掌握LangGraph:小白程序员轻松搭建智能Agent,收藏这份快速入门指南!

Langgraph小入门 在 LangGraph 中,节点是图的基本单元,通常是 Python 函数,它们负责执行图中的实际操作。节点可以是同步或异步(async)函数,函数的第一个参数是图的状态,而第二个参数是可选的配置,用于传递额外的可配置参数。"}# 第二个参数是可选的my_node:这是一个包含两个参数的节点函数。第一个参数是state,即图的当前状态。第二个参数是config,这是一个可选的对象,用于传递额外的配置信息(例如user_id节点函数执行后,它返回一个更新后的状态,例如。 阅读详情

前序准备


在使用LangGraph之前,我们先提前准备一些基础知识以及相关概念的了解,方便我们了解后续代码

Langchain的ChatModel

我们清楚Agent的主要通过设计提示语,然后调用模型,完成对应流程与目标输出,所以在构建智能体之前,我们首先搞明白如何调用大模型,langchain框架提供了很多厂商的调用方式,使用文档在这里:

https://python.langchain.com/api_reference/langchain/chat_models.html

虽然聊天模型在底层使用了语言模型,但它们暴露的接口略有不同。它们并没有暴露“文本输入、文本输出”的 API,而是暴露了一个以“聊天消息”作为输入和输出的接口。下面支持的模型厂商列表

  • openai -> langchain-openai
  • anthropic -> langchain-anthropic
  • azure_openai -> langchain-openai
  • azure_ai -> langchain-azure-ai
  • google_vertexai -> langchain-google-vertexai
  • google_genai -> langchain-google-genai
  • bedrock -> langchain-aws
  • bedrock_converse -> langchain-aws
  • cohere -> langchain-cohere
  • fireworks -> langchain-fireworks
  • together -> langchain-together
  • mistralai -> langchain-mistralai
  • huggingface -> langchain-huggingface
  • groq -> langchain-groq
  • ollama -> langchain-ollama
  • google_anthropic_vertex -> langchain-google-vertexai
  • deepseek -> langchain-deepseek
  • ibm -> langchain-ibm
  • nvidia -> langchain-nvidia-ai-endpoints
  • xai -> langchain-xai
  • perplexity -> langchain-perplexity

langchain有个方法init_chat_model,可以初始化各种厂商的模型,同时也提供了不同大模型的调用sdk,下面是deepseek的例子:

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv(verbose=True)

model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

response=model.invoke("你好,请帮我生成一首儿歌")
print(response)

模型输出如下:

{
  "content": "当然!这里有一首温馨可爱的儿歌,适合小朋友传唱:\n\n---\n\n**《小星星的梦》**  \n✨🌙🎵  \n\n小星星,眨眼睛,  \n躲在云端放光明。  \n月亮船,摇啊摇,  \n载着梦儿轻轻飘。  \n\n萤火虫,提灯笼,  \n照亮花园小草丛。  \n风儿唱,树叶响,  \n伴我进入甜梦乡。  \n\n——  \n希望这首简单又充满画面感的儿歌能让宝贝喜欢!如果需要主题调整(比如动物、季节等),可以告诉我哦 😊",
  "additional_kwargs": {
    "refusal": null
  },
  "response_metadata": {
    "token_usage": {
      "completion_tokens": 120,
      "prompt_tokens": 12,
      "total_tokens": 132,
      "completion_tokens_details": null,
      "prompt_tokens_details": {
        "audio_tokens": null,
        "cached_tokens": 0
      },
      "prompt_cache_hit_tokens": 0,
      "prompt_cache_miss_tokens": 12
    },
    "model_name": "deepseek-chat",
    "system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
    "id": "866e04cd-5b1c-41cd-a7c6-a4140f4bcd05",
    "service_tier": null,
    "finish_reason": "stop",
    "logprobs": null
  },
  "id": "run--d3ffbc2a-d62b-49e5-8daa-981205501093-0",
  "usage_metadata": {
    "input_tokens": 12,
    "output_tokens": 120,
    "total_tokens": 132,
    "input_token_details": {
      "cache_read": 0
    },
    "output_token_details": {}
  }
}

这个JSON输出代表了一次完整的AI生成过程的结果,整个结构可以分为两大部分:核心内容和元数据。

核心内容

这是用户直接收到的、最有价值的部分:

  • content:主要输出内容。包含了AI生成的完整儿歌《小星星的梦》,包括标题、歌词、表情符号和友好的结束语。这是整个响应的核心。
  • additional_kwargs:附加参数字典。这里的"refusal": null表明AI没有拒绝该请求,顺利完成了任务。
元数据 (系统信息)

