基于Fireflyiii开源记账系统，结合Langchain和DeepSeek实现AI Agent记账智能体

原创已于 2025-07-15 23:54:37 修改 · 1k 阅读

17 ·

CC 4.0 BY-SA版权

文章标签：

#人工智能 #开源 #langchain #python #deepseek #fireflyiii #fastapi

于 2025-07-13 18:23:33 首次发布

该文章已生成可运行项目，

基于Langchain和DeepSeek的AI Agent记账系统：Fireflyiii-AI-Recorder深度解析

随着AI的爆火，以及MCP的出现，越来越多的AI agent应用也逐渐开始爆火。这里我们通过一个案例，聊一聊如何通过Langchain构建AI智能体应用。

许多人都有记账的习惯，但往往会因为过于繁琐而中途放弃。大多数记账软件需要填写消费时间、地点、收入或支出账户、分类等信息，非常麻烦。不过，有了AI之后，这些意图识别的工作都可以交给AI完成。我使用的记账工具是名为FireflyIII的开源软件，它不仅支持私有化部署，还能够提供一些商业化的财务功能。

因此为了方便我的使用，我便基于FireflyIII的api的功能，结合Langchain和deepseek api实现了这样一个AI记账的功能。

在这里插入图片描述

🤖 AI Agent工作流程

记账AI Agent是一个智能代理系统，它能够：

理解人类自然语言描述的消费行为
自主决策如何分类和记录财务数据
与Fireflyiii系统交互完成记账操作
从错误中学习并优化决策流程

与传统记账软件不同，AI Agent具备语义理解和逻辑推理能力，能处理模糊、不完整的消费描述。

🔍 任务分解与执行

关键决策点

模糊描述处理
- “请了团队喝咖啡” → 自动拆分为多人消费
- “买了办公用品” → 匹配预设的办公类别
异常检测
- 识别金额异常（如10000元的午餐）
- 检测时间冲突（未来日期消费）
上下文关联
- “续费了年度会员” → 关联去年同期的记账
- “报销差旅费” → 匹配对应的报销账户

🚀 核心功能亮点

自然语言解析
- 智能识别消费描述中的金额、类别和时间
- 支持批量处理多日消费记录
- 示例输入：
```
7.6
- 66 午餐 12:00
- 900 物业费(最近一季度)
7.7
- 150 购物
```
Fireflyiii深度集成
- 通过OpenAPI自动创建交易记录
- 保持与Fireflyiii数据模型完全兼容
多场景部署
- 本地开发环境
- Docker容器化部署
- NAS设备部署（如极空间）

🚀 核心代码：Langchain+DeepSeek实现原理

Langchain核心组件

准备工作

安装Python 3.10+
获取DeepSeek API Key
准备Fireflyiii实例和API密钥

1. Prompt模板

定义输入输出规范
包含示例和指令
动态插入变量

2. DeepSeek大模型

使用init_chat_model初始化
支持多模型提供商
处理自然语言理解任务

3. JSON输出解析器

确保输出为规范JSON格式
自动转换模型原始输出
提供错误处理机制

4. 处理链(Chain)

连接各组件：prompt | llm | parser
实现端到端数据处理
支持异步调用

完整代码实现

from langchain_core.prompts import ChatPromptTemplate
from langchain_core.output_parsers import JsonOutputParser
from langchain.chat_models import init_chat_model

class FireflyTransactionAgent:
    def __init__(self):
        # 初始化DeepSeek模型
        self.llm = init_chat_model(
            "deepseek-chat",
            api_key=settings.openai_api_key,
            base_url=settings.openai_api_base,
            model_provider="deepseek",
        )
        
        # 创建JSON解析器
        self.parser = JsonOutputParser()
        
        # 构建Prompt模板
        self.prompt = ChatPromptTemplate.from_template("""
            请将以下交易记录解析为JSON数组，包含字段：
            - date: 交易日期（YYYY-MM-DDTHH:mm）
            - description: 描述
            - amount: 金额
            - category: 分类
            - tags: 标签列表
            - think_result: AI思考过程
            
            示例输入：
            07.06
            - 12.00 午餐 66
            
            示例输出：
            {{
                "transactions": [{{
                    "date": "2025-07-06T12:00",
                    "description": "午餐",
                    "amount": 66,
                    "category": "餐饮",
                    "tags": ["餐饮-午餐"]
                }}],
                "think_result": "识别为午餐消费，归类到餐饮"
            }}
            
            实际输入：
            {input_text}
        """)
        
        # 创建处理链
        self.chain = self.prompt | self.llm | self.parser
    
    def parse(self, text: str) -> Dict:
        # 获取分类和标签数据
        tags_and_categories = self.get_tags_and_categories()
        
        # 执行处理链
        result = self.chain.invoke({
            "input_text": text,
            "categories": tags_and_categories["categories"],
            "tags": tags_and_categories["tags"]
        })
        
        return {
            "transactions": result.get("transactions", []),
            "think_result": result.get("think_result", "")
        }

关键代码解析

模型初始化

self.llm = init_chat_model(
    "deepseek-chat",
    api_key=settings.openai_api_key,
    base_url=settings.openai_api_base,
    model_provider="deepseek",
)

deepseek-chat: 指定模型类型
api_key: DeepSeek API密钥
base_url: API基础地址
model_provider: 模型提供商

处理链构建
```
self.chain = self.prompt | self.llm | self.parser
```
- | 运算符连接组件
- 数据流：模板 → 模型 → 解析器

链式调用

result = self.chain.invoke({
    "input_text": text,
    "categories": [...],
    "tags": [...]
})

动态注入变量到模板
自动处理模型调用和输出解析

实际调用示例

agent = FireflyTransactionAgent()
input_text = """
07.15
- 12:00 团队午餐 450
- 15:30 办公用品 280
"""

result = agent.parse(input_text)
print(result["think_result"])
# 输出：识别到2笔消费：团队午餐归类为餐饮-团建，办公用品归类为办公-耗材
print(result["transactions"])
# 输出：[{...}, {...}] 结构化数据

关键技术突破

思维链(CoT)推理
Agent通过多步推理处理复杂场景：

用户输入: "支付了上个月的电费500元"
Agent思考:
  1. 这是水电费支出
  2. 时间应为上个月最后一天
  3. 需要关联电力公司账户
  4. 分类到"家庭开支/水电煤"

自我修正机制
- 当Fireflyiii返回错误时，Agent自动：
  1. 分析错误原因
  2. 调整数据格式
  3. 重新提交请求

记忆上下文
使用ConversationBufferMemory保存对话历史：

memory = ConversationBufferMemory(memory_key="chat_history")
agent_executor = AgentExecutor(
    agent=agent,
    tools=tools,
    memory=memory,
    verbose=True
)

📦 部署方案

github主页有部署流程，代码量不多，运行很容易。
docker 镜像下载docker pull zl3n22/fireflyiii-ai-recorder:latest

NAS部署指南（极空间为例）

搜索镜像zl3n22/fireflyiii-ai-recorder 如果搜不到的话，就需要手动拉取源码打包镜像再导入到极空间了。
主要配置的环境变量如下：
在这里插入图片描述
如果不想手动配置的，也可以在极空间中新建一个.env文件,将文件挂载到/app/.env目录下

# Firefly III 配置
FIREFLY_III_URL=你的Firefly III实例地址
FIREFLY_III_API_KEY=你的Firefly III API密钥

# OpenAI兼容API配置
OPENAI_API_BASE=你的OpenAI兼容API地址
OPENAI_API_KEY=你的OpenAI API密钥
OPENAI_MODEL_NAME=使用的模型名称