我们先介绍简单的搭建，包括使用Pipenv安装依赖项，并克隆GitHub代码库。然后，我们将使用LangGraph定义聊天机器人的逻辑，围绕它构建一个基于Django的API，并连接一个基本的前端以便与其联系。

无论你想了解LangGraph如何与实际后端协同工作，还是想构建一个简单的聊天机器人，你都来对地方了。

快速入门：克隆并搭建项目

首先，克隆项目并搭建环境。确保你的系统上已安装Python 3.12和Pipenv。如果没有，可以使用以下命令安装pipenv：

pip install pipenv

现在，克隆代码库并进入项目文件夹：

git clone https://github.com/Badribn0612/chatbot_django_langgraph.git cd chatbot_django_langgraph

现在不妨使用Pipenv安装所有依赖项。

pipenv install

注意： 如果你收到错误消息，提示你的系统中没有Python 3.12，请使用以下命令：

pipenv --python path/to/python pipenv install

要知道Python的路径，你可以使用以下命令：

which python (linux and windows) which python3 (mac)

要激活此环境，请使用以下命令：

pipenv shell

鉴于我们的需求已满足，接下来设置环境变量。使用以下命令创建一个.env 文件。

touch .env

将你的API密钥添加到.env 文件。

# Google Gemini AI GOOGLE_API_KEY=your_google_api_key_here # Groq GROQ_API_KEY=your_groq_api_key_here # Tavily Search TAVILY_API_KEY=your_tavily_api_key_here

搭建完成后，运行以下命令（请确保已激活环境）：

python manage.py migrate python manage.py runserver

这应该会启动服务器。

点击应用程序正在运行的http://127.0.0.1:8000/链接。

使用LangGraph设计聊天机器人逻辑

现在，设计下聊天机器人逻辑。你可能想知道为什么选择LangGraph？我选择 LangGraph，是因为它能够灵活地构建适合用例的复杂工作流。它如同将多个函数拼接成一个对你的应用程序真正有意义的流程。下面，我们将讨论核心逻辑。

1. 状态定义

class State(TypedDict): messages: Annotated[list, add_messages] 1.2.

该状态模式负责聊天机器人。如果你的Graph处于循环状态，它将主要跟踪消息历史记录；否则，它会有包含消息历史记录的输入，并将LLM的响应附加到之前的历史记录后面。

2. 初始化LangGraph

graph_builder = StateGraph(State)

上面这行代码将初始化状态图。这个状态图实例负责维护聊天机器人的流程（对话流）。

3. 带有后备模型的聊天模型

llm_with_fallbacks = init_chat_model("google_genai:gemini-2.0-flash").with_fallbacks( [init_chat_model("groq:llama-3.3-70b-versatile")] )

这基本上会将Gemini 2.0 Flash作为主LLM，将Llama 3.3 70B作为后备模型。如果谷歌服务器过载或API达到速率限制，它将开始使用Llama 3.3 70B。

4. 工具集成

tool = TavilySearch(max_results=2) llm_with_tools = llm_with_fallbacks.bind_tools([tool])

我们还将向LLM添加搜索工具。当LLM认为它对查询缺乏了解时，将使用这项功能。它基本上会使用该工具搜索信息，检索相关信息，并基于这些信息响应查询。

5. 聊天机器人节点逻辑

def chatbot(state: State): return {"messages": [llm_with_tools.invoke(state["messages"])]}

这是负责调用LLM并获取响应的函数。使用LangGraph，你可以构建一个由多个类似这样的函数组成的状态图。你可以分支、合并，甚至并行运行函数（LangGraph中称为节点）。对了，我差点忘了，你甚至可以在图中创建循环。这就是LangGraph带来的那种灵活性。

6. 工具节点和条件流

tool_node = ToolNode(tools=[tool]) graph_builder.add_conditional_edges("chatbot", tools_condition) graph_builder.add_edge("tools", "chatbot")

