彬彬侠的博客

SearxNG 作为一个开源、隐私友好的元搜索引擎，能够聚合多个搜索引擎的结果，为用户提供广泛的信息视角。将 SearxNG 集成到 LangGraph 中，可以显著增强工作流的搜索能力，适用于智能助手、研究自动化和多任务处理等场景。本文详细介绍如何在 LangGraph 中集成 SearxNG，涵盖安装配置、工具集成、工作流设计和实际应用，旨在为开发者提供清晰、实用的指导。关键步骤包括：设置自托管 SearxNG 实例并启用 JSON API。使用 SearxSearchWrapper 或 load_to

本指南展示了如何使用 LangGraph 平台实现生成用户界面（Generative UI），通过将 React 组件与图代码共同托管，动态生成交互式、上下文感知的 UI。核心步骤：定义和配置 UI 组件：在 src/agent/ui.tsx 中创建 React 组件（如 WeatherComponent），以键值对形式导出（{ weather: WeatherComponent }）。在 langgraph.json 的 ui 部分指定组件路径（如 "agent": "./src/agent/ui.tsx

指南展示了如何使用 useStream() React 钩子将 LangGraph 集成到 React 应用中，处理流式传输、状态管理、分支逻辑等复杂性，提供灵活的聊天体验构建方式。基本用法：使用 useStream() 钩子连接 LangGraph 部署（通过 apiUrl 和 assistantId）。渲染消息列表（thread.messages）并通过 thread.submit() 发送用户输入。管理加载状态（isLoading）和停止流（thread.stop()）。高级功能：线程管理：通过 th

指南展示了如何通过将 CrewAI、AutoGen 等框架的代理包装在一个单一 LangGraph 节点中，使用 LangGraph 平台进行部署，获得水平可扩展性、任务队列、短期和长期记忆支持等优势。核心步骤：定义 AutoGen 代理：使用 AutoGen 的 AssistantAgent 和 UserProxyAgent 创建代理，配置模型参数（如 gpt-4o、超时、温度）以及代码执行设置。设置自动终止条件（当响应以 “TERMINATE” 结尾时停止）。包装到 LangGraph：定义一个单一节点

本指南展示了如何使用 RemoteGraph 接口与 LangGraph 平台部署交互，使其像本地定义的 CompiledGraph 一样，通过同步或异步方法（如 .invoke()、.stream() 等）调用远程图。核心步骤：初始化：必须提供 name（图名称，与 langgraph.json 中的一致）和 api_key（通过 LANGSMITH_API_KEY 或参数）。至少提供 url（部署 URL）、client（异步 LangGraphClient）或 sync_client（同步 SyncL

本指南展示了如何通过提供一个图创建函数（make_graph）在 LangGraph 运行时动态重建图，以根据配置（如用户 ID）使用不同的图状态或结构。核心步骤：不重建（静态图）：在 openai_agent.py 中定义一个静态的已编译图实例（agent），通过 langgraph.json 指定其路径，适合固定行为的场景。重建（动态图）：重写 openai_agent.py，提供 make_graph 函数，接受 RunnableConfig 并返回根据配置构建的图实例。示例中为用户 ID ‘1’ 构

本教程成功构建了一个具有生产级认证和授权的 LangGraph 聊天机器人。主要工作：设置自定义认证：使用硬编码令牌创建了一个基本的认证系统，控制谁可以访问机器人。通过 Auth 对象和 @auth.authenticate 装饰器实现了令牌验证。使对话私有：添加了资源级授权，通过 @auth.on 和特定资源处理程序（如 @auth.on.threads.create）确保用户只能访问自己的线程。使用元数据过滤器实现了私有对话，防止用户访问彼此的资源。连接认证提供者：将硬编码令牌替换为 Supabase

本指南展示了如何通过 RunnableConfig 为 LangGraph 图运行设置自定义 run_id、run_name、tags 和 metadata，以便在 LangSmith 中进行调试、测试和监控。核心步骤：配置设置：使用 run_id（UUID）、run_name（字符串）、tags（字符串列表）和 metadata（JSON 可序列化字典）自定义跟踪信息。图运行：通过 stream、invoke 等方法传递配置，适用于所有标准 Runnable 方法。LangSmith 集成：在 LangS

