春哥的Agent通关秘籍04：智能记账小秘书【实战篇】目标：实现记账能力的AI助理，并且能反馈相关情绪。这一章会有大段大

春哥的Agent通关秘籍04：智能记账小秘书【实战篇】

这一章会有大段大段代码块，提前告知下，主要是解释demo的撰写思路，不讲解新知识。

01, 定义 JSON 对象获取Schema·

首先安装 pydantic:

pip install pydantic

然后，在代码里可以这样创建一个 Pydantic 对象:

# 引入 Pydantic 的核心组件
from pydantic import BaseModel, Field

# ==========================================
# 第一步：定义字段类型和描述
# ==========================================
class AccountItem(BaseModel):
    amount: float = Field(description="交易金额，必须是数字。如果未提及金额，默认为 0.0")
    category: str = Field(description="交易分类，只能从以下选择：[餐饮, 交通, 购物, 娱乐, 居家, 医疗, 学习, 其他]")
    product: str = Field(description="具体的商品或服务名称")
    sentiment: str = Field(description="消费时的情绪，例如：开心, 后悔, 心疼, 期待, 平淡 等等，可以自行总结")
    # 🔥 新增字段：AI 的情感反馈
    ai_comment: str = Field(description="根据用户的消费内容和情绪，给出一句简短的反馈。如果是乱花钱可以幽默吐槽，如果是必要消费给予肯定，如果是心情不好则给予安慰。")

这一步我们首先明确了我们接下来希望从 LLM 那里得到什么样的数据：

amount
category
product
sentiment 情绪
ai_comment AI评论

接下来，我们可以调用API轻松地把以上定义转换为标准的 JSONSchema。

# 把 Pydantic 类转换成 AI 能读懂的 JSON Schema 描述
# ensure_ascii=False 是为了让中文正常显示，不变成 \uXXXX
schema_str = json.dumps(AccountItem.model_json_schema(), ensure_ascii=False)

02,组装完整的System Prompt

上节我们说过，【系统提示词】是开发人员设置的静态的，高权重的提示词。

因此，在这里，我们需要明确：

AI 在扮演什么角色
需要完成什么任务
遵循什么样的规则和要求

# 2. 构建 System Prompt
    system_prompt = f"""
    你是一个不仅会记账，还很懂心理学的贴心助手。
    请分析用户的输入，提取关键信息，并给出情感反馈。
    
    【重要规则】
    1. 根据常识自动推断分类。
    2. 严格按照以下 JSON Schema 格式输出 JSON 数据，禁止包含 markdown：
    {schema_str}
    """

03. 创建 client和会话

from dotenv import load_dotenv
from openai import OpenAI

# 加载环境变量
load_dotenv()
# 创建client
client = OpenAI(
    api_key=os.getenv("DEEP_SEEK_API_KEY"), 
    base_url=os.getenv("DEEP_SEEK_API_URL")
)

然后利用我们前几步构建好的参数和client来发起会话。

  # 3. 调用大模型
  response = client.chat.completions.create(
      model="deepseek-chat", 
      messages=[
          {"role": "system", "content": system_prompt}, # 注入规则
          {"role": "user", "content": user_input}       # 注入数据
      ],
      # 【关键】强制模型进入 JSON 模式，防止它胡乱说话
      response_format={"type": "json_object"} 
  )

  # 4. 获取结果字符串
  json_str = response.choices[0].message.content
  
  # 5. 【验证】将 JSON 字符串倒回 Pydantic 对象
  data = json.loads(json_str)
  result = AccountItem(**data)

这里需要注意 AccountItem(**data) 这一步，如果返回的对象反序列化后，不符合最初设计的 JSON Schema格式，它就会报错，从而阻断脏数据等。

04. 动态获取cli的用户输入

在 python 里，这非常容易：

# 获取用户输入
user_input = input("\n📝 请输入账单描述: ").strip()

上节课我们怎么说的来着？用户输入最好作为 User Prompt，没错，把它动态传入作为 User Prompt 进行会话即可。

05. 测试代码

完整代码可以参考demo工程里的文件：github.com/zhangshichu…

尝试运行代码：

python .\lesson_04\lesson_04_structure.py

如果把这个代码组装到一个 web server 上，那就能实现和前端的通信了。

下一步预告

有了本节和上节的【结构化】输出，我们成功做到了可以准确让AI输出我们需要的结构化数据。

但，这实际上是最简单的一次性对话，根本不能代表AI Agent的核心场景。

但AI还有一些致命的弱点：

不擅长算数
训练集不是实时的，无法知道今天的天气怎么样，现在几点等
没有记忆

下节课开始，让我们开始着手解决这些问题。

敬请期待！