LangGraph 是一种将任务流程模块化的编程框架，通过状态图（StateGraph）构建灵活且高效的智能对话系统。本篇文章将通过 3 个迷你程序逐步深入 LangGraph 的图编程核心思想，帮助您快速上手并了解其实际应用潜力，初步了解 Agent 工作流控制的方法。

---

1. LangGraph 简介

LangGraph 是一种基于图的编程框架，用于组织和管理复杂任务的工作流。它的核心思想是将任务分解为“节点”（Node），并通过“边”（Edge）定义这些节点之间的逻辑关系。
相比于传统的线性流程控制，LangGraph 的图结构更适合处理动态任务分支、多任务协作等复杂场景。

主要优势包括：

• 模块化设计：任务逻辑清晰且易于扩展。

• 灵活的状态管理：通过图的结构实现动态任务切换和条件处理。

• 多工具集成：支持接入外部工具和大模型（如 OpenAI 和 Google Gemini）。

---

---

2. 为什么选择 LangGraph？

在传统的对话系统中，开发者常常面临以下挑战：

1. 任务分支逻辑复杂，难以维护；

2. 多工具协作的集成成本高；

3. 大规模上下文处理缺乏高效解决方案。

LangGraph 则通过状态图和内存管理等特性，解决了这些痛点。例如，LangGraph 支持通过条件逻辑选择合适的工具或模型，同时保留会话上下文，显著提升开发效率。

---

---

3. LangGraph 编程的 6 个基本步骤

1. 定义任务的状态结构（State）。

2. 创建各任务逻辑的节点函数（Node）。

3. 初始化任务的状态图（StateGraph）。

4. 定义节点之间的连接关系（Edge）。

5. 添加内存管理或条件处理（可选）。

6. 编译图并运行任务流。

---

---

4. 通过 3 个迷你程序掌握 LangGraph

以下我们设计了 3 个渐进式的迷你程序，涵盖基础对话、上下文记忆和工具调用等核心功能。

---

4.1 程序一：基础对话系统

目标：实现一个简单的聊天机器人，处理用户输入并返回回复。

from typing import Annotated, TypedDict  
from langgraph.graph import StateGraph, START  
from langgraph.graph.message import add_messages  
from llm_utils import get_llm  
  
# 定义状态类型  
class State(TypedDict):  
    messages: Annotated[list, add_messages]  
  
def chatbot(state: State):  
    """简单聊天机器人"""  
    llm = get_llm()  
    return {"messages": [llm.invoke(state["messages"])]}  
  
# 创建并编译图  
graph = (  
    StateGraph(State)  
    .add_node("chatbot", chatbot)  
    .add_edge(START, "chatbot")  
    .compile()  
)  
  
def chat():  
    """运行聊天界面"""  
    while True:  
        user_input = input("User: ")  
        if user_input.lower() in ["quit", "exit", "q"]:  
            print("Goodbye!")  
            break  
              
        # 通过图处理用户输入  
        for output in graph.stream({"messages": [("user", user_input)]}, {}):  
            for value in output.values():  
                print("Assistant:", value["messages"][-1].content)  
  
if __name__ == "__main__":  
    chat()  

程序亮点：

• 使用 LangGraph 的 StateGraph 模块，构建了一个简单的线性任务流。

• 定义了消息的输入输出格式。

Graph

本程序只有一个节点

运行结果

model_type: azure
Azure OpenAI Configuration:
Deployment Name: gpt-4o
API Version: 2024-08-01-preview
User: 你好！我是“非"
Assistant: 你好！“非”，很高兴认识你。有什么我可以帮忙的吗？
User: 请讲一个 AI 智能体的笑话吧
Assistant: 当然可以！这是一个关于AI智能体的笑话：
有一天，一个程序员问他的AI助手：“你知道什么是幽默吗？”
AI助手回答：“当然知道！幽默是一种通过语言、动作或其他方式引发笑声的艺术。”
程序员笑了笑，说：“那你能讲个笑话吗？”
AI助手思考了一下，然后说：“为什么计算机喜欢冷饮？”
程序员好奇地问：“为什么？”
AI助手回答：“因为它们总是需要一些‘冷却’！”
程序员忍不住笑了：“看来你真的懂幽默！”
AI助手自豪地说：“当然，我可是经过‘深度学习’的！”
希望你喜欢这个笑话！
User: 还记得我的名字吗？
Assistant: 对不起，我无法记住或访问之前的对话内容。因此，我不知道你的名字。你可以告诉我你的名字吗？
User: quit
Goodbye!

