软件概述

App-for-DeepAgent 是一个基于 LangChain/DeepAgents + Flet GUI 框架 开发的纯 Python 应用

• 支持多模态 (可以上传图片, 未来可以继续添加)
• 可以接入任意兼容 openai 和 ollama 类型的 API
• 高度可扩展性, Flet 框架原生为 Python 语言, 可以扩展和对接大量的第三方 Python 库
• 每个对话数据都单独保存为 json 文件, 方便转移和备份
• 对话数据均已 <date>_<uuid[:16]>_<title>.json 的形式来保存, 方便自行排序和查找

环境依赖

# Flet 框架
pip install -U 'flet[all]' -i https://pypi.tuna.tsinghua.edu.cn/simple
# LangChain 相关组件
pip install -U deepagents
pip install -U langchain-openai
pip install -U langchain-ollama
# 其余内容
pip install -U PyYAML
pip install -U pillow
pip install -U loguru

运行命令

cd <App-for-DeepAgent>
flet run -r main.py

运行效果

工具调用 图片输入 设置界面

注意事项

1. LangChain 的 OpenAI 不支持 Non-standard response fields (reasoning_content, reasoning, reasoning_details)
   • 官方结论
     OpenRouter / LiteLLM / OpenAI API compatibility across providers / proxies
   • 解决办法
     langchain-openai 无法读取到 qwen3 think 的过程 希望 支持 qwen3 像 支持 deepseek一样（initChatModel）

     # 前往 langchain_openai -> chat_models -> base.py 里找到 _convert_delta_to_message_chunk 这个函数
     if role == "user" or default_class == HumanMessageChunk:
             return HumanMessageChunk(content=content, id=id_)
         if role == "assistant" or default_class == AIMessageChunk:
             ########################################################
             # 在这里添加思考部分的字段内容, 在 langchain-openai v1.1.12 中大概在 430 行左右
             # https://github.com/langchain-ai/langchain/issues/33672
             if _dict.get("reasoning_content") is not None:
                 additional_kwargs["reasoning_content"] = _dict["reasoning_content"]
             ########################################################
             return AIMessageChunk(
                 content=content,
                 additional_kwargs=additional_kwargs,
                 id=id_,
                 tool_call_chunks=tool_call_chunks,  # type: ignore[arg-type]
             )
         if role in ("system", "developer") or default_class == SystemMessageChunk:
             if role == "developer":
                 additional_kwargs = {"__openai_role__": "developer"}
             else:
                 additional_kwargs = {}
             return SystemMessageChunk(
                 content=content, id=id_, additional_kwargs=additional_kwargs
             )