从零开始：LangGraph初学者指南！构建你的第一个AI Agent！

最新推荐文章于 2025-04-29 08:16:14 发布

Python编程杰哥

最新推荐文章于 2025-04-29 08:16:14 发布

阅读量2.7k

点赞数 11

文章标签：人工智能 microsoft 大数据 python 机器学习网络

本文链接：https://blog.csdn.net/xx_nm98/article/details/145041364

版权

最近收到很多小伙伴在催LangGraph系列

AI Agent能够执行自动化任务、回答用户查询、进行数据处理等，广泛应用于客户支持、智能推荐、内容生成等领域。

AI Agent的领域技术复杂性往往让初学者望而却步

无论是刚踏入AI领域的开发者

还是对Agent系统感到好奇

现在就通过使用LangGraph创建一个简单但功能齐全的来分解基础知识

今天分为两个部分！帮助你快速入门

第一部分：LangGraph的组成部分

第二部分：构建和执行你的第一个AI代理

构建 AI 代理的价值远不止于自动化某些任务

AI 代理的价值体现哪些方面

提高效率、增强用户体验、便捷的构建与部署…

一、LangGraph中图的主要组成部分

1.1节点

节点只是python函数接收图的状态作为首个参数

通过这个参数

节点可以了解Graph中的动态并更新状态，实现与Graph的交互。

每个节点的操作都基于对这一共享状态的处理和修改。

默认情况下，节点还会覆盖前置状态值

1.2边

可以将边视为顶点，将两个端点连接在一起

边只是两个节点之间的连接

1.2.1边它分为什么类型呢？

①普通边是指没有设置任何条件的边

②条件边是指仅在特定条件满足时才会被遍历的边

根据执行一系列逻辑判断和条件语句来，返回下一个的节点名称

通常使用if和else语句来实现，根据条件判断返回下一个要访问的节点

1.2.2额外知识点

①孤立节点在图论中，孤立节点是没有任何边与其他节点相连的节点/顶点，是完全与图中其他部分断开的顶点，度数为0

②状态基本上是我们在图形的不同节点和边之间传递的对象

状态通常是处理图时首先定义的关键要素

在构建的过程中，状态对象承载了必要的上下文信息，为各个组件之间的交互提高标准化数据格式

话不多说，现在开始!动手来！

一定要动起手来跑！

AI发展飞快！只有动手了，才知道里面会遇到什么问题，才能知道，底层原理是什么！

二、构建一个简单的Graph

构建Graph节点

首先，在构建图时，我们需要创建一些节点。

ok 暂时不考虑节点，我们首先需要思考图应该执行什么功能

将这些思考和构思转化为普通的Python函数

这些函数实际上就是图中的节点。

def node_01(state: State):`        `print(f"node_01: {state['graph_msg']}")`    `# 覆盖状态中graph_msg`    `return{"graph_msg": state["graph_msg"] + "node_01"}``def node_02(state: State):`        `print(f"node_02: {state['graph_msg']}")`    `# 覆盖状态中graph_msg`    `return {"graph_msg": state["graph_msg"] + "node_02"}``def node_03(state: State):`    `print(f"node_03: {state['graph_msg']}")`    `# 覆盖状态中graph_msg`    `return{"graph_msg": state["graph_msg"] + "node_03"}

这里可以看到每个节点

每个节点都会修改图形状态

如果你在python中有段代码

你可能会收到警告

因为

我们没有定义图形的状态

但是！接下来，我们不这样做

2.1构建Graph状态

Graph的状态对象用于维护Graph中当前活动的短期记忆

并作为参数传递给每个节点。

在 LangGraph 中，我们利用TypedDict、Pydantic

和内置类来构建和管理这些状态对象。

为了保持实现的简单性和清晰度

我们将使用TypedDict来定义图形状态。

from typing import TypedDict``class State(TypedDict):`   `graph_msg:str

现在我们的状态包含一个名为graph_msg的变量

用于储存Graph的消息

从上述节点的代码可以观察到如何在每个Graph节点中更新变量

2.2构建实际Graph

现在我们已经拥有了所需的组件！

首先！

我们传入Graph的状态

使用LangGraph中的类完成

我们将导入该类StateGraph

2.3添加所有的节点

将所有节点添加到Graph中

from langgraph.graph import StateGraph, END, START``# 定义Graph及其状态``builder = StateGraph(State)``# 添加所有节点``builder.add_node("node_01", node_01)``builder.add_node("node_02", node_02)``builder.add_node("node_03", node_03)

START是一个特殊的节点

将状态传递给Graph以初始化Graph代理

这标志着执行的起点

END是另一个指示终止点的特殊节点

2.4添加边

然后！继续向Graph添加边

from langgraph.graph import StateGraph, END, START``   ``# 定义Graph及其状态``builder = StateGraph(State)``   ``# 添加所有节点``builder.add_node("node_01", node_01)``builder.add_node("node_02",node_02)``builder.add_node("node_03",node_03)``   ``# 连接Graph的节点与边``builder.add_edge(START, "node_01") # 正常边``builder.add_conditional_edges("node_01", select_next_node) # 条件边``builder.add_edge("node_02", END) # 正常边``builder.add_edge("node_03", END) # 正常边

2.5编译Graph

设置完成后，就可以编译Graph

编译Graph会需要执行一些操作

①检查孤立节点是否存在

②关于Graph结构的其他检查

为了编译Graph，我们运行以下代码块

# 定义Graph及其状态``builder = StateGraph(State)``   ``# 添加所有节点``builder.add_node("node_01", node_01)``builder.add_node("node_02",node_02)``builder.add_node("node_03",node_03)``   ``# 连接Graph节点与边``builder.add_edge(START,"node_01")# 正常边` `builder.add_conditional_edges("node_01", select_next_node)``# 连接graph节点与边``builder.add_edge("node_02", END)#正常边` `builder.add_edge("node_03", END)#正常边` `   ``# 编译graph``graph = builder.compile()

2.6Graph可视化

注意！

要试一下代码正常运行

请确保从Python笔记本运行

使用Python代码可视创建的Graph

from IPython.display import Image, display``# 可视化Graph``display(Image(graph.get_graph().draw_mermaid_png()))

从上图中，可以看出条件边用虚线，正常边用实线表示

2.7Graph调用

完成了Graph的编译

一切就绪

现在我们继续调用Graph，需要注意

①编译后的Graph在LangChain中实现了可运行协议，这使得能够在LangChain中处理其他链一样处理Graph

②要调用一个Graph，需要传入他的状态

③每一个节点都将接受当前状态并覆盖它

④执行持续进行到graph终止点，直到终止节点

⑤ invoke方法异步运行Graph，在移动到下一个节点之前，会等待每个节点完成

⑥Graph在所有节点覆盖返回最终的状态

graph.invoke({"graph_msg":"Hello, "})

以上就是关键的代码

恭喜你迈出成为AI Agent构建者的第一步

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述