---

4.2 程序二：带记忆功能的对话系统

目标：实现上下文记忆功能，使机器人能够记住多轮对话的内容。

import os  
from typing import Annotated, TypedDict  
from langgraph.graph import StateGraph, START, END  
from langgraph.graph.message import add_messages  
from langgraph.checkpoint.memory import MemorySaver  
from llm_utils import get_llm  
from dotenv import load_dotenv  
  
# 从.env加载环境变量  
load_dotenv()  
  
# 定义状态类型  
class State(TypedDict):  
    messages: Annotated[list, add_messages]  
  
# 初始化内存管理器和大模型  
memory = MemorySaver()  
llm = get_llm()  
  
def chatbot(state: State):  
    """支持记忆的聊天机器人"""  
    response = llm.invoke(state["messages"])  
    return {"messages": [response], "next": END}  
  
# 创建并编译图  
graph = (  
    StateGraph(State)  
    .add_node("chatbot", chatbot)  
    .add_edge(START, "chatbot")  
    .add_edge("chatbot", END)  
    .compile(checkpointer=memory)  
)  
  
def chat(thread_id: str = "default"):  
    """运行支持记忆的聊天界面"""  
    config = {"configurable": {"thread_id": thread_id}}  
  
    while True:  
        user_input = input("User: ")  
        if user_input.lower() in ["quit", "exit", "q"]:  
            print("Goodbye!")  
            break  
              
        # 通过图处理输入，自动保存上下文  
        for output in graph.stream({"messages": [("human", user_input)]}, config=config):  
            for value in output.values():  
                print("Assistant:", value["messages"][-1].content)  
  
if __name__ == "__main__":  
    chat()  

程序亮点：

• 使用 MemorySaver 实现会话记忆功能。

• 支持通过 thread_id 管理不同用户的会话。

Graph

虽然增加了记忆功能，本程序也只有一个节点

运行结果

model_type: azure
Azure OpenAI Configuration:
Deployment Name: gpt-4o
API Version: 2024-08-01-preview
User: 你好！我的名字是“非”
Assistant: 你好，非！很高兴认识你。有什么我可以帮忙的吗？
User: 讲个 AI 智能体的笑话吧
Assistant: 当然可以！这是一个关于AI智能体的笑话：

有一天，一个程序员问他的AI助手：“你知道什么是递归吗？”

AI助手回答：“当然知道！递归就是当你问我什么是递归时，我会告诉你递归就是当你问我什么是递归时，我会告诉你递归就是当你问我什么是递归时……”

程序员打断道：“好了好了，我明白了！”

希望你喜欢这个笑话！如果还有其他问题或需要帮助的地方，请随时告诉我。
User: 记得我的名字吗？
Assistant: 当然记得！你的名字是“非”。有什么我可以帮忙的吗？
User: quit
Goodbye!

---

4.3 程序三：工具调用与任务分支

目标：集成外部工具，并根据条件动态选择任务分支。

from typing import Annotated  
from langgraph.graph import StateGraph, START  
from langgraph.graph.message import add_messages  
from langgraph.prebuilt import ToolNode, tools_condition  
from langgraph.checkpoint.memory import MemorySaver  
from llm_utils import get_llm  
from langchain_community.tools.tavily_search import TavilySearchResults  
  
# 定义状态类型  
class State(TypedDict):  
    messages: Annotated[list, add_messages]  
  
llm = get_llm()  
  
tool = TavilySearchResults(max_results=2)  
tools = [tool]  
llm_with_tools = llm.bind_tools(tools)  
  
def chatbot(state: State):  
    return {"messages": [llm_with_tools.invoke(state["messages"])]}  
  
graph_builder = StateGraph(State)  
graph_builder.add_node("chatbot", chatbot)  
graph_builder.add_node("tools", ToolNode(tools=[tool]))  
graph_builder.add_conditional_edges("chatbot", tools_condition)  
graph_builder.add_edge("tools", "chatbot")  
graph_builder.add_edge(START, "chatbot")  
  
memory = MemorySaver()  
graph = graph_builder.compile(checkpointer=memory)  
  
def chat():  
    """运行带工具集成的聊天界面"""  
    while True:  
        user_input = input("User: ")  
        if user_input.lower() in ["quit", "exit", "q"]:  
            print("Goodbye!")  
            break  
        for output in graph.stream({"messages": [("human", user_input)]}):  
            for value in output.values():  
                print("Assistant:", value["messages"][-1].content)  
  
if __name__ == "__main__":  
    chat()  