本教程展示了如何构建一个 SQL 代理，能够通过一系列结构化步骤（列出表、获取模式、生成查询、检查查询、执行查询、修正错误、生成回答）回答数据库相关问题。核心步骤：预构建代理：使用 create_react_agent 和 SQLDatabaseToolkit 快速构建代理，通过系统提示约束行为。自定义代理：通过 LangGraph 的 StateGraph 创建专用节点（list_tables、call_get_schema、generate_query、check_query、run_query），强制

教程展示了如何构建一个多代理系统，其中监督者代理协调专门的研究和数学代理，通过交接机制实现任务分配和通信。核心步骤：工作代理创建：研究代理使用 TavilySearch 工具进行网络搜索，专注于研究任务。数学代理使用简单的 Python 数学函数（add、multiply、divide），专注于数学计算。监督者实现：使用 langgraph-supervisor 的 create_supervisor 快速构建监督者，协调代理并管理任务流。从头构建监督者，使用自定义交接工具和 StateGraph，实现更灵

本教程展示了如何构建一个检索代理，能够智能决定是否从向量存储检索上下文或直接回应用户，结合了语义搜索和 LLM 的决策能力。核心步骤：文档预处理：使用 WebBaseLoader 获取博客内容，RecursiveCharacterTextSplitter 分割为适合索引的块。检索工具：通过 InMemoryVectorStore 和 OpenAIEmbeddings 创建向量存储，结合 create_retriever_tool 构建检索工具。图构建：generate_query_or_respond：LL

LangGraph 服务器通过环境变量支持灵活的部署配置，涵盖后台任务、日志、数据库、Redis、跟踪和认证等方面，适用于本地开发、自托管和云 SaaS 部署。核心变量：后台任务：BG_JOB_ISOLATED_LOOPS、BG_JOB_TIMEOUT_SECS 和 BG_JOB_SHUTDOWN_GRACE_PERIOD_SECS 用于优化后台运行的性能和稳定性。跟踪：DD_API_KEY 和 LANGCHAIN_TRACING_SAMPLING_RATE 启用 Datadog 和 LangSmith 跟

RemoteGraph 类是用于调用远程 LangGraph 服务器 API 的客户端实现，遵循 LangGraph 服务器 API 规范，可作为 Graph 的节点，集成到更大的图结构中，适合与 LangGraph 平台部署交互。核心功能：初始化：通过 assistant_id、url、api_key 或自定义客户端（LangGraphClient / SyncLangGraphClient）配置远程连接。图管理：通过 get_graph 和 aget_graph 获取图结构，支持子图表示。状态管理：通过

LangGraph Python SDK 提供异步（LangGraphClient）和同步（SyncLangGraphClient）客户端，用于管理 LangGraph API 的核心资源（助手、线程、运行、定时任务和存储），支持 Python 和 JavaScript 项目，适合开发、测试和生产部署。核心类：LangGraphClient / SyncLangGraphClient：顶级客户端，管理助手、线程、运行、定时任务和存储。HttpClient / SyncHttpClient：处理 HTTP 请

LangGraph CLI 提供了在本地 Docker 中构建和运行 LangGraph 平台 API 服务器的工具，支持 Python 和 JavaScript 项目，适合开发、测试和生产部署。安装要求：需要安装 Docker 和 CLI 包（Python：langgraph-cli，JavaScript：@langchain/langgraph-cli）。Python 项目需 Python >= 3.11，JavaScript 项目需 Node.js 20。配置文件：使用 langgraph.json

LangChain 的 MCP 适配器模块提供了连接多个 MCP 服务器并加载工具、提示和资源的客户端，支持与 LangChain 生态系统的无缝集成。关键类：MultiServerMCPClient：客户端类，用于管理多个 MCP 服务器连接并加载资源。关键函数：load_mcp_tools：加载 MCP 工具并转换为 LangChain 工具。load_mcp_prompt：加载 MCP 提示并转换为 LangChain 消息。load_mcp_resources：加载 MCP 资源并转换为 LangC

