Langchain框架与百度搜索API构建名人数字分身实践

1. Langchain框架与百度搜索API构建名人数字分身实践

在人工智能技术快速发展的今天，构建数字分身已成为一个备受关注的应用方向。本文将详细介绍如何使用Langchain框架结合百度搜索API，实现一个功能完善的名人数字分身系统。这个系统不仅能实时获取网络信息构建人物画像，还能以自然流畅的方式与用户进行交互。

1.1 系统架构设计思路

整个数字分身系统的核心是一个名为DigitTwin的类，它封装了所有必要的功能。系统设计遵循了以下几个关键原则：

1. 模块化设计：将不同功能拆分为独立的组件，包括信息检索、信息处理和交互对话三大模块
2. 灵活配置：通过参数控制搜索深度(top_k)和搜索次数(search_times)，适应不同场景需求
3. 数据持久化：支持将获取的人物信息保存为Markdown文件，便于后续重复使用
4. 自然交互：通过精心设计的提示词(prompt)，确保数字分身的回答符合人物性格特征

系统的工作流程可以分为两个主要模式：

• 即时模式：实时搜索并立即交互
• 存储模式：先搜索保存信息，再从文件加载交互

1.2 技术选型与准备

实现这个系统需要以下技术组件：

1. Langchain框架：作为整个系统的核心框架，提供了Agent、Tool等关键抽象
2. 百度搜索API：用于获取最新的网络信息，构建人物画像
3. 硅基流动DeepSeek-V3.2模型：作为语言模型核心，处理自然语言理解和生成
4. 辅助工具库：包括requests用于API调用，dataclasses和pydantic用于数据验证

环境准备代码如下：

python复制import requests
from langchain.agents import create_agent
from langchain_openai import ChatOpenAI
from langchain.tools import tool
from langchain_core.messages import AIMessage
from openai import APIConnectionError
from langgraph.checkpoint.memory import InMemorySaver
from langchain.agents.structured_output import ToolStrategy
from dataclasses import dataclass
from pydantic import Field,BaseModel
import os

# API配置
BAIDU_API_KEY = "your_baidu_api_key"
OPENAI_API_KEY2="your_deepseek_api_key"
BASE_URL2="https://api.siliconflow.cn/v1"
MODEL_NAME2="deepseek-ai/DeepSeek-V3.2"

2. 核心类实现详解

2.1 DigitTwin类结构与初始化

DigitTwin类是系统的核心，其初始化参数设计考虑了灵活性和实用性：

python复制class DigitTwin:
    def __init__(self, LLM:ChatOpenAI, character_name:str, workspace:str|None=None, 
                 search_top_k:int=5, search_times:int=5):
        self.LLM = LLM  # 语言模型实例
        self.character_name = character_name  # 名人姓名
        self.workspace = workspace if workspace else os.getcwd()  # 工作目录
        self.search_top_k = search_top_k  # 每次搜索返回结果数
        self.search_times = search_times  # 最大搜索次数
        self.checkpointer = InMemorySaver()  # 记忆存储
        self.agent_char = None  # 交互Agent

关键参数说明：

• search_top_k：控制每次搜索返回的结果数量，影响信息丰富度
• search_times：限制搜索轮次，平衡信息全面性和API调用成本
• workspace：指定信息存储目录，默认使用当前工作目录

2.2 信息检索与处理流程

系统通过多轮搜索构建全面的人物画像，搜索策略分为四个步骤：

1. 初步搜索：获取基本信息，了解人物概况
2. 搜索规划：根据初步结果设计后续搜索关键词
3. 执行搜索：按规划执行多轮搜索
4. 结果整合：汇总所有信息形成完整画像

对应的Agent系统提示词设计如下：

python复制system_prompt = f"""你是一个信息收集助手，用户会给你一个名人的名字。搜集关于这位名人的信息，
并将信息组织成详细的文本，包括他的个人信息、性格特点、人物联系、生涯重要事件、现状等。
## 第一步：初步搜索
先根据用户的问题，使用 baidu_search_tool 工具进行初步搜索，理解名人的基本情况。
## 第二步：搜索规划
根据初步搜索的结果，规划接下来的搜索关键词序列...（后续内容省略）
"""

