一、LangGraph简介：为什么选择它？

LangGraph是LangChain生态中用于构建复杂AI智能体的框架，支持循环、条件分支、状态持久化等特性，解决了传统Agent开发中“黑盒化”和流程控制不足的问题。其核心是通过**状态图（State Graph）**定义智能体的工作流，允许开发者精细控制每一步的执行逻辑，适合开发多智能体协作、自修复系统等场景。

二、环境准备：安装与基础配置

1. 安装依赖：

   pip install langgraph langchain-openai
   

   确保已配置OpenAI API Key或本地大模型（如DeepSeek、ChatGLM）。

2. 初始化项目：
   创建Python文件，导入核心模块：

   from langgraph.graph import StateGraph, START, END
   from langchain_openai import ChatOpenAI
   from typing import TypedDict, Annotated
   

三、新手入门：构建第一个聊天机器人

目标：实现一个根据用户输入调用大模型回复的简单智能体。

# 1. 定义状态（State）
class ChatState(TypedDict):
    messages: Annotated[list, add_messages]  # 消息列表自动追加

# 2. 初始化模型
llm = ChatOpenAI(model="gpt-4o-mini")

# 3. 定义节点函数
def chatbot_node(state: ChatState):
    response = llm.invoke(state["messages"])
    return {"messages": [response]}

# 4. 构建图
graph_builder = StateGraph(ChatState)
graph_builder.add_node("chatbot", chatbot_node)
graph_builder.add_edge(START, "chatbot")  # 从入口节点开始
graph_builder.add_edge("chatbot", END)    # 执行后结束
graph = graph_builder.compile()

# 5. 运行测试
result = graph.invoke({"messages": [("user", "你好！")]})
print(result["messages"][-1].content)

效果：用户输入“你好”，智能体返回大模型生成的问候语。

四、进阶实战：工具调用与循环逻辑

场景：让智能体根据问题动态调用天气查询工具，直至满足条件。

1. 定义工具与状态：

   from langchain_core.tools import tool
   
   @tool
   def get_weather(city: str):
       """模拟天气查询工具"""
       return f"{city}今天晴，气温25℃。"
   
   class AgentState(TypedDict):
       messages: Annotated[list, add_messages]
       tool_calls: list = []  # 记录工具调用历史
   
   # 工具节点
   tools = [get_weather]
   tool_node = ToolNode(tools)
   

2. 定义条件分支与循环：

   def should_continue(state: AgentState):
       last_msg = state["messages"][-1]
       return "continue" if last_msg.tool_calls else "end"
   
   # 构建图
   workflow = StateGraph(AgentState)
   workflow.add_node("llm", llm_node)      # 大模型推理节点
   workflow.add_node("tools", tool_node)   # 工具调用节点
   workflow.set_entry_point("llm")
   workflow.add_conditional_edges(
       "llm",
       should_continue,
       {"continue": "tools", "end": END}
   )
   workflow.add_edge("tools", "llm")  # 工具调用后返回LLM
   

   逻辑：LLM判断是否需要调用工具，若需要则进入工具节点，否则结束。

五、企业级项目：太阳能节能计算智能体

需求：根据用户电费计算太阳能板节省金额，支持多轮对话与错误处理。

# 1. 定义工具与状态
@tool
def compute_savings(monthly_cost: float):
    """计算太阳能节省"""
    return {"savings": monthly_cost * 0.7}  # 模拟计算

class SolarState(TypedDict):
    messages: Annotated[list, add_messages]

# 2. 绑定工具到模型
llm = ChatOpenAI().bind_tools([compute_savings])

# 3. 定义带错误处理的工具节点
def tool_node_with_fallback(state):
    try:
        return ToolNode([compute_savings]).invoke(state)
    except Exception as e:
        return {"messages": [f"工具调用失败：{str(e)}"]}

# 4. 构建图（含循环）
workflow = StateGraph(SolarState)
workflow.add_node("assistant", llm_node)
workflow.add_node("tools", tool_node_with_fallback)
workflow.add_conditional_edges("assistant", tools_condition)  # 根据LLM输出选择分支
workflow.add_edge("tools", "assistant")

六、精通技巧：状态持久化与调试

1. 状态持久化：
   使用MemorySaver保存对话历史，支持断点续执行：

   from langgraph.checkpoint.memory import MemorySaver
   memory = MemorySaver()
   graph = workflow.compile(checkpointer=memory)
   

2. 可视化调试：
   通过LangGraph Studio实时监控执行流程，设置断点并修改中间状态。

开启你的智能体之旅

LangGraph为AI开发者提供了从简单到复杂的全链路支持。无论是聊天机器人还是企业级多智能体系统，都能通过状态图和工具调用实现精准控制。动手尝试本文代码，你也能成为AI智能体开发高手！

欢迎在评论区分享你的实践心得，或关注我的账号获取更多大模型实战教程！ 🚀

相关资源：

• LangGraph官方文档
• 视化调试工具LangGraph Studio