这些字段提供了关于此次生成过程的背景技术信息,对开发者非常有用:

  • response_metadata:响应元数据。包含了本次请求的详细技术细节:
    • token_usage:Token消耗统计。显示本次生成消耗了12个输入token(问题很短)和120个输出token(儿歌内容较长),总计132个token。
    • model_name:模型标识。表明由deepseek-chat模型生成。
    • finish_reason:完成原因。值为stop,表示模型正常输出了完整结果后结束。
    • id,system_fingerprint: 本次请求的唯一标识和系统指纹,用于追踪和诊断。
  • usage_metadata:用量元数据。以另一种格式再次提供了token使用情况,并特别指出了没有从缓存读取("cache_read": 0),说明这是一个全新的计算请求。
  • id:本次运行(Run)的唯一标识符。用于在日志系统中追踪这一次特定的AI调用。
ReAct框架

《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》,由Shunyu Yao等人撰写,发表在2023年的ICLR会议上。论文探讨了如何在大型语言模型(LLMs)中结合推理(reasoning)和行动(acting)的能力,以提高模型在语言理解和交互式决策制定任务中的性能。

其中ReAct Agent就是核心动作就是推理+行动

主要观点:

  • 大型语言模型(LLMs)在语言理解和交互式决策制定任务中表现出色,但它们的推理(例如链式思维提示)和行动(例如行动计划生成)能力通常被分开研究。
  • 作者提出了一种新的方法ReAct,它通过交错生成推理轨迹和特定于任务的行动,使两者之间产生更大的协同效应。推理轨迹帮助模型诱导、跟踪和更新行动计划,以及处理异常情况,而行动则允许它与外部资源(如知识库或环境)接口并收集额外信息。 具体步骤:

ReAct(Reasoning and Acting)是一种结合了**推理(reasoning)和行动(acting)**的方法,旨在提高大型语言模型(LLMs)在解决复杂任务时的性能和可解释性。ReAct的具体步骤如下:

  • 定义任务和目标:首先,明确模型需要解决的任务和目标。这可能包括问题回答、事实验证、文本游戏或网页导航等。
  • 生成推理轨迹:模型生成一系列推理轨迹,这些轨迹是模型内部的思考过程,用于解决问题。这些推理轨迹可能包括分解任务目标、提取重要信息、执行常识推理、指导搜索重构、跟踪进度和处理异常等。
  • 执行行动:模型根据推理轨迹执行一系列行动。在ReAct中,行动是通过与外部环境(例如Wikipedia或其他知识库)的交互来完成的。行动可以是搜索信息、选择产品、选择选项或购买等。
  • 交替推理和行动:在解决任务的过程中,模型会交替进行推理和行动。这意味着模型在执行每个行动后可能会生成新的推理轨迹,然后再执行新的行动,以此往复。
  • 更新上下文:每次行动后,模型会更新上下文信息,这包括之前的行动、观察结果和新生成的推理轨迹。这种上下文更新帮助模型跟踪任务的当前状态,并为未来的推理和行动提供信息。
  • 生成任务解决轨迹:通过上述步骤,模型生成一个包含行动、观察和推理轨迹的任务解决轨迹。这个轨迹不仅展示了模型如何解决问题,而且提供了模型决策的透明度,使得人类用户可以理解和评估模型的行为。
  • 评估和调整:在实际应用中,模型生成的任务解决轨迹可能会被人类用户评估和调整。用户提供的反馈可以用来进一步指导模型的行为,或者在模型自身无法正确解决问题时进行干预。

下面是一个 ReAct 提示的示例(摘自论文,为简单起见缩短为一个示例):

问题 科罗拉多造山带东部区域延伸到的区域的海拔范围是多少? 思考 1 我需要搜索科罗拉多造山带,找到科罗拉多造山带东段延伸的区域,然后找到该区域的海拔范围。 操作 1 搜索 [科罗拉多造山带] 观察 1 科罗拉多造山带是科罗拉多及其周边地区造山运动的一段。 思考 2 它没有提到东部地区。所以我需要查一下东部地区。 操作 2 查找 [东部地区] 观察 2 (结果 1 / 1) 东部区域延伸至高平原,称为中原造山带。 思考 3 科罗拉多造山运动的东部区域延伸到高平原。所以我需要搜索高平原,找到它的海拔范围。 操作 3 搜索 [高平原] 观察 3 高平原指的是两个截然不同的陆地区域之一。 思考 4 我需要搜索高平原(美国) 操作 4 搜索 [高平原(美国)] 观察 4 高平原是大平原的一个分区。从东到西,高平原的海拔从 1800 到 7000 英尺 (550 到 2130 米) 不等。[3] 思考 5 高平原海拔高度从 1800 到 7000 英尺,所以答案是 1800 到 7000 英尺。 操作 5 结束 [1800 到 7000 英尺] ...

