0.0 LangGraph 快速案例：飞速上手指南

前言：如何才能快速上手？

案例运行和调试，是最佳的编程入门方式，也是本书写作的核心理念。通过案例运行，我们可以快速见识到 LangGraph 和 Python 相关的概念和知识点，然后我们再逐步剖析，反复推敲，甚至一日三复习，直至熟练掌握。

那什么又叫“熟练掌握”呢，就是能用通俗语言，向外行人或者新手解释，条理清晰娓娓道来；或像在面试官面前侃侃而谈，从从容容游刃有余。

因为我们要想到一个道理，对于一门新兴的技术，只要你愿意花时间去见识和打磨，你就大概率懂得比别人多，比同行多，甚至比负责技术的面试官更多。

在 AI Agent 开发的世界里，理论千篇一律，通俗的解读万里挑一。本章的设计理念是：让你在 5 分钟内跑起第一个 Agent，在 30 分钟内理解核心模式，在 1 小时内见识“多 Agent 协作”。

我们精心设计了 5 个从简单到复杂的案例，每个案例都：

✅ 代码精简：核心代码不超过 100 行
✅ 开箱即用：复制粘贴即可运行
✅ 循序渐进：每个案例只引入 1-2 个新概念
✅ 实战导向：所有案例都基于官方案例，或者真实的业务场景

学习路径：

案例 1: 基础聊天机器人 (5 分钟)
  ↓ 引入状态管理
案例 2: 带记忆的聊天机器人 (10 分钟)
  ↓ 引入工具调用
案例 3: 工具调用 Agent (15 分钟)
  ↓ 引入 ReAct 推理
案例 4: ReAct 搜索 Agent (20 分钟)
  ↓ 引入多 Agent 协作
案例 5: 多 Agent 协作系统 (30 分钟)

环境准备

安装依赖

运行环境说明：

首次运行代码，你可能会遇到各种问题，需要花费一些甚至是大量的时间琢磨研究
虚拟环境的搭建和维护至关重要，本课程和一个典型的 Pyhton 项目一样，独立环境运行会大大提高包的版本管理效率
在 Terminal 环境运行 bash 命令效果更好
特别说明：本书25年年底发布的 v1 版本，全程使用 Python 3.11 环境（具体版本是3.11.13），允许读者在网页上直接编辑并运行代码

bash

# 课程专用项目虚拟环境创建
python3.11 -m venv .venv
source .venv/bin/activate
python --version

# 核心依赖
pip install -U pip setuptools wheel
pip install -U langchain langchain-openai langgraph transformers


# 工具依赖（用于后续案例）
pip install tavily-python requests

API 密钥配置

本章所有案例都使用 getpass() 来安全地读取 API 密钥，避免硬编码泄露：

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

# 在每个案例开头调用
_set_env("OPENAI_API_KEY")

案例 1: 最简单的聊天机器人

目标：用 10 行代码构建一个能对话的聊天机器人 核心概念：

StateGraph、MessagesState、节点函数
关于这些概念，我们后面会详细解读，反复使用，充分理解

完整代码

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, START, END

# 定义节点：调用 LLM
def chatbot(state: MessagesState):
    return {"messages": [ChatOpenAI(model="gpt-4o-mini").invoke(state["messages"])]}

# 构建图
graph = StateGraph(MessagesState)
graph.add_node("chatbot", chatbot)
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", END)

# 编译并运行
app = graph.compile()
response = app.invoke({"messages": [("user", "你好，请用一句话介绍 LangGraph")]})
print(response["messages"][-1].content)

运行结果

LangGraph 是一个用于构建和管理复杂语言模型工作流的框架，支持状态管理和多步骤推理。

关键点解析

StateGraph：图的容器，定义工作流结构
MessagesState：内置状态类型，自动管理对话历史
节点函数：接收 state，返回新的状态更新
START/END：特殊节点，标记图的入口和出口

案例 2: 带记忆的聊天机器人

目标：让 Agent 记住对话历史，支持多轮对话 核心概念：MemorySaver、检查点持久化

完整代码

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.checkpoint.memory import MemorySaver