LangGraph 的群集模块提供了协调多代理系统的功能，支持代理间的动态路由和控制交接，适合构建协作工作流。关键类：SwarmState：多代理群集的状态模式，继承自 MessagesState。关键函数：create_swarm：创建多代理群集，协调代理并支持动态路由。add_active_agent_router：向状态图添加路由器，跟踪并路由到活跃代理。create_handoff_tool：创建交接工具，将控制权传递给指定代理。使用建议：使用 create_swarm 构建多代理系统，结合专业化代

LangGraph 的监督者模块提供了协调多代理系统的功能，支持代理间的控制交接、工具调用和状态管理，适合构建复杂的协作工作流。关键函数：create_supervisor：创建多代理监督者，管理代理工作流并协调工具调用。create_handoff_tool：创建交接工具，将控制权传递给指定代理。create_forward_message_tool：创建转发工具，保留工作线程消息以避免信息丢失。使用建议：使用 create_supervisor 构建多代理系统，结合专业化代理（如数学或研究代理）实现任务

LangGraph 的代理模块提供了构建交互式代理的工具，支持工具调用、人机交互和复杂工作流管理。关键类：AgentState：定义代理状态，包含消息列表和其他字段。InjectedState：注解工具参数以注入图状态。InjectedStore：注解工具参数以注入 LangGraph 存储。ToolNode：执行工具调用的节点，支持错误处理和状态注入。ValidationNode：验证工具调用，生成结构化输出。HumanInterruptConfig：配置人机中断的交互选项。ActionRequest：表

LangGraph 的通道模块提供了基于 Pregel 模型的状态管理机制，支持多种值存储和更新策略，适用于复杂的工作流。关键类：BaseChannel：通道的抽象基类，定义基本操作接口。Topic：发布-订阅通道，支持累积或清空值。LastValue：存储最后一个值，每步最多接收一个值。EphemeralValue：存储前一步值，每步后清空。BinaryOperatorAggregate：通过二元运算符聚合值。AnyValue：存储最后一个值，假设多值相等。使用建议：根据需求选择合适的通道类型（如 Top

LangGraph 的常量模块提供了用于图结构和跟踪的预定义常量，确保一致的节点和边标识。关键属性：TAG_HIDDEN：用于隐藏节点或边，防止其在特定跟踪或流式传输环境中显示。START：标记图的起始节点，可能为虚拟节点。END：标记图的终止节点，可能为虚拟节点。使用建议：在定义图结构时，使用 START 和 END 常量明确指定入口和出口节点。使用 TAG_HIDDEN 隐藏对用户无关的内部节点或边，优化跟踪输出。常量值通过 intern 优化内存使用，适合高频访问场景。注意事项：常量值是字符串，确保在

LangGraph 的错误模块定义了一系列异常类，用于处理图执行中的各种错误情况，确保开发者能够捕获和处理异常。关键类：GraphRecursionError：防止图无限循环，允许通过配置调整最大步骤数。InvalidUpdateError：处理无效的通道更新，提供故障排查指南。GraphInterrupt：子图中断，内部使用，不暴露给用户。NodeInterrupt：节点主动中断执行。GraphDelegate：分布式模式下的图委托。EmptyInputError：处理空输入情况。TaskNotFound

LangGraph 的配置模块提供了运行时访问存储和流写入器的函数，支持在节点或任务中动态操作数据和输出流。关键函数：get_store：访问 LangGraph 存储，适用于从节点或任务内部读取或写入持久化数据。get_stream_writer：访问流写入器，适用于在自定义流模式（stream_mode="custom"）下发出数据。使用建议：在初始化 StateGraph 或入口点时，传入存储实例以启用 get_store。使用 get_stream_writer 配合 stream_mode="cu

类型模块定义了 LangGraph 中用于配置、状态管理和工作流控制的核心数据结构和函数。关键类：RetryPolicy：配置节点的自动重试策略，支持指数退避和抖动。CachePolicy：配置节点的缓存行为，指定缓存键生成和 TTL。Interrupt：表示节点中断，支持人机交互工作流。PregelTask：表示 Pregel 任务。StateSnapshot：捕获图状态快照，包含通道值、任务和中断。Send：表示发送到节点的动态消息，支持灵活工作流（如映射-归约）。Command：表示更新图状态和发送消

