编码code',
  `cases` int DEFAULT NULL COMMENT '累计确诊病例',
  `deaths` int DEFAULT NULL COMMENT '累计死亡病例'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='COVID-19 案例';

3.2 构建 Skill

在项目的目录下创建 skills/db 技能包，整体结构如下所示：

1
2
3
4
skills/db/
├── SKILL.md
├── scripts/
│   └── run_sql.py

图片

其中 scripts/run_sql.py 用于动态查询数据库中的数据，接收SQL参数，通过 bash 指令运行。

3.2.1 编写 SKILL.md

主要描述出技能的能力，这里放入了表结构，如果表特别多的情况下，也可以写一个 scripts 脚本动态获取。另外为了更好的让大模型处理，最好提供调用脚本的指令示例。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
---
name: db
description: COVID-19数据查询, 包括：美国 2021-01-28 号，各个县county的新冠疫情累计案例信息，包括确诊病例和死亡病例
---

# 数据查询

## 数据表结构
```sql
CREATE TABLE `us_covid19_counties` (
  `date` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '日期',
  `county` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县',
  `state` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '州',
  `fips` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县编码code',
  `cases` int DEFAULT NULL COMMENT '累计确诊病例',
  `deaths` int DEFAULT NULL COMMENT '累计死亡病例'
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='COVID-19 案例';

数据样例

1
2
3
4
5
6
7
8
9
10
11
12
date（日期）,county（县）,state（州）,fips（县编码code）,cases（累计确诊病例）,deaths（累计死亡病例）
2021-01-28,Pike,Alabama,01109,2704,35
2021-01-28,Randolph,Alabama,01111,1505,37
2021-01-28,Russell,Alabama,01113,3675,16
2021-01-28,Shelby,Alabama,01117,19878,141
2021-01-28,St. Clair,Alabama,01115,8047,147
2021-01-28,Sumter,Alabama,01119,925,28
2021-01-28,Talladega,Alabama,01121,6711,114
2021-01-28,Tallapoosa,Alabama,01123,3258,112
2021-01-28,Tuscaloosa,Alabama,01125,22083,283
2021-01-28,Walker,Alabama,01127,6105,185
2021-01-28,Washington,Alabama,01129,1454,27

指令

运行辅助脚本：

1
2
# 查询数据
E:\anaconda\conda\envs\openai\python.exe -u scripts/run_sql.py --sql "{sql}"

注意python需要使用绝对路径！

示例

  • 统计每个州的累计确诊病例
    1
    E:\anaconda\conda\envs\openai\python.exe -u scripts/run_sql.py --sql "SELECT state, COUNT(*) AS total_cases FROM us_covid19_counties GROUP BY state ORDER BY total_cases DESC"
    注意 Python 路径修改为你电脑的实际路径，如果配置了环境变量可直接改为 python -u scripts/run_sql.py –sql “{sql}”：
    1
    2
    3
    4
    5
    6
    7
    8
    9
    10
    11
    12
    13
    14
    15
    16
    17
    18
    19
    20
    21
    22
    23
    24
    25
    26
    27
    28
    29
    30
    31
    32
    33
    34
    35
    36
    37
    38
    39
    40
    41
    42
    43
    44
    45
    46
    47
    48
    49
    50
    51

    ### 3.2.2 编写 scripts 脚本
    编写 skills/db/scripts/run_sql.py 脚本，执行数据查询动作：

    ```python
    import json
    import argparse
    import pymysql


    def get_conn():
        return pymysql.connect(
            host="127.0.0.1",
            port=3306,
            database="test3",
            user="root",
            password="root",
            autocommit=True
        )


    def query(sql):
        conn = get_conn()
        cursor = conn.cursor()
        cursor.execute(sql)
        columns = [column[0] for column in cursor.description]
        res = list()
        for row in cursor.fetchall():
            res.append(dict(zip(columns, row)))
        cursor.close()
        conn.close()