# 定义节点
def chatbot(state: MessagesState):
    return {"messages": [ChatOpenAI(model="gpt-4o-mini").invoke(state["messages"])]}

# 构建图（添加记忆）
graph = StateGraph(MessagesState)
graph.add_node("chatbot", chatbot)
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", END)

# 使用 MemorySaver 保存对话历史
memory = MemorySaver()
app = graph.compile(checkpointer=memory)

# 多轮对话
config = {"configurable": {"thread_id": "user_001"}}

# 第一轮
response1 = app.invoke(
    {"messages": [("user", "我的名字是小明")]},
    config=config
)
print("Round 1:", response1["messages"][-1].content)

# 第二轮（Agent 应该记住名字）
response2 = app.invoke(
    {"messages": [("user", "我的名字是什么？")]},
    config=config
)
print("Round 2:", response2["messages"][-1].content)

运行结果

Round 1: 你好，小明！很高兴认识你。有什么我可以帮助你的吗？
Round 2: 你的名字是小明。

关键点解析

MemorySaver：内存检查点保存器，存储对话历史
thread_id：会话标识符，不同用户使用不同 ID
自动累积：MessagesState 会自动将新消息追加到历史中

案例 3: 工具调用 Agent

目标：让 Agent 能够调用外部工具（计算器、天气查询） 核心概念：工具绑定、条件边、工具节点

完整代码

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")

from langchain_openai import ChatOpenAI
from langchain_core.tools import tool
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode

# 定义工具
@tool
def calculator(expression: str) -> str:
    """执行数学计算。输入：数学表达式（如 '2+3*4'）"""
    try:
        return str(eval(expression))
    except:
        return "计算错误"

@tool
def get_weather(city: str) -> str:
    """查询城市天气。输入：城市名称"""
    # 模拟天气查询
    weather_db = {
        "北京": "晴天，15°C",
        "上海": "多云，18°C",
        "深圳": "阴天，22°C"
    }
    return weather_db.get(city, "未知城市")

tools = [calculator, get_weather]

# 定义节点
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools(tools)

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

# 条件边：判断是否需要调用工具
def should_continue(state: MessagesState):
    last_message = state["messages"][-1]
    if hasattr(last_message, "tool_calls") and last_message.tool_calls:
        return "tools"
    return END

# 构建图
graph = StateGraph(MessagesState)
graph.add_node("chatbot", chatbot)
graph.add_node("tools", ToolNode(tools))

graph.add_edge(START, "chatbot")
graph.add_conditional_edges("chatbot", should_continue, ["tools", END])
graph.add_edge("tools", "chatbot")

app = graph.compile()

# 测试
response = app.invoke({
    "messages": [("user", "北京的天气怎么样？计算一下 25 * 4 + 10")]
})
print(response["messages"][-1].content)

运行结果

北京今天是晴天，气温 15°C。计算结果：25 * 4 + 10 = 110。

关键点解析

@tool 装饰器：将 Python 函数转换为 LLM 可调用的工具
bind_tools()：将工具绑定到 LLM，使其知道可以调用哪些工具
ToolNode：专门执行工具调用的节点
条件边：根据 LLM 的输出（是否有 tool_calls）动态路由
循环：tools → chatbot 形成循环，支持多次工具调用

案例 4: ReAct 推理 Agent

目标：构建能"思考-行动-观察"的 Agent，集成真实搜索引擎 核心概念：ReAct 模式、Tavily 搜索、系统提示词

完整代码

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")
_set_env("TAVILY_API_KEY")  # 注册：https://tavily.com

from langchain_openai import ChatOpenAI
from langchain_community.tools.tavily_search import TavilySearchResults
from langgraph.graph import StateGraph, MessagesState, START, END
from langgraph.prebuilt import ToolNode

