【干货收藏】LangChain和LangGraph如何构建真正的大模型Agent

LangChain与LangGraph构建大模型Agent

原创于 2025-11-27 13:42:02 发布 · 472 阅读

9 ·

CC 4.0 BY-SA版权

文章标签：

#langchain #人工智能 #语言模型 #学习 #产品经理 #ai #程序员

在这里插入图片描述

最近随着大模型开始火爆，只要你一打开手机，不管是懂技术的还是不懂技术的，所有人都在聊同一个词——Agent（智能体）。

老板在会上问你：“咱们的业务能不能加个 Agent？” 投资人在咖啡厅里聊：“大模型只是工具，落地还得看 Agent。” 甚至连卖课的都在喊：“错过 Agent，你就错过了 AI 时代的最后一张船票！”

还有各种层出不穷的智能体产品更是让人眼花缭乱。结果是，这个要买会员，那个要充值，再要不就是免费的都降智。反正智能体玩没玩明白不知道，但花在AI大模型的钱先算不明白了。

朋友们，不知道你们有没有想过：这个被吹上天的 Agent，到底是个什么东西？

是给 ChatGPT 穿了个马甲？还是真有什么黑科技？很多人其实是懵的。大家都在人云亦云，觉得这玩意儿是个神秘的黑盒，好像把大模型往里一扔，它就能自己写代码、自己赚钱了。

今天这条视频，我就带你来扒一扒Agent的老底。不过与其在外面听那些概念炒作，不如咱们直接钻到发动机舱里，看看它是怎么造出来的。

要想看透 Agent 的本质，有两个最好的参考工具：LangChain 和 LangGraph。这俩是目前全球最主流的 AI 开发框架。搞懂了它们，你再看市面上那些五花八门的智能体，CodeBuddy啊，灵光啊什么的，在你眼里就全是透明的了。

如果你不想做 AI 时代的“韭菜”，想做那个看透本质的人，这条视频，一定要看到最后。

LangChain — 当大模型只是“流水线工人”

首先，我们得聊聊 LangChain。在 Agent 这个概念还没彻底火起来之前，LangChain 其实已经统治了 AI 开发圈。

它的核心概念，就在这个 Chain（链） 字上。

什么叫 Chain？大家想象一下工厂的流水线。原料进来，第一道工序清洗，第二道工序加工，第三道工序包装。

在 LangChain 的早期架构里，大语言模型（LLM）扮演的是什么角色呢？它只是这条流水线上的一个工人，或者说一道工序。

举个例子，一个最简单的智能体工具工作流程是这样的：

1. 第一步：收集你提过来的提示词，做一些整理和补充，把他整理成明确，通顺的问题0。
1. 第二步：把整理好的问题再扔给LLM大语言模型，让他给出答复。
1. 第三步：LLM大语言模型给出的答复信息比较多，整理整理，把最关心的内容整理出来，再返回给你。

这样一个典型的流程，用LangChain框架去实现，大概就是这样：

from langchain_core.prompts import ChatPromptTemplatefrom langchain_openai import ChatOpenAIfrom config.load_key import load_keyfrom langchain_core.output_parsers import StrOutputParser# 提示词模板prompt_template = ChatPromptTemplate.from_messages([    ("user", "{text}")])# 构建阿里云百炼大模型客户端llm = ChatOpenAI(    model="qwen-plus",    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",    openai_api_key=load_key("BAILIAN_API_KEY"),)# 结果解析器 StrOutputParser会AIMessage转换成为str，实际上就是获取AIMessage的content属性。parser = StrOutputParser()# 构建链chain = prompt_template | llm | parserchain.invoke({"text":"你是谁"})//答案：'我是通义千问，由阿里云研发的超大规模语言模型。我能够回答问题、创作文字，如写故事、公文、邮件、剧本等，还能进行逻辑推理、编程，甚至表达观点和玩游戏。我支持多种语言，包括中文、英文、德语、法语、西班牙语等。如果你有任何问题或需要帮助，欢迎随时告诉我！'