        return res


    def run_sql(sql: str):
        """执行MySQL SQL语句查询数据，一次仅能执行一句SQL！"""
        try:
            if not sql:
                print("请传递需要查询的SQL！")
                return
            fetch = query(sql)
            print(f"数据库查询结果: \n{fetch}")
        except Exception as e:
            print(f"执行SQL错误：{str(e)} ,请修正后重新发起。")

    if __name__ == '__main__':
        parser = argparse.ArgumentParser(description="Run a SQL query.")
        parser.add_argument('--sql', type=str, required=True, help='SQL query to execute')
        args = parser.parse_args()
        sql = args.sql
        run_sql(sql)

3.3 DeepAgents 结合 Skills 构建智能体

3.3.1 智能体搭建

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
import os

os.environ["OPENAI_BASE_URL"] = "https://api-inference.modelscope.cn/v1"
os.environ["OPENAI_API_KEY"] = "ms-xxxx"  ## 你的API KEY
from deepagents import create_deep_agent
from langgraph.checkpoint.memory import MemorySaver
from langchain.chat_models import init_chat_model
from deepagents.backends import LocalShellBackend


system_prompt = """
## 🎯 角色设定
你是一位专业、高效、多领域的超级智能助手，具备强大的知识整合与问题解决能力。你善于理解用户意图，提供准确、清晰、有温度的回答。

## 📋 核心任务
- 根据用户提问，结合你的专业知识库与可用工具（skills），提供高质量解答
- 回答需遵循：准确性 > 实用性 > 简洁性 > 友好性 的优先级原则
- 遇到模糊问题时，主动澄清需求；遇到复杂问题时，分步骤拆解说明

## 💬 交互风格
- 语言：默认使用用户提问的语言回复
- 格式：复杂内容使用结构化排版（列表/代码块/表格），提升可读性
- 态度：专业但不刻板，耐心倾听，积极反馈

## 💡 注意事项
read_file工具使用注意点: 不支持Windows绝对地址, 如: 错误写法 D:\\xxx\\xxx\\SKILL.md, 正确写法为 /xxx/xxx/SKILL.md
"""

# 定义模型
llm = init_chat_model(
    f"openai:Qwen/Qwen3.5-35B-A3B",
    temperature=0
)

# 上下文记忆
checkpointer = MemorySaver()

# 获取项目根路径，将Windows路径转为 Unix 风格
root_dir = os.path.dirname(__file__).replace("\\", "/").split(":")[1]

## 指定后端, 这里需要执行Shell
## 该后端授予代理直接文件系统读、写访问权限和在您的主机上不受限制地执行 shell。请务必谨慎使用，并且仅在适当的环境中使用。
backend = LocalShellBackend(
    root_dir=root_dir,
    env={
        "SYSTEMROOT": os.environ.get("SYSTEMROOT", root_dir),  # Windows 必需
        "PYTHONHASHSEED": "0",  # 禁用哈希随机化，避免 /dev/urandom 依赖
    },  # 可选：限制环境变量
    timeout=120,  # 命令超时秒数
    max_output_bytes=100000,  # 输出截断限制
)

# 创建 Agent
agent = create_deep_agent(
    model=llm,
    backend=backend,
    skills=[root_dir + "/skills"],
    checkpointer=checkpointer,
    system_prompt=system_prompt
)

while True:
    question = input("请输入: ")
    if not question:
        continue
    if question == "q":
        break
    for type, chunk in agent.stream({"messages": [{"role": "user", "content": question}],}, config={"configurable": {"thread_id": "12345"}}, stream_mode=["updates"]):
        if "SkillsMiddleware.before_agent" in chunk and chunk["SkillsMiddleware.before_agent"]:
            skills = chunk["SkillsMiddleware.before_agent"]["skills_metadata"]
            print(">" * 10, "加载Skills", "<" * 30)
            for skill in skills:
                print("Load Skill: ", skill["name"])

        if "model" in chunk:
            message = chunk["model"]["messages"][0]
            content = message.content
            if content:
                print(">" * 10, "AIMessage", "<" * 30)
                print(content)
            tool_calls = message.tool_calls
            if tool_calls:
                print(">" * 10, "Call Tools", "<" * 30)
                for t in tool_calls:
                    print(f"Tool: {t['name']} , Args: {t['args']}")

        if "tools" in chunk:
            print(">" * 20, "Tools Output", "<" * 20)
            for m in chunk["tools"]["messages"]:
                print(f"Tool: {m.name}, Output: \n{m.content}")

其中 DeepAgents 中的 read_file工具，目前版本下暂不支持Windows绝对地址，可通过 system_prompt 纠正模型使用。

3.3.2 效果测试1

输入问题：你有哪些技能？

执行过程：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
请输入: 你有哪些技能？
>>>>>>>>>> 加载Skills <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
Load Skill:  db
>>>>>>>>>> AIMessage <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
根据我的配置，我拥有以下技能：

## 🛠️ 基础工具能力
- **任务管理** (`write_todos`) - 创建和管理结构化任务列表
- **文件操作** (`ls`, `read_file`, `write_file`, `edit_file`) - 浏览、读取、写入和编辑文件
- **文件搜索** (`glob`, `grep`) - 按模式查找文件和搜索文本内容
- **命令执行** (`execute`) - 在沙箱环境中运行 shell 命令
- **子代理** (`task`) - 启动独立子代理处理复杂任务

## 📊 专业技能

### 1. **db** - COVID-19 数据查询
- **功能**：查询美国 2021-01-28 号各县 (county) 的新冠疫情数据
- **数据内容**：确诊病例数、死亡病例数
- **覆盖范围**：美国各县级别数据

如果你需要我帮助完成某项任务，比如查询疫情数据、处理文件、执行代码或研究复杂问题，随时告诉我！

最终输出结果：

根据我的配置，我拥有以下技能：

🛠️ 基础工具能力
• 任务管理 (write_todos) - 创建和管理结构化任务列表
• 文件操作 (ls, read_file, write_file, edit_file) - 浏览、读取、写入和编辑文件
• 文件搜索 (glob, grep) - 按模式查找文件和搜索文本内容
• 命令执行 (execute) - 在沙箱环境中运行 shell 命令
• 子代理 (task) - 启动独立子代理处理复杂任务
📊 专业技能

  1. db - COVID-19 数据查询
    • 功能：查询美国 2021-01-28 号各县 (county) 的新冠疫情数据
    • 数据内容：确诊病例数、死亡病例数
    • 覆盖范围：美国各县级别数据
    如果你需要我帮助完成某项任务，比如查询疫情数据、处理文件、执行代码或研究复杂问题，随时告诉我！

3.3.3 效果测试2

输入问题：确诊人数Top10的县是哪几个？

执行过程：

请输入: 确诊人数Top10的县是哪几个？
>>>>>>>>>> Call Tools <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
Tool: read_file , Args: {'file_path': '/pyProject/deepagents-demo/skills/db/SKILL.md'}
>>>>>>>>>>>>>>>>>>>> Tools Output <<<<<<<<<<<<<<<<<<<<
Tool: read_file, Output: 
     1    ---
     2    name: db
     3    description: COVID-19数据查询, 包括：美国 2021-01-28 号，各个县county的新冠疫情累计案例信息，包括确诊病例和死亡病例
     4    ---
     5     
     6    # 数据查询
     7    
     8    ## 数据表结构
     9    ```sql
    10    CREATE TABLE `us_covid19_counties` (
    11      `date` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '日期',
    12      `county` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县',
    13      `state` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '州',
    14      `fips` varchar(255) CHARACTER SET utf8mb4 COLLATE utf8mb4_0900_ai_ci DEFAULT NULL COMMENT '县编码code',
    15      `cases` int DEFAULT NULL COMMENT '累计确诊病例',
    16      `deaths` int DEFAULT NULL COMMENT '累计死亡病例'
    17    ) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci COMMENT='COVID-19 案例';
    18    ```
    19    
    20    ## 数据样例
    21    ```data
    22    date（日期）,county（县）,state（州）,fips（县编码code）,cases（累计确诊病例）,deaths（累计死亡病例）
    23    2021-01-28,Pike,Alabama,01109,2704,35
    24    2021-01-28,Randolph,Alabama,01111,1505,37
    25    2021-01-28,Russell,Alabama,01113,3675,16
    26    2021-01-28,Shelby,Alabama,01117,19878,141
    27    2021-01-28,St. Clair,Alabama,01115,8047,147
    28    2021-01-28,Sumter,Alabama,01119,925,28