我们将为该工具创建一个节点，这样，每当聊天机器人搞清楚需要使用它时，它就可以简单地调用该工具节点并获取相关信息。

7. 图入口和出口

graph_builder.add_edge(START, "chatbot") graph = graph_builder.compile() from IPython.display import Image, display display(Image(graph.get_graph().draw_mermaid_png()))

上述代码给出了所需的可视化效果。

该LangGraph环境允许你构建一个结构化的聊天机器人，它可以处理对话，需要时调用网络搜索等工具，并在某个模型失败时后备到替代模型。它具有模块化，易于扩展。现在 LangGraph部分已完成，不妨学习如何使用Django为我们的聊天机器人创建API。

使用Django构建API

如果你是Django新手，可以使用本指南学习如何创建应用程序。为此，我们已创建：

• 项目：djangoproj
• 应用程序：djangoapp

第1步：应用程序配置

在djangoapp/apps.py 中，我们定义应用程序配置，以便Django能够识别它：

from django.apps import AppConfig class DjangoappConfig(AppConfig): default_auto_field = "django.db.models.BigAutoField" name = "djangoapp" Now register the app inside djangoproj/settings.py: INSTALLED_APPS = [ # default Django apps... "djangoapp", ]

第2步：创建聊天机器人API

在djangoapp/views.py中，我们定义一个用于处理POST请求的简单API端点：

from django.http import JsonResponse from django.views.decorators.csrf import csrf_exempt import json from chatbot import get_chatbot_response @csrf_exempt def chatbot_api(request): if request.method == "POST": try: data = json.loads(request.body) messages = data.get("messages", []) user_query = data.get("query", "") messages.append({"role": "user", "content": user_query}) response = get_chatbot_response(messages) serialized_messages = [serialize_message(msg) for msg in response["messages"]] return JsonResponse({"messages": serialized_messages}) except Exception as e: return JsonResponse({"error": str(e)}, status=500) return JsonResponse({"error": "POST request required"}, status=400)

• 该视图接受用户输入，将其传递给基于LangGraph的聊天机器人，并返回响应。
• @csrf_exempt用于测试/演示，以允许外部POST请求。

第3步：将API连接到URL

在djangoproj/urls.py中，将视图连接到端点：

from django.urls import path from djangoapp.views import chatbot_api, chat_interface urlpatterns = [ path('', chat_interface, name='chat_interface'), path('api/chatbot/', chatbot_api, name='chatbot_api'), ]

现在，向/api/chatbot/发送POST请求将触发聊天机器人并返回JSON响应。

第4步：部署基本的聊天用户界面

要显示简单的界面，请在djangoapp/views.py中添加以下内容：

from django.shortcuts import render def chat_interface(request): return render(request, 'index.html')

该视图渲染index.html，这是基本的聊天界面。

在djangoproj/settings.py中，告诉Django去哪里查找模板：

TEMPLATES = [ { "BACKEND": "django.template.backends.django.DjangoTemplates", "DIRS": [BASE_DIR / "templates"], # ... }, ]

我们已使用Django将LangGraph聊天机器人转变成了实用的API，仅用几行代码，甚至还添加了一个用于与其交互的基本用户界面。这种设计简洁、模块化且易于扩展，非常适合实际项目和演示。

你可以在此基础上构建的功能

以下是你可以在该应用程序基础上构建的一些功能：

• 设置系统提示和智能体角色来指导行为和响应。
• 创建多个专用智能体和一个路由智能体，以根据用户输入委派任务。
• 插入RAG工具以引入你自己的数据并丰富响应。
• 将对话历史记录存储在数据库（比如PostgreSQL）中，并与用户会话关联，以实现连续性和分析。
• 实现智能消息窗口或摘要功能，以轻松应对token限制。
• 使用提示模板或者Guardrails AI或NeMo等工具，进行输出验证和安全过滤。
• 使用Gemini 2.5 pro或GPT-4.1等功能强大的模型，添加支持图像或文件处理的功能。