缓存模块提供用于存储和检索键值对的基类和实现，支持在内存或文件中持久化缓存数据。关键类：BaseCache：缓存的抽象基类，定义同步和异步操作接口，支持 TTL。InMemoryCache：基于内存的缓存实现，适合临时存储和快速访问。SqliteCache：基于 SQLite 的文件缓存实现，适合持久化存储。使用建议：对于需要快速、临时缓存的场景，使用 InMemoryCache。对于需要持久化缓存的场景，使用 SqliteCache 并指定数据库文件路径。根据应用需求选择同步（get, set, clea

存储模块提供持久化的键值存储基类和类型，支持跨线程和会话的长期内存。存储支持层次命名空间、键值存储以及可选的向量搜索功能。关键类：Embeddings：定义文本嵌入模型接口，支持同步和异步嵌入操作。Item 和 SearchItem：表示存储条目及其搜索结果，包含元数据。GetOp、SearchOp、ListNamespacesOp、PutOp：定义存储操作，分别支持检索、搜索、列出命名空间和存储/更新条目。MatchCondition：支持灵活的命名空间匹配模式。TTLConfig 和 IndexConf

检查点机制是 LangGraph 中用于持久化图状态的核心功能，允许代理在多次交互中或跨交互保持状态。关键类：CheckpointMetadata 和 Checkpoint：定义检查点的元数据和状态快照。BaseCheckpointSaver：检查点保存器的基类，提供同步和异步方法。InMemorySaver：内存存储，适合调试和测试。SqliteSaver 和 AsyncSqliteSaver：基于 SQLite 的同步和异步保存器，适合轻量级应用。PostgresSaver 和 AsyncPostgre

Pregel 是 LangGraph 应用程序的运行时管理器，负责协调执行器（Actors）和通道（Channels）的执行。它基于 Pregel 算法/批量同步并行（Bulk Synchronous Parallel）模型，将应用程序的执行组织为多个步骤。执行器（PregelNode）：订阅和写入通道的计算单元，实现了 LangChain 的 Runnable 接口。通道：支持多种类型（如 LastValue、Topic、Context 和 BinaryOperatorAggregate），用于执行器之间

LangGraph 的 Functional API 提供了一套通过装饰器（如 @entrypoint 和 @task）定义工作流和任务的工具。entrypoint 装饰器：将函数转换为 LangGraph 工作流，支持同步和异步函数，提供状态管理、检查点和并行任务执行功能。使用 entrypoint.final 可以解耦返回值和保存值，增强灵活性。task 装饰器：定义可在 entrypoint 或 StateGraph 中调用的任务，支持并行执行和缓存，适合分解复杂工作流。

LangGraph 是一个强大的框架，用于构建需要状态管理的复杂 LLM（大型语言模型）工作流。本文内容涵盖了 StateGraph、CompiledStateGraph 和 add_messages 函数的详细描述。StateGraph：用于定义节点、边和共享状态的图，编译后生成 CompiledStateGraph 以供执行。CompiledStateGraph：支持灵活的执行方式（同步/异步、流式/批量）和状态管理，stream 方法提供了多种输出模式，适合实时处理和调试。add_messages：简

langgraph.types 模块是 LangGraph 库的基础模块，提供了类型定义和实用工具，支持状态管理、中断处理、缓存和流式处理。它通过类型别名、配置类和工具函数，确保代码的类型安全和可维护性，为构建复杂、有状态的 AI 系统奠定了坚实基础。开发者可以利用该模块快速实现高效、可靠的代理和工作流，提升开发效率和系统鲁棒性。

langgraph.prebuilt 模块是 LangGraph 的核心模块，提供了 create_react_agent、ToolNode、tools_condition、ValidationNode、InjectedState 等预构建组件，简化了 ReAct 代理、工具执行和状态管理的开发。它通过封装常见逻辑，支持快速构建对话代理、自动化工作流和人类交互场景。模块设计注重易用性和灵活性，适合从原型到生产级的多种应用场景。通过示例和实践，开发者可以快速上手，构建高效、可控的 AI 系统。

