LangGraph 是一个专为构建有状态、多节点执行流程的 AI 智能体系统设计的 Python 框架，它将状态机（State Machine）与图结构（Graph）相结合，使得开发者能够直观地用"节点+边"来描述执行逻辑和状态转移。
本文首先概述 LangGraph 的核心特点及设计理念，然后以"智能客服"场景为例，演示其基本用法和典型代码。
摘要
-
• 状态驱动与有向图：LangGraph 通过
State（通常用TypedDict定义）贯穿整个执行流程，所有节点读取并更新状态局部；有向图（Graph）则定义了节点之间的控制流 ([LangChain AI][1])。 -
• 节点与边：每个 Node 表示一个执行单元（如 LLM 调用、工具函数、决策逻辑），Edge 则可携带条件实现分支或循环，使流程更灵活可控 ([DEV Community][2])。
-
• 可循环的工作流：区别于传统的 DAG（有向无环图），LangGraph 支持循环结构（cycles），更适合实现多轮决策与重试机制 ([Medium][3])。
-
• 与 LangChain 深度集成：所有 LangChain 的
Runnable（例如Chain、Tool、LLM 模型）都可直接作为节点使用，复用生态组件，增强扩展性 ([LangChain AI][1])。 -
• 持久化与可视化：可接入 LangSmith 进行调用跟踪与日志记录，也可通过
graph.get_graph().draw()利用 NetworkX 和 matplotlib 输出流程图，便于调试与监控 ([LangChain][4])。
一、为何需要 LangGraph？
-
1. 复杂流程可视化：对话、任务执行、工具调用等往往需要多步交互和条件判断，传统端到端调用缺乏透明度和可控性；LangGraph 用图结构清晰呈现每一步逻辑 ([Medium][5])。
-
2. 有状态管理：在多轮对话或长流程中，维护上下文与中间结果至关重要；LangGraph 将所有上下文统一存放在
State，节点只需专注局部更新，简化状态传递 ([LangChain AI][1])。 -
3. 支持循环与分支：企业级智能体常常需要重试、分支判断或任务迭代，LangGraph 原生支持带条件的循环边（cycles）和分支边（conditional edges），实现更强的流程控制 ([Medium][3])。
-
4. 生态复用：构建在 LangChain 之上，可复用其丰富的模型、检索、工具等组件，更快上手并保持一致的开发体验 ([LangChain AI][1])。
二、核心概念
| 概念 | 说明 |
| State | 全局状态，由 |
| Node | 执行单元，可以是调用 |
| Edge | 状态转移路径，可添加条件函数，实现 |
| Graph | 有向图结构，将多个节点和边连接成完整工作流，编译后产生可执行 |
工作原理：
LangGraph会根据图的拓扑与边的判断函数，自动执行对应节点，并将各节点的状态更新按定义合并到全局State中，直至到达指定的终点（Finish Point） ([DEV Community][2])。
三、示例：智能客服 Agent
下面以"智能客服"为例，展示如何用 LangGraph 构建一个能够判断是否调用外部"工具"并返回结果的简单对话流程。
3.1 环境依赖
pip install langchain_core langgraph dotenv langchain langchain_community openai langchain-openai.env 文件中：
OPENAI_API_BASE=https://api.deepseek.com/v1
OPENAI_API_KEY=sk-xxxxxx
LANGSMITH_TRACING=true
LANGSMITH_ENDPOINT="https://api.smith.langchain.com"
LANGSMITH_API_KEY="lsv2_pt_xxxxx"
LANGSMITH_PROJECT="pr-gripping-yak-45"3.2 定义状态
from typing import TypedDict, List
from langchain_core.messages import BaseMessage
#%% 3. 定义对话状态结构
class AgentState(TypedDict):
messages: List[BaseMessage] # 对话历史
agent_outcome: str # 下一步决策：tool 或 final
tool_response: str # 工具调用结果3.3 定义节点
#%% 4. 初始化大模型
llm = ChatOpenAI(model_name="deepseek-chat", verbose=True)
#%% 5. 节点函数定义
defagent_decision_node(state: AgentState) -> dict:
last_message = state["messages"][-1].content
prompt = ChatPromptTemplate.from_template(
"请判断用户的意图：\n"
"用户输入：{input}\n\n"
"如果需要调用工具，请回答 tool；否则回答 final。"
)
decision = llm.invoke(prompt.format_messages(input=last_message)).content.strip().lower()