2.3 两种交互模式实现

系统提供两种交互方式，满足不同场景需求：

1. 即时交互模式：

python复制def create_and_interact_now(self):
    # 创建搜索Agent
    agent_search = create_agent(
        model=self.LLM,
        tools=[baidu_search_tool],
        system_prompt=...,
        checkpointer=self.checkpointer
    )
    # 执行搜索并获取结果
    result = agent_search.invoke(...)
    # 立即创建交互Agent
    self.create_interact_by_info(result_content)

2. 存储加载模式：

python复制def create_and_write_info(self):
    # 创建搜索+写入Agent
    agent_search = create_agent(
        model=self.LLM,
        tools=[baidu_search_tool, write_info_into_md],
        system_prompt=...,
        checkpointer=self.checkpointer
    )
    # 执行搜索并写入文件
    result = agent_search.invoke(...)

def create_interact_by_file(self):
    # 从文件读取信息
    path = os.path.join(self.workspace, f"information about character_{self.character_name}.md")
    with open(path, 'r', encoding='utf-8') as f:
        info = f.read()
    # 创建交互Agent
    self.create_interact_by_info(info, True)

3. 工具函数实现细节

3.1 百度搜索工具优化

原始的百度搜索工具经过改进，增加了top_k参数控制返回结果数量：

python复制@tool
def baidu_search_tool(query:str, top_k:int=5):
    """百度搜索工具，支持结果数量控制"""
    print(f"正在搜索: {query}")
    url = "https://qianfan.baidubce.com/v2/ai_search/web_search"
    headers = {
        "Content-Type": "application/json",
        "Authorization": f"Bearer {BAIDU_API_KEY}"
    }
    data = {
        "messages": [{"content": query, "role": "user"}],
        "search_source": "baidu_search_v2",
        "resource_type_filter": [{"type": "web", "top_k": top_k}]
    }
    # 处理响应并格式化结果...

关键改进点：

1. 增加top_k参数，灵活控制返回结果数量
2. 优化结果格式化，提高可读性
3. 完善错误处理，增强鲁棒性

3.2 信息存储工具实现

使用Pydantic模型定义参数结构，确保类型安全：

python复制class CharcterWrArgs(BaseModel):
    workspace:str = Field(description="工作目录路径")
    info:str = Field(description="组织好的角色信息")
    character_name:str = Field(description="角色名称")

@tool(args_schema=CharcterWrArgs)
def write_info_into_md(workspace:str, info:str, character_name:str) -> bool:
    """将角色信息写入Markdown文件"""
    try:
        print(f"正在写入{character_name}的信息")
        if not os.path.exists(workspace):
            os.makedirs(workspace)
        path = os.path.join(workspace, f"information about character_{character_name}.md")
        with open(path, 'w', encoding='utf-8') as f:
            f.write(info)
        return True
    except Exception as e:
        print(f"写入失败: {e}")
        return False

4. 交互Agent设计与优化

4.1 角色扮演提示词设计

交互Agent的核心在于精心设计的系统提示词，确保回答符合人物特征：

python复制system_prompt = f"""你是{character_name}的一个数字分身，以下是关于{character_name}的信息：
{info}
请根据这些信息以{character_name}的身份与用户交互...
## 对你回答风格的要求：
1. 以{character_name}的身份回答，逼近其性格特点
2. 回答人性化、口语化，约150字
3. 根据问题敏感程度调整回答详细度
4. 禁止百科全书式回答
"""

4.2 交互循环实现

交互过程采用循环结构，支持多轮对话：

python复制def create_interact_by_info(self, info:str, from_file:bool=False):
    print("正在创建数字分身...交流时输入exit退出。")
    if (not self.agent_char) or from_file:
        self.agent_char = create_agent(...)
    