langgraph.store.postgres.PostgresStore 是 LangGraph 提供的持久化键值存储类，基于 PostgreSQL 数据库，支持层次命名空间和向量搜索（通过 pgvector）。它继承自 BaseStore，提供 put、get、delete 等方法，通过 setup() 初始化表结构。核心功能包括持久化存储、语义搜索和 TTL 管理，适合生产环境中需要长时记忆和内容检索的 AI 应用，如聊天机器人和复杂工作流。相比 InMemoryStore，它提供持久化优势；相比

langgraph.checkpoint.redis.RedisSaver 是 LangGraph 的检查点保存器，基于 Redis 数据库实现同步持久化存储，适合生产环境中的高并发场景。它继承自 BaseCheckpointSaver，支持 TTL 配置、索引管理和序列化，通过 setup() 初始化 Redis 索引。核心功能包括线程隔离、状态恢复和高性能存储，适用于多轮对话、自动化工作流和分布式系统。相比 InMemorySaver，它提供持久化优势；相比 PostgresSaver，更适合内存密集型

langgraph.checkpoint.mysql.pymysql.PyMySQLSaver 是 LangGraph 的检查点保存器，基于 MySQL 数据库实现持久化存储，适合生产环境。它继承自 BaseCheckpointSaver，支持同步操作，通过 setup() 初始化表结构，提供线程隔离和序列化支持。核心功能包括持久化检查点、状态恢复，适用于多轮对话和复杂工作流。与 InMemorySaver 相比，提供持久化优势；与 PostgresSaver 类似，适用于 MySQL 环境。通过示例和实践

langgraph.checkpoint.postgres.PostgresSaver 是 LangGraph 的检查点保存器，基于 PostgreSQL 数据库实现持久化存储，适合生产环境。它继承自 BaseCheckpointSaver，支持同步和异步操作，通过 setup() 初始化表结构，提供线程隔离和序列化支持。核心功能包括持久化检查点、状态恢复和高并发管理，适用于多轮对话、自动化工作流和分布式系统。相比 InMemorySaver，它提供持久化优势；相比 SqliteSaver，更适合高并发场景

langgraph.checkpoint.base 模块是 LangGraph 检查点系统的核心，提供了检查点数据结构（Checkpoint、CheckpointTuple）和抽象基类（BaseCheckpointSaver），定义了保存和检索检查点的标准接口。它支持同步和异步操作，通过子类（如 InMemorySaver、PostgresSaver）实现具体存储逻辑，适用于开发调试和生产环境。模块设计注重统一接口、灵活性和可扩展性，为构建可持久化、有状态的 AI 应用提供了坚实基础。

langgraph.checkpoint.base.BaseCheckpointSaver 是 LangGraph 库中 langgraph.checkpoint.base 模块的一个抽象基类（Abstract Base Class, ABC），用于定义检查点保存器的标准接口。LangGraph 是 LangChain 生态的扩展，专注于构建复杂、有状态的 AI 系统，通过状态图（StateGraph）管理节点和边，支持动态路由、循环和状态管理。检查点（Checkpoint）是 LangGraph 的核心功

langgraph.checkpoint.memory.PersistentDict 是一个持久化字典类，结合内存操作的快速性和磁盘存储的持久性，适合 LangGraph 的开发和测试阶段。它支持 pickle、json、csv 格式，API 兼容 shelve 和 anydbm，通过 sync 和原子提交确保持久化可靠性。在 LangGraph 中，它可用于自定义持久化存储，如增强 InMemoryStore。然而，由于文件存储的局限性，不适合生产环境，推荐使用 PostgresSaver 或 Sqlit

InMemorySaver 是 langgraph.checkpoint.memory 模块中的类，基于 Python 的 collections.defaultdict 实现了一个内存中的检查点保存器。检查点是 LangGraph 中用于保存图状态的机制，确保代理在多轮对话或多步任务中保持上下文连续性。InMemorySaver 通过 thread_id 跟踪会话，支持快速读写，但数据在程序重启后丢失，因此主要用于开发、测试或临时记忆场景。