print(f"\n[Agent Decision] outcome = {decision}")
return {"agent_outcome": decision if decision in ("tool", "final") else"final"}
deftool_node(_: AgentState) -> dict:
return {"tool_response": "明天晴，气温25°C，适合出行。"}
deffinal_node(state: AgentState) -> dict:
# 获取工具的响应，或者默认消息
reply = state.get("tool_response", "很高兴为您服务！")
# 获取当前时间戳，作为元数据
timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S")
# 可以添加额外的元数据，例如，用户的原始输入
user_input = state["messages"][-1].content
# 打印出回复信息及其附加内容
print(f"回复: {reply}, 时间: {timestamp}, 用户输入: {user_input}")
# 返回包含原始消息和回复的消息记录
return {
"messages": state["messages"] + [AIMessage(content=reply)],
"metadata": {
"timestamp": timestamp,
"user_input": user_input,
"reply_length": len(reply),
}
}3.4 构建并编译图
#%% 6. 构建 LangGraph 工作流
def build_graph():
workflow = StateGraph(AgentState)
workflow.add_node("agent", agent_decision_node)
workflow.add_node("tool", tool_node)
workflow.add_node("final", final_node)
workflow.set_entry_point("agent")
workflow.set_finish_point("final")
workflow.add_conditional_edges("agent", lambda st: st["agent_outcome"], {"tool": "tool", "final": "final"})
workflow.add_edge("tool", "final")
return workflow.compile()
# 编译一次，供全局使用
graph = build_graph()3.5 调用测试
#%% 7. 运行测试
def test_run():
init_state = {"messages": [HumanMessage(content="请问明天天气如何？")]}
result = graph.invoke(init_state)
print("\n对话记录:")
for msg in result["messages"]:
print(f"[{msg.type}]: {msg.content}")通过修改判断逻辑、替换工具节点为真实 API、或在 State 中增加更多字段（如意图、对话轮次等），即可快速扩展为更复杂的客服或业务流程 ([LangChain AI][1], [Medium][5])。
四、可视化与调试
LangGraph 支持将工作流导出为 NetworkX 图结构，便于通过 matplotlib 进行流程图可视化，同时也支持生成 Mermaid 或 PNG 格式的图示。此外，LangGraph 可无缝集成 LangSmith，实现对智能体执行过程的可视化调试与追踪。
4.1 流程图生成
#%% 8. 使用 Mermaid 可视化工作流
def visualize_workflow_with_mermaid(graph):
mermaid_code = graph.get_graph().draw_mermaid() # 获取 Mermaid 格式代码
# 通过 IPython 显示 Mermaid 图
display(Markdown(f"```mermaid\n{mermaid_code}\n```"))输出结果：
__start__
agent
tool
final
__end__
4.2 LangSmith 集成调试
通过 LangSmith 记录执行过程：
#%% 9. LangSmith 追踪（可选）
defrun_with_langsmith(input_state):
if"LANGSMITH_API_KEY"in os.environ:
@traceable
deftraced_fn(state):
return graph.invoke(state)
result = traced_fn(input_state)
print("\n[Traced] 对话记录:")
for msg in result["messages"]:
print(f"[{msg.type}]: {msg.content}")
else:
print("\n跳过 LangSmith 集成：未设置 LANGSMITH_API_KEY")
#%% 10. 主入口
if __name__ == "__main__":
visualize_workflow_with_mermaid(graph)