# 初始化工具
search = TavilySearchResults(max_results=2)
tools = [search]

# 定义 Agent（添加 ReAct 系统提示词）
llm = ChatOpenAI(model="gpt-4o-mini")
llm_with_tools = llm.bind_tools(tools)

def agent(state: MessagesState):
    # 添加 ReAct 提示词
    system_message = """你是一个 ReAct (Reasoning + Acting) Agent。
处理用户问题时，请遵循以下步骤：
1. Thought（思考）：分析问题需要什么信息
2. Action（行动）：决定调用哪个工具
3. Observation（观察）：分析工具返回的结果
4. Answer（回答）：基于观察给出最终答案

始终展示你的推理过程。"""

    messages = [{"role": "system", "content": system_message}] + state["messages"]
    return {"messages": [llm_with_tools.invoke(messages)]}

def should_continue(state: MessagesState):
    last_message = state["messages"][-1]
    if hasattr(last_message, "tool_calls") and last_message.tool_calls:
        return "tools"
    return END

# 构建图
graph = StateGraph(MessagesState)
graph.add_node("agent", agent)
graph.add_node("tools", ToolNode(tools))

graph.add_edge(START, "agent")
graph.add_conditional_edges("agent", should_continue, ["tools", END])
graph.add_edge("tools", "agent")

app = graph.compile()

# 测试
response = app.invoke({
    "messages": [("user", "2024年诺贝尔物理学奖获得者是谁？他们的主要贡献是什么？")]
})
print(response["messages"][-1].content)

运行结果

**Thought**: 用户询问 2024 年诺贝尔物理学奖的获得者，我需要搜索最新信息。

**Action**: 使用搜索工具查询 "2024 Nobel Prize Physics winner"。

**Observation**: 搜索结果显示，2024 年诺贝尔物理学奖授予了 John Hopfield 和 Geoffrey Hinton，
表彰他们在人工神经网络领域的开创性发现。

**Answer**: 2024 年诺贝尔物理学奖的获得者是 John Hopfield 和 Geoffrey Hinton。
他们的主要贡献是：
- Hopfield: 发明了 Hopfield 网络，一种可以存储和重建模式的联想记忆网络
- Hinton: 开发了反向传播算法和深度学习的关键技术，被誉为"深度学习之父"

关键点解析

ReAct 模式：通过系统提示词引导 LLM 展示推理过程
Tavily 搜索：企业级搜索 API，专为 AI Agent 优化
循环推理：Agent 可以多次调用工具，逐步完善答案

案例 5: 多 Agent 协作系统

目标：构建"研究员 + 图表分析师 + 报告撰写员"的团队协作系统 核心概念：多 Agent、消息路由、子图

完整代码

python

import getpass
import os

def _set_env(var: str):
    if not os.environ.get(var):
        os.environ[var] = getpass.getpass(f"{var}: ")

_set_env("OPENAI_API_KEY")

from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, MessagesState, START, END
from typing import Literal

# 定义 3 个专业 Agent
llm = ChatOpenAI(model="gpt-4o-mini")

def researcher(state: MessagesState):
    """研究员：负责信息收集"""
    system_msg = "你是资深研究员，擅长收集和分析行业信息。请提供数据和趋势分析。"
    messages = [{"role": "system", "content": system_msg}] + state["messages"]
    response = llm.invoke(messages)
    return {"messages": [response]}

def chart_analyst(state: MessagesState):
    """图表分析师：负责数据可视化建议"""
    system_msg = "你是数据可视化专家，擅长将数据转化为图表建议。请推荐合适的图表类型和关键指标。"
    messages = [{"role": "system", "content": system_msg}] + state["messages"]
    response = llm.invoke(messages)
    return {"messages": [response]}

def report_writer(state: MessagesState):
    """报告撰写员：整合信息并生成最终报告"""
    system_msg = "你是专业报告撰写员，擅长将研究结果和图表建议整合成结构清晰的报告。"
    messages = [{"role": "system", "content": system_msg}] + state["messages"]
    response = llm.invoke(messages)
    return {"messages": [response]}

