引言：为什么“搜索助手”是最适合入门 LangGraph 的项目？

前面我们已经学习了：

• State（状态管理）
• Node（节点）
• Edge（边）
• Conditional Edge（条件分支）
• ReAct 循环
• Studio 调试

但很多人学完概念后，还是会卡在：

真正项目到底怎么组合？

所以这一篇，我们做一个：

完整 LangGraph 小项目

目标：

构建一个“带状态”的搜索助手 Agent。

它可以：

• 接收用户问题
• 判断是否需要搜索
• 调用搜索 Tool
• 记住上下文
• 根据搜索结果继续回答

这会是你第一个：

真正完整的 LangGraph Agent

---

一、项目效果演示

用户输入

OpenAI 最近有什么新闻？

---

Agent 执行流程

START
 ↓
Agent Node
 ↓
判断是否需要搜索
 ↓
Search Tool
 ↓
Agent Node
 ↓
Final Answer

---

输出示例

OpenAI 最近发布了新的 GPT 模型，并加强了 Agent 平台能力。

---

二、项目结构设计

这个项目会包含：

模块	作用
State	保存 messages / search_results
Agent Node	负责推理
Search Tool Node	执行搜索
Conditional Edge	判断是否需要搜索
MemorySaver	保存多轮上下文

---

三、安装依赖

pip install langgraph langchain-openai tavily-python

---

四、定义 State（非常重要）

from typing import TypedDict, Annotated, List
from langgraph.graph.message import add_messages
from langchain_core.messages import BaseMessage


class AgentState(TypedDict):
    messages: Annotated[List[BaseMessage], add_messages]
    search_results: str

---

为什么需要 search_results？

因为：

搜索结果需要在 Node 之间传递

这就是 State 的价值。

---

五、初始化模型

from langchain_openai import ChatOpenAI

llm = ChatOpenAI(
    model="gpt-4o-mini",
    temperature=0
)

---

六、定义搜索 Tool

这里为了简单，我们模拟搜索。

实际项目可以接：

• Tavily
• SerpAPI
• DuckDuckGo
• 企业搜索

---

Search Tool Node

def search_node(state: AgentState):
    last_message = state["messages"][-1].content

    # 模拟搜索结果
    result = f"搜索结果：关于 {last_message} 的最新新闻。"

    return {
        "search_results": result,
        "messages": [
            {
                "role": "tool",
                "content": result
            }
        ]
    }

---

七、定义 Agent Node

Agent 的职责：

决定：
- 是否需要搜索
- 如何基于搜索结果回答

---

Agent Node 代码

def agent_node(state: AgentState):
    messages = state["messages"]

    response = llm.invoke(messages)

    return {
        "messages": [response]
    }

---

八、定义 Conditional Edge（核心）

这是整个项目最关键的部分。

---

简化版判断

def should_search(state: AgentState):
    last_message = state["messages"][-1]

    # 教学简化版
    if "新闻" in str(last_message):
        return "search"

    return END

---

工程推荐版（真实项目）

生产环境建议：

if last_message.tool_calls:

而不是关键词判断。

---

九、构建 Graph

from langgraph.graph import StateGraph, END

builder = StateGraph(AgentState)

builder.add_node("agent", agent_node)
builder.add_node("search", search_node)

builder.set_entry_point("agent")

builder.add_conditional_edges(
    "agent",
    should_search,
    {
        "search": "search",
        END: END
    }
)

builder.add_edge("search", "agent")

---

十、加入状态持久化（MemorySaver）

from langgraph.checkpoint.memory import MemorySaver

memory = MemorySaver()

graph = builder.compile(
    checkpointer=memory
)

---

为什么需要 MemorySaver？

这样 Agent 才能：

记住用户之前问过什么

---

十一、运行完整项目

from langchain_core.messages import HumanMessage

config = {
    "configurable": {
        "thread_id": "user_1"
    }
}

result = graph.invoke(
    {
        "messages": [
            HumanMessage(content="OpenAI 最近有什么新闻？")
        ]
    },
    config
)

print(result["messages"][-1].content)

---

十二、完整执行流程解析

第一步：用户输入

OpenAI 最近有什么新闻？

---

第二步：Agent Node

模型判断：

这是实时信息，需要搜索

---

第三步：Conditional Edge

→ search Node

---

第四步：Search Node

执行搜索：

搜索结果：OpenAI 发布了新模型...

---

第五步：返回 Agent Node

模型基于搜索结果总结回答。

---

十三、Graph 流程图

START
 ↓
Agent
 ↓
Conditional Edge
 ↓         ↓
Search     END
 ↓
Agent

---

十四、这个项目已经具备哪些 Agent 能力？

虽然这是一个基础项目，但已经具备：

✔ 状态管理
✔ Tool 调用
✔ ReAct 循环
✔ Conditional Edge
✔ 多轮记忆
✔ 状态持久化

这已经是一个真正的 Agent 雏形。

---

十五、常见问题（非常重要）

问题1：无限循环

原因：

if "新闻" in str(last_message)

搜索结果里也有“新闻”。

---

正确方式

if last_message.tool_calls:

---

问题2：messages 被覆盖

原因：

没有使用 Annotated + add_messages

---

问题3：上下文丢失

原因：

没有使用 MemorySaver

---

十六、如何升级这个项目（进阶方向）

你可以继续扩展：

---

1. 接入真实搜索 API

例如：

• Tavily
• SerpAPI
• DuckDuckGo

---

2. 多 Tool 协作

增加：

• calculator
• database
• weather

---

3. 增加 Summary Memory

避免 messages 无限增长。

---

4. 接入 LangSmith

分析：

• Token
• Latency
• Tool 调用

---

5. 增加 Human-in-the-loop

例如：

搜索结果需要人工确认后再继续

---

十七、这个项目真正重要的地方

很多人会觉得：

这不就是一个搜索机器人吗？

但真正重要的不是“搜索”。

而是：

你已经完成了一个完整 Agent 系统的最小闭环。

包括：

State
Node
Edge
Tool
Memory
Conditional Routing

这才是 LangGraph 真正的核心。

---

结语

一句话总结：

LangGraph 的真正价值，不是“调用模型”，而是“组织模型如何工作”。

这一篇你已经完成了：

• 带状态的 Agent
• 搜索 Tool
• ReAct 循环
• 多轮记忆
• Graph 编排

你已经正式进入：

Agent 工程开发阶段