    29    2021-01-28,Talladega,Alabama,01121,6711,114
    30    2021-01-28,Tallapoosa,Alabama,01123,3258,112
    31    2021-01-28,Tuscaloosa,Alabama,01125,22083,283
    32    2021-01-28,Walker,Alabama,01127,6105,185
    33    2021-01-28,Washington,Alabama,01129,1454,27
    34    ```
    35    
    36    ## 指令
    37    运行辅助脚本：
    38    ```bash
    39    # 查询数据
    40    E:\anaconda\conda\envs\openai\python.exe -u scripts/run_sql.py --sql "{sql}"
    41    ```
    42    注意python需要使用绝对路径！
    43    
    44    ## 示例
    45    - 统计每个州的累计确诊病例
    46    ```bash
    47    E:\anaconda\conda\envs\openai\python.exe -u scripts/run_sql.py --sql "SELECT state, COUNT(*) AS total_cases FROM us_covid19_counties GROUP BY state ORDER BY total_cases DESC"
    48    ```
>>>>>>>>>> AIMessage <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
我来查询确诊人数 Top10 的县。

>>>>>>>>>> Call Tools <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
Tool: execute , Args: {'command': 'E:\\anaconda\\conda\\envs\\openai\\python.exe -u /pyProject/deepagents-demo/skills/db/scripts/run_sql.py --sql "SELECT county, state, cases FROM us_covid19_counties WHERE date=\'2021-01-28\' ORDER BY cases DESC LIMIT 10"'}
>>>>>>>>>>>>>>>>>>>> Tools Output <<<<<<<<<<<<<<<<<<<<
Tool: execute, Output: 
数据库查询结果: 
[{'county': 'Los Angeles', 'state': 'California', 'cases': 1098363}, {'county': 'New York City', 'state': 'New York', 'cases': 591160}, {'county': 'Maricopa', 'state': 'Arizona', 'cases': 465009}, {'county': 'Cook', 'state': 'Illinois', 'cases': 450116}, {'county': 'Miami-Dade', 'state': 'Florida', 'cases': 366126}, {'county': 'Harris', 'state': 'Texas', 'cases': 308902}, {'county': 'San Bernardino', 'state': 'California', 'cases': 271189}, {'county': 'Riverside', 'state': 'California', 'cases': 270105}, {'county': 'Dallas', 'state': 'Texas', 'cases': 253684}, {'county': 'Orange', 'state': 'California', 'cases': 241648}]

[Command succeeded with exit code 0]
>>>>>>>>>> AIMessage <<<<<<<<<<<<<<<<<<<<<<<<<<<<<<
根据 2021 年 1 月 28 日的数据，**美国 COVID-19 累计确诊病例数 Top10 的县**如下：

| 排名 | 县 (County) | 州 (State) | 累计确诊病例 |
|:---:|------------|-----------|:---:|
| 1 | Los Angeles | California | 1,098,363 |
| 2 | New York City | New York | 591,160 |
| 3 | Maricopa | Arizona | 465,009 |
| 4 | Cook | Illinois | 450,116 |
| 5 | Miami-Dade | Florida | 366,126 |
| 6 | Harris | Texas | 308,902 |
| 7 | San Bernardino | California | 271,189 |
| 8 | Riverside | California | 270,105 |
| 9 | Dallas | Texas | 253,684 |
| 10 | Orange | California | 241,648 |

**观察：**
- 🏆 **洛杉矶县 (Los Angeles)** 确诊数遥遥领先，超过 109 万例
- 📍 **加州** 表现突出，Top10 中占据 4 席
- 📍 **德州** 有 2 个县进入 Top10

最终输出结果：

根据 2021 年 1 月 28 日的数据，美国 COVID-19 累计确诊病例数 Top10 的县如下：

排名
县 (County)
州 (State)
累计确诊病例
1
Los Angeles
California
1,098,363
2
New York City
New York
591,160
3
Maricopa
Arizona
465,009
4
Cook
Illinois
450,116
5
Miami-Dade
Florida
366,126
6
Harris
Texas
308,902
7
San Bernardino
California
271,189
8
Riverside
California
270,105
9
Dallas
Texas
253,684
10
Orange
California
241,648

观察：

• 🏆 洛杉矶县 (Los Angeles) 确诊数遥遥领先，超过 109 万例
• 📍 加州 表现突出，Top10 中占据 4 席
• 📍 德州 有 2 个县进入 Top10