langgraph入门

这份文档将 LangGraph 的核心理论与实战代码整合在一起，旨在帮助你从零构建一个具备推理、行动、回溯能力的智能体。

LangGraph 入门全指南：从概念到实战

1. 为什么需要 LangGraph？

传统的 LangChain 只能处理线性序列（DAG）。但在复杂的 AI 应用中，我们往往需要：

循环（Loops）： 模型发现结果不对，能折返回去重新思考。
状态（State）： 在多次往返中精准管理上下文。
持久化（Persistence）： 随时保存对话进度，支持断点续传。

2. 核心三要素

构建一个 LangGraph 应用就像在画一张流程图：

State (状态)： 整个图的共享数据库，通常是一个 Python 字典。
Nodes (节点)： 负责干活的函数。输入当前状态，输出更新后的状态。
Edges (边)： 连接节点的线。分为“普通边”（直接跳转）和“条件边”（根据逻辑判断跳转）。

3. 实战示例：构建一个 ReAct 搜索智能体

这个智能体如果遇到不知道的问题，会主动调用“搜索工具”，拿到结果后再总结回答。

A. 环境配置

Bash

pip install -U langgraph langchain_openai

B. 核心代码实现

Python

import os
from typing import Annotated, Literal, TypedDict
from langchain_openai import ChatOpenAI
from langchain_core.messages import BaseMessage, HumanMessage
from langchain_core.tools import tool
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from langgraph.prebuilt import ToolNode

# 1. 定义工具 (Tools)
@tool
def search(query: str):
    """当需要查询天气或实时新闻时调用。"""
    if "天气" in query:
        return "北京今天晴朗，25°C。"
    return "LangGraph 是 LangChain 推出的用于构建状态化多智能体应用的框架。"

tools = [search]
tool_node = ToolNode(tools)

# 2. 定义状态 (State)
class State(TypedDict):
    # add_messages 确保新消息是“追加”而非“覆盖”
    messages: Annotated[list[BaseMessage], add_messages]

# 3. 定义逻辑节点 (Nodes)
model = ChatOpenAI(model="gpt-4o").bind_tools(tools)

def call_model(state: State):
    """调用 LLM 并返回回复"""
    response = model.invoke(state['messages'])
    return {"messages": [response]}

# 4. 定义条件路由 (Conditional Edges)
def should_continue(state: State) -> Literal["tools", END]:
    """根据模型是否调用了 Tool 决定下一步路径"""
    last_message = state['messages'][-1]
    if last_message.tool_calls:
        return "tools"
    return END

# 5. 编排工作流 (The Graph)
workflow = StateGraph(State)

# 添加节点
workflow.add_node("agent", call_model)
workflow.add_node("tools", tool_node)

# 设置逻辑连线
workflow.add_edge(START, "agent")           # 从开始进入 agent
workflow.add_conditional_edges("agent", should_continue)  # 判断是去工具还是结束
workflow.add_edge("tools", "agent")          # 工具执行完后，必须回到 agent 总结

# 编译应用
app = workflow.compile()

4. 运行与观察

你可以通过以下方式运行并观察它的“思考过程”：