# Supervisor：决定下一步调用哪个 Agent
def supervisor(state: MessagesState) -> Literal["researcher", "chart_analyst", "report_writer", "end"]:
    """管理者：协调各个 Agent 的工作流程"""
    messages = state["messages"]

    # 简单的状态机逻辑
    user_message = messages[0].content if messages else ""
    response_count = len([m for m in messages if hasattr(m, "response_metadata")])

    if response_count == 0:
        return "researcher"  # 第一步：研究
    elif response_count == 1:
        return "chart_analyst"  # 第二步：图表分析
    elif response_count == 2:
        return "report_writer"  # 第三步：报告撰写
    else:
        return "end"  # 完成

# 构建图
graph = StateGraph(MessagesState)

# 添加节点
graph.add_node("researcher", researcher)
graph.add_node("chart_analyst", chart_analyst)
graph.add_node("report_writer", report_writer)

# 添加边（串行工作流）
graph.add_edge(START, "researcher")
graph.add_edge("researcher", "chart_analyst")
graph.add_edge("chart_analyst", "report_writer")
graph.add_edge("report_writer", END)

app = graph.compile()

# 测试
response = app.invoke({
    "messages": [("user", "请帮我分析一下 2024 年生成式 AI 市场的发展趋势，并给出报告")]
})

# 打印每个 Agent 的输出
print("=== 研究员输出 ===")
print(response["messages"][1].content[:200] + "...\n")

print("=== 图表分析师输出 ===")
print(response["messages"][2].content[:200] + "...\n")

print("=== 最终报告 ===")
print(response["messages"][3].content)

运行结果

=== 研究员输出 ===
根据市场研究，2024 年生成式 AI 市场呈现以下趋势：
1. 市场规模预计达到 500 亿美元，同比增长 150%
2. 主要应用领域：内容创作（40%）、代码生成（25%）、客户服务（20%）
3. 技术突破：多模态模型、实时推理、成本优化...

=== 图表分析师输出 ===
针对上述数据，建议使用以下可视化方案：
1. **市场规模趋势图**（折线图）：展示 2022-2024 年市场增长曲线
2. **应用领域占比**（饼图）：突出内容创作的主导地位
3. **技术成熟度雷达图**：对比多模态、实时推理等技术的成熟度...

=== 最终报告 ===
# 2024 年生成式 AI 市场发展趋势报告

## 一、市场概况
2024 年生成式 AI 市场规模预计达到 500 亿美元，同比增长 150%，标志着该行业进入快速发展期。

## 二、应用分布
- **内容创作**（40%）：文本、图像、视频生成
- **代码生成**（25%）：GitHub Copilot、Cursor 等工具
- **客户服务**（20%）：智能客服、对话机器人

## 三、数据可视化建议
建议使用折线图展示市场增长曲线，饼图突出应用领域占比，雷达图对比技术成熟度。

## 四、结论与展望
生成式 AI 正在从技术创新走向商业化落地，预计 2025 年将出现更多杀手级应用。

关键点解析

专业化分工：每个 Agent 有明确的角色和系统提示词
串行工作流：researcher → chart_analyst → report_writer
状态累积：每个 Agent 都能看到前面所有的对话历史
可扩展性：可以轻松添加更多专业 Agent（如 data_validator、editor）

进阶扩展

更复杂的多 Agent 系统可以使用：

并行执行：多个 Agent 同时工作，提高效率
动态路由：Supervisor 根据任务复杂度动态选择 Agent
人机协作：在关键节点加入人工审核断点

官方案例库精选解读

LangGraph 官方仓库（https://github.com/langchain-ai/langgraph/tree/main/examples）包含 50+ 个生产级案例，涵盖各种应用场景。以下是分类精选：

🤖 Agent 类型

1. chatbot-simulation-evaluation/

功能：评估聊天机器人质量的模拟框架
适用场景：产品上线前的自动化测试
核心技术：模拟用户对话、多维度评分

2. multi-agent/

功能：多 Agent 协作的完整实现
适用场景：复杂任务分解、团队协作模拟
核心技术：Supervisor 模式、消息路由

3. customer-support/

功能：企业级客服系统
适用场景：电商、SaaS 客户支持
核心技术：意图识别、工单系统集成、情感分析

🧠 高级技术

4. rag/

功能：检索增强生成（Retrieval-Augmented Generation）
适用场景：知识库问答、文档助手
核心技术：向量检索、上下文注入、引用溯源
推荐指数：⭐⭐⭐⭐⭐（最常用模式）

