邓立国《LangGraph开发AI Agent实践》1~8章试读_langgraph开发ai agent实践在线阅读-CSDN博客

注意：你安装了这个开发环境，就可以按上面链接给出的《LangGraph开发AI Agent实践》第3-8章试读内容进行学习。

这本书示例案例非常丰富，配套下载资源中还赠送了邓立国Agent开发入门必读书《AI Agent智能体开发实践》的配套源码与全文试读。

所有示例和案例代码都能正确运行，有问题找书中配套的读者微信群。

学习LangGraph架构开发，不要弄得很复杂，先搭建开发环境，把本书所有示例案例都运行正确，再回头记下书中的LangGraph架构原理、实战案例的业务需求与实现方法，这样更高效。

清华大学出版社-人工智能技术丛书-介绍-CSDN博客

Python与AI Agent之间有着密不可分的关系。作为当前人工智能领域主流的编程语言，Python凭借其简洁的语法、丰富的科学计算库（如NumPy、Pandas）以及强大的AI框架支持（如TensorFlow、PyTorch、Hugging Face），成为开发AI Agent的首选工具。本节讲解面向Python的相关编程工具Miniconda、PyTorch与PyCharm的安装。

2.1.1  Miniconda的下载与安装

Miniconda的下载与安装步骤如下：

（1）选择Miniconda是由于它比Anaconda更加小巧。访问Anaconda官网（https://www.anaconda
.com），登录官网后，找到Miniconda介绍页面，如图2.1所示。

（2）单击Download Miniconda Installer按钮，打开Miniconda下载页面。根据读者自己的计算机系统下载相应的Miniconda安装包，作者下载的是Windows 64位版本的安装包，如图2.2所示。

（3）下载下来的安装文件名为Miniconda3-latest-Windows-x86_64.exe，双击此文件，按安装向导操作，直到完成安装。

（4）验证安装是否成功。打开Miniconda提供的Anaconda Prompt窗口，执行以下命令验证安装是否成功：

conda --version

python --version

图2.1  Anaconda介绍页面

图2.2  下载Miniconda Windows安装包

2.1.2  PyTorch的下载与安装

在深度学习领域，PyTorch凭借其卓越的灵活性与强大的功能，已成为业界广泛采用的核心框架之一。其最显著的优势在于支持动态计算图（Dynamic Computation Graph），这一特性使得模型的构建、调试和迭代过程更加直观高效。开发者可以在运行时灵活调整网络结构，实时查看中间结果，极大地提升了研发效率，特别适用于研究探索、模型快速原型设计以及复杂任务的实现。

从实践角度来看，PyTorch提供了简洁清晰的API接口，具有良好的可读性和易用性，无论是初学者还是资深研究人员都能迅速上手。同时，它与Python生态无缝集成，支持主流数据处理和可视化工具，便于构建完整的深度学习工作流。更重要的是，PyTorch背后拥有一个活跃且庞大的开源社区，能够持续贡献高质量的模型库、教程资源和技术支持，为实际项目落地提供了强有力的保障。

在本书重点讲解的Qwen3、DeepSeek等大语言模型的应用实践中，PyTorch作为其核心后端框架，承担着模型加载、推理执行、参数微调以及分布式训练等关键任务。LLM模型的高效部署与精细化微调，高度依赖于PyTorch所提供的张量计算能力、自动微分机制以及对多设备（CPU/GPU）的统一支持。因此，正确配置PyTorch环境是开展后续所有工作的前提和基础。

在安装层面，PyTorch提供了CPU版本和GPU版本两种选择，以适配不同的硬件条件与性能需求。

• CPU版本：适用于开发测试、轻量级推理或缺乏GPU资源的场景，安装简单，兼容性强。
• GPU版本：能充分利用NVIDIA CUDA加速能力，显著提升训练与推理速度，尤其适合大规模模型（如Qwen3）的实际部署与调优。

1. 安装CPU版本的PyTorch

以Windows平台为例，根据读者工作计算机的资源情况，到PyTorch官网选择不同的命令进行安装。如果你的计算机没有NVIDIA显卡，可以安装CPU版本的PyTorch，只需在PyTorch官网选择CPU对应的安装命令进行安装即可。例如，想要安装PyTorch 2.8.0，命令如下：

# CPU only

pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cpu

2. CUDA、cuDNN、PyTorch三者之间的关系

相比CPU版本的安装，GPU版本的安装涉及CUDA驱动、cuDNN等底层依赖的匹配，配置更为复杂。考虑到最新大模型对计算资源的高要求，推荐在具备NVIDIA显卡的环境中安装GPU版本PyTorch，以充分发挥其并行计算优势，加速模型训练与推理进程。

在配置环境之前，理解CUDA、cuDNN、PyTorch三者之间的关系至关重要。

• CUDA：由NVIDIA推出的并行计算平台和编程模型。它允许软件开发者和软件工程师使用支持CUDA的GPU进行通用处理（而不仅仅是图形处理）。简而言之，PyTorch需要CUDA来在NVIDIA GPU上执行计算。
• cuDNN：CUDA Deep Neural Network library的缩写。它是NVIDIA提供的针对深度神经网络的GPU加速库。它提供了高度优化的常见深度学习操作（如卷积、池化、归一化等）的实现。cuDNN是运行在CUDA上的一个专用加速库，PyTorch等框架会调用它来极致地提升训练和推理速度。
• PyTorch：一个开源的机器学习框架。它本身不直接与GPU通信，而是通过CUDA接口来利用GPU进行计算。当你安装了PyTorch的CUDA版本（即GPU版本）后，PyTorch就可以调用CUDA和cuDNN在NVIDIA GPU上高效运行。