这个Chain链条就是完整的处理逻辑，如果你还需要构建更复杂的业务流程，比如大模型第一次回答的答案，你还要再次调用其他大模型，那就在这个链条后面添加更多的组件就可以了。

发现了吗？在这里，大模型虽然很聪明，但它没有话语权。它被我们写死的代码（Chain）推着走。A 做完必须做 B，B 做完必须做 C。

这种架构的优点是稳定，但缺点太致命了——它太死板。这就好比你雇了个天才，但你只让他拧螺丝。如果中间螺丝滑丝了（大模型出错了），这条 Chain 是不知道变通的，它只会报错。

说到这儿，大家觉得这种“一根筋”的流程能叫智能体吗？或者你有没有遇到过这样逻辑定义的智能体？可以在评论区说说你的想法。

LangGraph —赋予大模型指挥权

因为 Chain 太死板，解决不了复杂问题，所以 LangGraph 诞生了。 LangGraph 的核心，从 Chain（链）变成了 Graph（图）。

但最最最关键的区别在于，LangGraph 引入了大模型最需要的一个能力：循环（Loop）+ 记忆(State)。

在 LangGraph 的架构里，大模型（LLM）摇身一变，从流水线工人变成了交通指挥官。

当一个任务进来，LangGraph 不会规定死下一步走哪。它会把当前的情况（我们管它叫 State/状态）扔给大模型，问它：“老板，你看现在这情况，咱们下一步该干啥？”

大模型一看：“这步做错了，重做！”——这就是循环。大模型一看：“这步做完了，下一步！”——这就是推进。

比如这里就是一个典型的案例。

# 构建一个图。图中两个步骤：第一步让大模型推荐一个有名的作家，第二步，让大模型用推荐的作家的风格写一个100字以内的笑话。from typing import TypedDictfrom typing_extensions import NotRequiredfrom langgraph.checkpoint.memory import InMemorySaverfrom langgraph.constants import START, ENDfrom langgraph.graph import StateGraphfrom config.load_key import load_keyfrom langchain_community.chat_models import ChatTongyi# 构建阿里云百炼大模型客户端llm = ChatTongyi(    model="qwen-plus",    api_key=load_key("BAILIAN_API_KEY"),)class State(TypedDict):    author: NotRequired[str]    joke: NotRequired[str]def author_node(state:State):    prompt = "帮我推荐一位受人们欢迎的作家。只需要给出作家的名字即可。"    author = llm.invoke(prompt)    return {"author":author}def joke_node(state:State):    prompt = f"用作家：{state['author']} 的风格，写一个100字以内的笑话"    joke = llm.invoke(prompt)    return {"joke":joke}builder = StateGraph(State)builder.add_node(author_node)builder.add_node(joke_node)builder.add_edge(START,"author_node")builder.add_edge("author_node","joke_node")builder.add_edge("joke_node",END)checkpointer = InMemorySaver()graph = builder.compile(checkpointer=checkpointer)graph

返回结果：

先让大模型推荐一个受欢迎的作家，然后再让大模型用这个作家的风格写一个笑话。

# 正常执行一个图import uuidconfig = {    "configurable": {        "thread_id": uuid.uuid4(),    }}state = graph.invoke({}, config)print(state["author"])print()print(state["joke"])

返回结果：content=‘村上春树’ additional_kwargs={} response_metadata={‘model_name’: ‘qwen-plus’, ‘finish_reason’: ‘stop’, ‘request_id’: ‘f3f97a29-4e8b-4d6b-8cb6-05941efaee93’, ‘token_usage’: {‘input_tokens’: 23, ‘output_tokens’: 4, ‘total_tokens’: 27, ‘prompt_tokens_details’: {‘cached_tokens’: 0}}} id=‘run-c7b0f76c-b403-4175-a7ee-a7c10151c73c-0’