5. reflection/

功能：Agent 自我反思和优化
适用场景：代码审查、内容校对、论文撰写
核心技术：自我批评、迭代改进

6. plan-execute/

功能：先规划再执行的任务分解模式
适用场景：复杂项目管理、多步骤任务
核心技术：任务拆解、依赖管理、动态调整

7. rewoo/

功能：推理而不观察（Reasoning Without Observation）
适用场景：需要提前规划的任务（如旅行规划）
核心技术：预先生成完整计划、批量工具调用

🔧 技术能力

8. memory/

功能：多种记忆机制实现
适用场景：长期对话、用户画像构建
核心技术：短期记忆、长期记忆、记忆检索

9. tool-calling/

功能：工具调用的各种模式
适用场景：API 集成、外部服务调用
核心技术：并行工具调用、错误重试、结果验证

10. streaming/

功能：流式输出和中间结果展示
适用场景：实时对话、长文本生成
核心技术：Token 流式传输、进度反馈

11. persistence/

功能：状态持久化和恢复
适用场景：长时间运行任务、断点续传
核心技术：CheckPoint、状态序列化

🌐 专业领域

功能：自动化网页浏览和信息抽取
适用场景：网页爬虫、竞品分析、价格监控
核心技术：Playwright 集成、DOM 解析

13. extraction/

功能：结构化信息抽取
适用场景：简历解析、合同要素提取、发票识别
核心技术：Schema 定义、字段验证、批量处理

14. code-assistant/

功能：代码生成和重构助手
适用场景：IDE 插件、代码审查、自动补全
核心技术：AST 解析、语法检查、单元测试生成

📊 评估与监控

15. llm-compiler/

功能：并行优化的 Agent 执行引擎
适用场景：高性能要求的生产环境
核心技术：任务 DAG、并行调度、依赖管理

16. chatbot-simulation-evaluation/

功能：自动化评估框架
适用场景：AB 测试、模型选型、提示词优化
核心技术：模拟对话、指标计算、统计分析

🎯 推荐学习路径

如果你是新手，建议按以下顺序学习官方案例：

第 1 层：基础模式
  ├─ chatbot/                    # 基础对话
  ├─ tool-calling/                # 工具集成
  └─ streaming/                   # 流式输出

第 2 层：高级技术
  ├─ rag/                         # 检索增强（必学）
  ├─ memory/                      # 记忆管理
  └─ reflection/                  # 自我优化

第 3 层：复杂系统
  ├─ multi-agent/                 # 多 Agent 协作
  ├─ plan-execute/                # 任务规划
  └─ customer-support/            # 完整业务案例

第 4 层：专业领域
  ├─ web-navigation/              # 网页自动化
  ├─ extraction/                  # 信息抽取
  └─ code-assistant/              # 代码助手

💡 官方案例的学习建议

克隆仓库：

bash

git clone https://github.com/langchain-ai/langgraph.git
cd langgraph/examples

按需运行：
- 每个案例都有独立的 README 和依赖说明
- 建议先阅读 README，理解设计思路
- 再运行代码，观察实际效果
改造实践：
- 不要只是运行官方代码
- 尝试修改提示词、添加新工具、调整工作流
- 将案例迁移到你的实际业务场景
源码阅读：
- 官方案例代码质量极高，包含大量最佳实践
- 重点关注错误处理、日志记录、性能优化
- 学习代码结构和模块划分

总结与下一步

你已经见识到的核心技能

通过本章的 5 个案例，你已经初步见识到：

✅ 案例 1：StateGraph 基础、消息流转 ✅ 案例 2：检查点持久化、多轮对话 ✅ 案例 3：工具调用、条件路由 ✅ 案例 4：ReAct 推理、搜索集成 ✅ 案例 5：多 Agent 协作、角色分工