程序亮点：

• 集成 Tavily 搜索工具，支持多轮任务动态分支处理。

• 通过条件判断（tools_condition）实现灵活的任务切换。

Graph

本程序增加了一个 tools 条件节点

运行结果

model_type: azure
Azure OpenAI Configuration:
Deployment Name: gpt-4o
API Version: 2024-08-01-preview
User: 你好！我叫非
Assistant: 你好，非！很高兴认识你。有什么我可以帮忙的吗？
User: 北京明天冷吗？
Assistant:
Assistant: [{“url”: “http://bj.cma.gov.cn/fzlm/index.html”, “content”: “北京市气象局. 36小时天气预报（2024-11-27 05:37:05北京市气象台发布） 今天白天 最高气温3℃ 晴转多云，山区有零星小雪 3、4级，阵风6、7级 偏北风; 今天夜间 最低气温-4℃ 多云转晴 3级左右，阵风5级 偏北风; 明天白天 最高气温7℃ 晴间多云 3、4级转2级 偏北风”}, {“url”: “https://tianqi.2345.com/tomorrow-54511.htm”, “content”: “全国天气 15天天气 明天天气 40天天气 空气质量 历史天气 国际天气 天气资讯 万年历 景点天气 当前：全国天气> 北京天气预报7天 今天天气 明天天气 一周天气 15天天气 昨天 11/18 多云 -1~8° 东南风2级 优 今天 11/19 多云 0~10° 东北风1级 优 明天 11/20 晴 1~13° 西北风2级 优 周六 11/23 多云 0~8° 东南风1级 良 周日 11/24 阴转小雨 1~7° 东南风1级 良 01:00 北风 1级 优 02:00 北风 1级 优 03:00 北风 1级 优 04:00 东北风 1级 优 05:00 东北风 1级 优 06:00 东北风 1级 优 07:00 北风 1级 优 08:00 北风 1级 优 14:00 西北风 2级 良 15:00 西北风 2级 良 17:00 西南风 1级 良 更多> PM2.5 _20_优 PM10 _35_优 _3_优 _26_优 _3_优 更多> 国际天气 PM2.5 历史天气 生活指数 更多> 全国天气 国际天气 历史天气 景点天气 万年历 天气资讯 空气质量 天气地图 手机网页版 手机APP官网 天气插件 XML地图 更正您的地理位置 意见反馈”}]
Assistant: 根据最新的天气预报，北京明天天气如下：

• 白天：晴间多云，最高气温7℃，偏北风3、4级转2级。

• 夜间：多云转晴，最低气温-4℃，偏北风3级左右，阵风5级。

总体来说，明天北京的气温较低，尤其是夜间会比较冷，建议注意保暖。
User: 还记得我的名字吗？
Assistant: 当然记得，你的名字是非。有什么其他需要帮忙的吗？
User: quit
Goodbye!

---

---

5. 总结

LangGraph 通过模块化设计、高效的状态管理和强大的工具集成能力，帮助开发者轻松构建复杂的任务工作流。从简单的对话系统到支持记忆和工具调用的多功能智能体，LangGraph 展现了其强大的灵活性和扩展性。
未来，您可以探索更复杂的场景，例如多智能体协作或任务自动化，实现更高效的 AI 系统开发。

希望本文能帮助您快速入门 LangGraph，并激发您的创造力！

---

如何学习AI大模型 ？

“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，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。【保证100%免费】🆓

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）

对于0基础小白入门：

如果你是零基础小白，想快速入门大模型是可以考虑的。

一方面是学习时间相对较短，学习内容更全面更集中。
二方面是可以根据这些资料规划好学习计划和方向。

👉1.大模型入门学习思维导图👈

要学习一门新的技术，作为新手一定要先学习成长路线图，方向不对，努力白费。

对于从来没有接触过AI大模型的同学，我们帮你准备了详细的学习成长路线图&学习规划。可以说是最科学最系统的学习路线，大家跟着这个大的方向学习准没问题。（全套教程文末领取哈）

👉2.AGI大模型配套视频👈

很多朋友都不喜欢晦涩的文字，我也为大家准备了视频教程，每个章节都是当前板块的精华浓缩。

👉3.大模型实际应用报告合集👈

这套包含640份报告的合集，涵盖了AI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。（全套教程文末领取哈）

👉4.大模型落地应用案例PPT👈

光学理论是没用的，要学会跟着一起做，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。（全套教程文末领取哈）

👉5.大模型经典学习电子书👈

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。（全套教程文末领取哈）

👉6.大模型面试题&答案👈

截至目前大模型已经超过200个，在大模型纵横的时代，不仅大模型技术越来越卷，就连大模型相关的岗位和面试也开始越来越卷了。为了让大家更容易上车大模型算法赛道，我总结了大模型常考的面试题。（全套教程文末领取哈）

👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；

• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；

• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；

• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习

CSDN粉丝独家福利

这份完整版的 AI 大模型学习资料已经上传CSDN，朋友们如果需要可以扫描下方二维码&点击下方CSDN官方认证链接免费领取 【保证100%免费】

读者福利： 👉👉CSDN大礼包：《最新AI大模型学习资源包》免费分享 👈👈

（👆👆👆安全链接，放心点击）