AI Agent系列(八) -基于ReAct架构的前端开发助手(DeepSeek)
AI Agent系列【八】
- 项目目标
- 一、核心功能设计
- 二、技术栈选择
- 三、Python实现
- 3.1 设置基础环境
- 3.2 定义AI前端生成的类
- 3.4 实例化
- 3.5 Flask路由
- 3.6 主程序执行
- 四、 功能测试
项目目标
开发一个能够协助HTML+JS+CSS前端设计的AI Agent，通过在网页中输入相应的问题，此应用能自动生成对应的html文件设计的前端程序，并通过flask架构下实现自动跳转到对应界面来完成功能验证。
一、核心功能设计
AI Agent应该具备以下能力：
-
根据自然语言描述生成前端代码
-
分析现有代码并提供优化建议
-
回答前端相关问题
-
自动修复常见错误
二、技术栈选择
- 语言模型: DeepSeek
- 开发框架: Flask
- 前端交互: html +CSS +JS
三、Python实现
3.1 设置基础环境
需要安装的工具包包含LLM的API工具包openai，网页应用开发框架flask,dot的python环境python-dotenv,Json文件解析json。
# 安装必要库
pip install openai flask python-dotenv requests json
3.2 定义AI前端生成的类
在这个类库中，需要考虑如下功能的实现：
- 初始化，需要实现基于LLM的API的客户端初始化，基于ReAct架构的提示词；
- 获取响应，基于LLM和系统提示词，用户输入的需求获取的响应信息；
- 响应解析，解析基于ReAct架构的响应；
- 生成html文件，基于响应的解析结果，生成html文件；
import os
from dotenv import load_dotenv
from datetime import datetime
from flask import Flask, request, render_template
from openai import OpenAI
import json
load_dotenv()
class DeepSeekAICodeAssistant:
def __init__(self):
self.api_key = os.getenv("DEEPSEEK_API_KEY")
self.base_url = "https://api.deepseek.com"
self.model = "deepseek-chat"
self.client = OpenAI(api_key=self.api_key, base_url=self.base_url)
self.context = []
self.system_prompt = """
你是一个专业的前端开发助手，采用ReAct(Reasoning+Acting)架构工作。
请按照以下JSON格式响应：
{
"thought": "分析...",
"action": "执行...",
"code": "生成的代码...",
"advice": "优化建议..."
}
"""
self._init_context()
def _init_context(self):
"""初始化对话上下文"""
self.context = [
{"role": "system", "content": self.system_prompt}
]
def generate_response(self, user_input):
"""
调用DeepSeek API生成响应
:param user_input: 用户输入
:return: 解析后的响应内容或错误信息
"""
try:
self.context.append({"role": "user", "content": user_input})
response = self.client.chat.completions.create(
model=self.model,
messages=self.context,
stream=False
)
assistant_reply = response.choices[0].message.content
self.context.append({"role": "assistant", "content": assistant_reply})
return self._parse_react_response(assistant_reply)
except (KeyError, json.JSONDecodeError) as e:
return {"error": f"响应解析失败: {str(e)}"}
except Exception as e:
return {"error": f"未知错误: {str(e)}"}
def _parse_react_response(self, response_text):
"""解析ReAct格式的响应"""
try:
data = json.loads(response_text)
return {
"thought": data.get("thought", "无"),
"action": data.get("action", "无"),
"code": data.get("code", "无代码生成"),
"advice": data.get("advice", "无优化建议")
}
except json.JSONDecodeError:
return {
"thought": "直接响应",
"action": "生成代码",
"code": response_text,
"advice": ""
}
def generate_html_output(self, react_response, output_file="templates/output.html"):
"""生成HTML输出文件，仅保存生成的代码"""
timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
# 只提取代码部分
generated_code = react_response.get('code', '无代码生成')
html_template = f"""<!DOCTYPE html>
<html>
<head>
<title>AI前端助手 - {timestamp}</title>
<style>
body {{ font-family: Arial, sans-serif; margin: 20px; }}
pre {{ background: #eee; padding: 10px; overflow-x: auto; }}
</style>
</head>
<body>
<h1>生成的响应式导航栏</h1>
<pre>{generated_code}</pre>
</body>
</html>"""
os.makedirs(os.path.dirname(output_file), exist_ok=True)
with open(output_file, "w", encoding="utf-8") as f:
f.write(html_template)
return output_file
3.4 实例化
需要实例化flask和预定义的 DeepSeekAICodeAssistant
# Flask应用
app = Flask(__name__)
assistant = DeepSeekAICodeAssistant()
3.5 Flask路由
在路由中定义POST方法，当前端中输入了对应的需求后，将调用之前定义的获取响应和生成对应的html文件的功能。
当文件生成后，系统自动重定向到对应的文件进行代码的验证。
@app.route("/", methods=["GET", "POST"])
def index():
if request.method == "POST":
prompt = request.form.get("prompt")
if prompt:
result = assistant.generate_response(prompt)
if "error" not in result:
assistant.generate_html_output(result)
return render_template("output.html")
return f"<p style='color:red'>错误: {result['error']}</p>"
return """
<form method="POST">
<h2>DeepSeek前端助手</h2>
<textarea name="prompt" rows="5" cols="60" placeholder="输入你的前端需求..."></textarea><br>
<button type="submit">生成代码</button>
</form>
"""
3.6 主程序执行
至此，我们只需要通过main函数执行flask即可。
if __name__ == "__main__":
app.run(debug=True)
四、 功能测试
代码执行后，在浏览器输入如下地址：http://127.0.0.1:5000，输入需求-生成一个科学计算器。
点击代码生成后，系统将调转到生成的网页，进行功能测试。