# test_run()
run_with_langsmith({"messages": [HumanMessage(content="北京天气怎么样？")]})在 LangSmith 控制台中可查看：
-
1. 各节点执行耗时
-
2. 状态变更历史
-
3. 条件边判断结果
五、拓展与实践建议
-
1. 高级决策：将
agent_decision_node替换成 OpenAI Functions，实现更丰富的意图识别与工具选择 ([LinkedIn][6])。 -
2. 多工具调用：在
State中维护工具队列，实现同时调用多个服务（搜索、计算、翻译等）。 -
3. 持久化存储：集成数据库或持久化层（如 Redis、Postgres），保存长期会话或任务进度。
-
4. 监控与回溯：接入 LangSmith，开启 Trace 跟踪，实时查看节点执行时间及状态变更 ([LangChain][4])。
-
5. 多 Agent 协作：构建多角色智能体（如 Planner、Executor、Evaluator），通过图的形式串联，形成协作式智能系统 ([arXiv][7])。
六、小结
本文通过智能客服示例，演示了 LangGraph 的基本使用流程：
-
• 定义全局
State，存放上下文与中间结果 -
• 编写节点（
Node）实现决策、工具调用、回复生成 -
• 用有向图（
Graph）组织节点与条件边 -
• 编译并调用流程，结合
NetworkX可视化
LangGraph 使得复杂、有状态的 AI 智能体开发变得模块化、可视化且易于维护，是构建企业级对话系统和多智能体工作流的利器。
如何系统的去学习大模型LLM ？
大模型时代，火爆出圈的LLM大模型让程序员们开始重新评估自己的本领。 “AI会取代那些行业？”“谁的饭碗又将不保了？”等问题热议不断。
事实上，抢你饭碗的不是AI，而是会利用AI的人。
继科大讯飞、阿里、华为等巨头公司发布AI产品后，很多中小企业也陆续进场！超高年薪，挖掘AI大模型人才！ 如今大厂老板们，也更倾向于会AI的人，普通程序员，还有应对的机会吗？
与其焦虑……
不如成为「掌握AI工具的技术人」，毕竟AI时代，谁先尝试，谁就能占得先机！
但是LLM相关的内容很多，现在网上的老课程老教材关于LLM又太少。所以现在小白入门就只能靠自学，学习成本和门槛很高。
基于此，我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近70次后，终于把整个AI大模型的学习门槛，降到了最低！
在这个版本当中：
第一您不需要具备任何算法和数学的基础
第二不要求准备高配置的电脑
第三不必懂Python等任何编程语言
您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型教程已经给大家整理并打包，现在将这份 LLM大模型资料 分享出来：包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
一、LLM大模型经典书籍
AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。
二、640套LLM大模型报告合集
这套包含640份报告的合集，涵盖了大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。(几乎涵盖所有行业)
三、LLM大模型系列视频教程
四、LLM大模型开源教程（LLaLA/Meta/chatglm/chatgpt）
五、AI产品经理大模型教程
LLM大模型学习路线 ↓
阶段1：AI大模型时代的基础理解
-
目标：了解AI大模型的基本概念、发展历程和核心原理。
-
内容：
- L1.1 人工智能简述与大模型起源
- L1.2 大模型与通用人工智能
- L1.3 GPT模型的发展历程
- L1.4 模型工程
- L1.4.1 知识大模型
- L1.4.2 生产大模型
- L1.4.3 模型工程方法论
- L1.4.4 模型工程实践
- L1.5 GPT应用案例
阶段2：AI大模型API应用开发工程
-
目标：掌握AI大模型API的使用和开发，以及相关的编程技能。
-
内容：
- L2.1 API接口
- L2.1.1 OpenAI API接口
- L2.1.2 Python接口接入
- L2.1.3 BOT工具类框架
- L2.1.4 代码示例
- L2.2 Prompt框架
- L2.3 流水线工程
- L2.4 总结与展望
阶段3：AI大模型应用架构实践
-
目标：深入理解AI大模型的应用架构，并能够进行私有化部署。
-
内容：
- L3.1 Agent模型框架
- L3.2 MetaGPT
- L3.3 ChatGLM
- L3.4 LLAMA
- L3.5 其他大模型介绍
阶段4：AI大模型私有化部署
-
目标：掌握多种AI大模型的私有化部署，包括多模态和特定领域模型。
-
内容：
- L4.1 模型私有化部署概述
- L4.2 模型私有化部署的关键技术
- L4.3 模型私有化部署的实施步骤
- L4.4 模型私有化部署的应用场景
这份 LLM大模型资料 包括LLM大模型书籍、640套大模型行业报告、LLM大模型学习视频、LLM大模型学习路线、开源大模型学习教程等, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓
扫一扫
28
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