从"飞速上手"到"真正掌握"

本章的设计是"快速起步"，让大大直观看看并上手 LangGraph。显然，LangGraph 的能力远不止于此， LangGraph 的核心概念我们还将反复讲解，帮助大家完全消化。

接下来的章节将深入讲解：

第 1 章：Chain、Router、Agent 的本质区别
第 2 章：State Schema 的高级设计模式
第 3 章：断点调试和时间旅行
第 4 章：并行执行、子图、Map-Reduce
第 5-6 章：生产部署、监控、安全性

实战练习建议

在继续学习之前，强烈建议完成以下练习：

改造案例 3：添加一个"翻译工具"，让 Agent 能够翻译文本
扩展案例 4：让 ReAct Agent 支持多次搜索和信息综合
优化案例 5：添加一个"质量检查员"Agent，审核最终报告
组合案例：将 RAG（检索增强）和 ReAct 结合，构建一个"智能客服"

0.0 LangGraph 快速案例：飞速上手指南 ​

前言：如何才能快速上手？ ​

环境准备 ​

安装依赖 ​

API 密钥配置 ​

案例 1: 最简单的聊天机器人 ​

完整代码 ​

运行结果 ​

关键点解析 ​

案例 2: 带记忆的聊天机器人 ​

完整代码 ​

运行结果 ​

关键点解析 ​

案例 3: 工具调用 Agent ​

完整代码 ​

运行结果 ​

关键点解析 ​

案例 4: ReAct 推理 Agent ​

完整代码 ​

运行结果 ​

关键点解析 ​

案例 5: 多 Agent 协作系统 ​

完整代码 ​

运行结果 ​

关键点解析 ​

进阶扩展 ​

官方案例库精选解读 ​

🤖 Agent 类型 ​

1. chatbot-simulation-evaluation/ ​

2. multi-agent/ ​

3. customer-support/ ​

🧠 高级技术 ​

4. rag/ ​

5. reflection/ ​

6. plan-execute/ ​

7. rewoo/ ​

🔧 技术能力 ​

8. memory/ ​

9. tool-calling/ ​

10. streaming/ ​

11. persistence/ ​

🌐 专业领域 ​

12. web-navigation/ ​

13. extraction/ ​

14. code-assistant/ ​

📊 评估与监控 ​

15. llm-compiler/ ​

16. chatbot-simulation-evaluation/ ​

🎯 推荐学习路径 ​

💡 官方案例的学习建议 ​

总结与下一步 ​

你已经见识到的核心技能 ​

从"飞速上手"到"真正掌握" ​

实战练习建议 ​

推荐资源 ​

0.0 LangGraph 快速案例：飞速上手指南

前言：如何才能快速上手？

环境准备

安装依赖

API 密钥配置

案例 1: 最简单的聊天机器人

完整代码

运行结果

关键点解析

案例 2: 带记忆的聊天机器人

完整代码

运行结果

关键点解析

案例 3: 工具调用 Agent

完整代码

运行结果

关键点解析

案例 4: ReAct 推理 Agent

完整代码

运行结果

关键点解析

案例 5: 多 Agent 协作系统

完整代码

运行结果

关键点解析

进阶扩展

官方案例库精选解读

🤖 Agent 类型

1. chatbot-simulation-evaluation/

2. multi-agent/

3. customer-support/

🧠 高级技术

4. rag/

5. reflection/

6. plan-execute/

7. rewoo/

🔧 技术能力

8. memory/

9. tool-calling/

10. streaming/

11. persistence/

🌐 专业领域

12. web-navigation/

13. extraction/

14. code-assistant/

📊 评估与监控

15. llm-compiler/

16. chatbot-simulation-evaluation/

🎯 推荐学习路径

💡 官方案例的学习建议

总结与下一步

你已经见识到的核心技能

从"飞速上手"到"真正掌握"

实战练习建议

推荐资源