它们的调用关系总结为：PyTorch→cuDNN→CUDA→NVIDIA GPU Driver→NVIDIA GPU。因此，安装顺序应该是：先安装GPU驱动，再安装CUDA和cuDNN，最后安装对应版本的PyTorch。

3. GPU版本PyTorch的安装步骤

接下来，我们讲解一下GPU版本PyTorch的安装步骤。

（1）检查你的NVIDIA GPU是否支持CUDA。确保你的计算机拥有NVIDIA显卡，并且它支持CUDA。几乎所有现代的NVIDIA GPU（GeForce、RTX、Quadro、Tesla等）都支持CUDA。

官方支持列表请查看https://developer.nvidia.com/cuda-gpus。

（2）查看你的显卡驱动版本，确定你需要安装哪个版本的CUDA。打开Windows终端管理员窗口，执行命令：nvidia-smi，在结果中查看右上角显示的驱动版本和最高支持的CUDA版本。例如，输出中有一行CUDA Version:12.8，这表示你的当前驱动最高可以支持CUDA 12.8。你需要安装版本不高于12.8的CUDA。

（3）检查GPU是否支持CUDA。访问NVIDIA官网查看你的GPU型号是否在支持列表中，或在命令行窗口输入命令：wmic path win32_VideoController get name来检查。

（4）下载CUDA Toolkit。访问NVIDIA CUDA下载页面：https://developer.nvidia.com/ cuda-toolkit-archive。选择适合你系统的版本，建议选择PyTorch支持的版本，比如12.6。

（5）安装CUDA。运行下载的.exe文件，建议使用默认安装路径。安装过程中确保勾选CUDA Toolkit。

（6）验证CUDA是否安装成功。在终端管理员窗口执行命令：nvcc -V，若结果显示版本信息，则表示安装成功。

（7）接下来下载cuDNN。cuDNN是NVIDIA的深度神经网络加速库，是PyTorch GPU加速的必要组件，下载地址为https://developer.nvidia.com/rdp/cudnn-download。下载时，记得选择与已安装CUDA版本匹配的cuDNN版本。

（8）安装cuDNN。解压下载的ZIP文件。将bin、include、lib文件夹复制到CUDA安装目录（例如，默认的目录为C:\Program Files\NVIDIA GPU Computing Toolkit\CUDA\v12.6）下。

（9）检查cuDNN版本。查看CUDA安装目录下的cudnn_version.h文件。

（10）打开Miniconda提供的Anaconda Prompt窗口，安装PyTorch，注意虚拟环境使用默认的Base。访问PyTorch官网（https://pytorch.org/），根据系统、CUDA版本选择合适的安装命令，比如PyTorch 2.8.0 + CUDA 12.6的安装命令为：

# CUDA 12.6

pip install torch==2.8.0 torchvision==0.23.0 torchaudio==2.8.0 --index-url https://download.pytorch.org/whl/cu126

（11）安装成功后，验证PyTorch安装。打开Python终端，输入以下代码：

import torch

print(torch.__version__)

print(torch.cuda.is_available())           # 输出True表示GPU可用

print(torch.backends.cudnn.version())      # 输出cuDNN版本

如果没有报错且torch.cuda.is_available()返回True，则表示安装成功。

2.1.3  PyCharm的安装与虚拟环境搭建

和其他语言类似，Python程序的编写可以使用Windows自带的编辑器。但是这种方式对于较为复杂的程序工程来说，容易混淆相互之间的层级和交互文件，因此在编写程序时，我们可以使用专用的Python编译器PyCharm。

（1）安装PyCharm。由于其安装比较简单，就不展开讲解了。读者上网搜索PyCharm官网，进入Download页面，选择适合自己操作系统的版本安装即可。PyCharm下载页面如图2.3所示。

（2）完成PyCharm的安装后，接下来可以搭建本书示例源码运行的虚拟环境。打开Miniconda提供的Anaconda Prompt窗口，输入如下命令，创建名为langgraph的虚拟环境并激活：

conda env list

conda create --name langgraph python=3.12    #这个命令用于创建langgraph虚拟环境

conda activate langgraph #这个命令激活langgraph虚拟环境

图2.3  PyCharm下载页面

（3）在langgraph虚拟环境中，安装本书配套源码的依赖文件。安装的库比较多，需要一点时间：

pip install -r requirements.txt

（4）如果安装PyTorch有误或者不工作，可以根据自己NVIDIA显卡的具体情况以及2.1.1小节有关PyTorch的介绍，在langgraph虚拟环境中重新安装一下PyTorch。

（5）下载本书配套代码，解压保存到PyCharm项目目录PycharmProjects中。

（6）在PyCharm中打开本书配套代码，设置虚拟环境，界面如图2.4所示。至此，本书示例源码运行环境就基本搭建好了。

图2.4  在PyCharm中设置代码虚拟运行环境