content=‘我养的猫突然开口说话，说它其实是村上春树笔下的人物。 \n“那你该去参加文学奖。”我说。 \n它摇摇头：“太麻烦了，我还是更想喝那杯威士忌，加冰，像爵士乐一样安静地融化。” \n然后我们沉默，听着窗外的萨克斯风——其实只是邻居在锯木头。’ additional_kwargs={} response_metadata={‘model_name’: ‘qwen-plus’, ‘finish_reason’: ‘stop’, ‘request_id’: ‘0c641b22-9bc6-47c3-b9a2-ff8125eb607a’, ‘token_usage’: {‘input_tokens’: 166, ‘output_tokens’: 80, ‘total_tokens’: 246, ‘prompt_tokens_details’: {‘cached_tokens’: 0}}} id=‘run-2e158741-d294-479e-a049-dd22063636d0-0’

经过处理后，如果觉得效果不理想，比如他推荐的这个作者不喜欢，还可以回到某一个节点，修改大模型的结果，换一个作者，重新写笑话。

# 查看所有checkpoint检查点states = list(graph.get_state_history(config))# 推荐作家那一步selected_state = states[1] # 重新设定Statenew_config = graph.update_state(selected_state.config, values={"author": "郭德纲"})# 重新执行Graphgraph.invoke(None,new_config)

返回结果：{‘author’: ‘郭德纲’,
‘joke’: AIMessage(content=‘昨儿上街买包子，老板问：“要几个？”我说：“来俩。” \n他一愣：“就俩？不够吧？” \n我说：“够了，我胃口小。” \n老板叹口气：“不是，我这蒸笼五十个起卖……” \n我说：“那你早说啊！” \n拎起五十个包子就走。 \n回家路上饿了，边走边吃，吃到四十八个，到家剩俩。 \n媳妇问：“就买俩？” \n我说：“对，就俩。”’, additional_kwargs={}, response_metadata={‘model_name’: ‘qwen-plus’, ‘finish_reason’: ‘stop’, ‘request_id’: ‘d0f1f5ce-4764-4efb-a00a-cc5585167efe’, ‘token_usage’: {‘input_tokens’: 26, ‘output_tokens’: 110, ‘total_tokens’: 136, ‘prompt_tokens_details’: {‘cached_tokens’: 0}}}, id=‘run-b752980d-ca0a-44de-9cad-84259496569b-0’)}

从这个案例看出：

Agent = 大模型 + 循环控制流 + 记忆。 只有具备了这种“循环”和“决策”能力的架构，才配叫真正的 Agent。

三种核心模式与“积木组合”

好，理解了“图”和“循环”，接下来才是最精彩的部分。市面上那些看似复杂的 Agent，其实都是由三种最基础的“图模式”演变来的。

第一种：反思模式（Reflection）。这就像一个“强迫症作家”。大模型写一段代码，然后自己跳到“批评家”节点，挑自己的毛病。如果有毛病，就跳回去重写。直到自己满意为止。这就是为什么现在的 AI 写代码越来越准，因为它自己在图里跑了好几圈才给你看。

第二种：工具路由模式（Tool Routing）。 这就像一个 “全能工匠”。中间是大脑，周围挂着计算器、谷歌搜索、画图工具。大脑看一眼问题：“嗯，这个需要算数。” 啪，调用计算器。算完回来发现：“哎，还需要搜个图。” 啪，调用搜索。这是目前最通用的助理形态。

第三种：监督者模式（Supervisor Mode）。 这个最厉害，它像一个 “项目经理带着一帮小弟”。顶部有一个监督者大模型（Supervisor），它不干脏活累活，它只负责分包。任务来了，监督者说：“小王（写代码的 Agent），你去写个爬虫。” 小王干完回来汇报。监督者一看：“不行，这爬虫报错了。小李（查文档的 Agent），你去查查文档怎么修。” 小李查完回来汇报。监督者再指挥小王去修。整个过程，监督者在不断协调，直到任务搞定。

重点来了！ 现在的超级智能体是怎么做出来的？就是把这三种模式，像搭积木一样组合起来！