    messages = []
    while True:
        query = input(f"输入你想对{self.character_name}说的话：")
        if query == "exit":
            return
        
        messages.append({"role": "user", "content": query})
        result = self.agent_char.invoke({"messages": messages[-3:]})
        
        for mes in reversed(result["messages"]):
            if isinstance(mes, AIMessage):
                print("--------------------")
                print(mes.content)
                print("--------------------")
                messages.append({"role": "assistant", "content": mes.content})
                break

关键特性：

1. 支持上下文记忆（保留最近3条消息）
2. 简洁的交互界面
3. 自然的对话流程

5. 实战应用与效果评估

5.1 系统初始化与使用

启动数字分身系统的完整流程：

python复制llm = ChatOpenAI(
    model=MODEL_NAME2,
    temperature=0.3,
    base_url=BASE_URL2,
    openai_api_key=OPENAI_API_KEY2,
)

if __name__ == "__main__":
    name = input("输入你想创建的数字角色：")
    digit_twin = DigitTwin(llm, name, search_top_k=8, search_times=6)
    
    # 使用即时交互模式
    digit_twin.create_and_interact_now()
    
    # 使用存储加载模式
    digit_twin.create_and_write_info()
    digit_twin.create_interact_by_file()

5.2 实际交互效果分析

以C罗数字分身为例，系统展现了出色的交互能力：

1. 关于梅西竞争的问题：

• 回答展现了C罗标志性的自信与竞争意识
• 自然地提及了自己的成就和职业哲学
• 保持了对竞争对手的尊重

2. 关于职业生涯俱乐部的问题：

• 情感丰富的回答体现了对各俱乐部的不同感情
• 详细描述了在不同俱乐部的经历和成就
• 使用比喻手法增强表达效果

3. 关于年轻球迷的问题：

• 展示了作为榜样的自我认知
• 强调了努力和自律的核心价值观
• 引用具体数据增强说服力

5.3 性能优化建议

在实际使用中发现几个可以优化的方向：

1. 搜索策略优化：

• 引入更智能的关键词生成算法
• 添加搜索结果相关性评估
• 实现自适应搜索深度调整

2. 回答质量提升：

• 增加事实核查机制
• 引入情感分析，更好模拟人物情绪
• 添加记忆机制，保持对话一致性

3. 系统稳定性增强：

• 完善错误处理和重试机制
• 添加API调用限流保护
• 实现对话状态保存和恢复

6. 关键问题与解决方案

6.1 工具函数设计中的挑战

最初尝试将工具函数作为类方法时遇到了self参数问题。解决方案是：

1. 将工具函数设计为独立函数
2. 通过参数传递所有必要信息
3. 使用Pydantic模型确保参数类型安全

6.2 搜索效率优化

测试中发现的问题及解决方案：

1. 问题：某些搜索返回结果相关性低

   • 解决：优化关键词生成策略，使用更具体的查询组合

2. 问题：多轮搜索耗时较长

   • 解决：实现并行搜索，减少等待时间
   • 解决：添加本地缓存，避免重复搜索相同内容

6.3 角色一致性保持

确保数字分身回答符合人物特征的技巧：

1. 在提示词中明确要求回答风格
2. 提供足够详细的背景信息
3. 设置适当的temperature参数(0.3-0.5)
4. 使用few-shot示例引导回答风格

7. 扩展应用与未来方向

7.1 潜在应用场景

该技术可以扩展到多个领域：

1. 教育领域：历史人物互动教学
2. 娱乐产业：粉丝与明星虚拟互动
3. 客户服务：品牌代言人虚拟客服
4. 文化保护：非物质文化遗产传承人数字化

7.2 技术扩展方向

1. 多模态扩展：

• 添加语音交互功能
• 支持形象展示(2D/3D头像)
• 整合视频生成能力

2. 知识管理增强：

• 引入知识图谱构建
• 实现信息自动更新机制
• 添加多源信息验证

3. 交互体验提升：

• 实现长期记忆功能
• 开发情感计算模块
• 添加个性化适应能力

这个基于Langchain和百度搜索API的名人数字分身系统，展示了如何将现有AI技术组合起来创造有价值的应用。通过模块化设计和灵活的配置选项，系统可以适应多种使用场景，为开发者提供了一个可扩展的框架基础。