ReAct的核心在于通过交错的推理和行动步骤,使模型能够在执行任务时动态地进行推理和行动,从而提高任务解决的准确性和效率。这种方法特别适用于需要与外部环境交互并从中获取信息以支持决策的任务。

LangGraph快速入门


构建ReactAgent

为了避免缺少环境,我们可以提前安装langchain套件:

pip install langchain langchain-core

安装 LangGraph:

pip install -U langgraph

然后,使用预构建的组件(这里指的react_agent模板)创建智能体:

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv

load_dotenv(verbose=True)

model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_tokens=None,
    timeout=None,
    max_retries=2,
)

# response=model.invoke("你好,请帮我生成一首儿歌")
# print(response)
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f" {city}的天气是晴朗的!"

agent = create_react_agent(
    model=model,
    tools=[get_weather],
    prompt="你是一个有用的助手"
)

# Run the agent
response=agent.invoke(
    {"messages": [{"role": "user", "content": "请问北京的天气怎么样"}]}
)

print(response)

我们可以答应下输出,这里为了方便查看,我整理成json了:

{

"messages"
: [

    {

"type"
: 
"human"
,

"content"
: 
"请问北京的天气怎么样"
,

"additional_kwargs"
: {},

"response_metadata"
: {},

"id"
: 
"72b50e8e-e20f-4d2e-8add-4993747de54e"

    },

    {

"type"
: 
"ai"
,
{
  "messages": [
    {
      "type": "human",
      "content": "请问北京的天气怎么样",
      "additional_kwargs": {},
      "response_metadata": {},
      "id": "72b50e8e-e20f-4d2e-8add-4993747de54e"
    },
    {
      "type": "ai",
      "content": "我来帮您查询北京的天气情况。",
      "additional_kwargs": {
        "tool_calls": [
          {
            "id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d",
            "function": {
              "arguments": "{\"city\": \"\\u5317\\u4eac\"}",
              "name": "get_weather"
            },
            "type": "function",
            "index": 0
          }
        ],
        "refusal": null
      },
      "response_metadata": {
        "token_usage": {
          "completion_tokens": 28,
          "prompt_tokens": 155,
          "total_tokens": 183,
          "completion_tokens_details": null,
          "prompt_tokens_details": {
            "audio_tokens": null,
            "cached_tokens": 0
          },
          "prompt_cache_hit_tokens": 0,
          "prompt_cache_miss_tokens": 155
        },
        "model_name": "deepseek-chat",
        "system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
        "id": "41400771-a017-484c-970c-d697720af00b",
        "service_tier": null,
        "finish_reason": "tool_calls",
        "logprobs": null
      },
      "id": "run--09d15b9b-e85f-4ec2-968a-ca1051321606-0",
      "tool_calls": [
        {
          "name": "get_weather",
          "args": {
            "city": "北京"
          },
          "id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d",
          "type": "tool_call"
        }
      ],
      "usage_metadata": {
        "input_tokens": 155,
        "output_tokens": 28,
        "total_tokens": 183,
        "input_token_details": {
          "cache_read": 0
        },
        "output_token_details": {}
      }
    },
    {
      "type": "tool",
      "content": "北京的天气是晴朗的!",
      "name": "get_weather",
      "id": "f47a51d0-9b26-4eb4-8d3b-f1e4f02520bb",
      "tool_call_id": "call_0_4e1e8263-3930-4052-b272-26d618f4301d"
    },
    {
      "type": "ai",
      "content": "根据查询结果,北京目前的天气是晴朗的!天气状况很好,适合外出活动。如果您需要更详细的天气信息(如温度、湿度、风力等),请告诉我,我可以为您提供更全面的天气情况。",
      "additional_kwargs": {
        "refusal": null
      },
      "response_metadata": {
        "token_usage": {
          "completion_tokens": 45,
          "prompt_tokens": 187,
          "total_tokens": 232,
          "completion_tokens_details": null,
          "prompt_tokens_details": {
            "audio_tokens": null,
            "cached_tokens": 128
          },
          "prompt_cache_hit_tokens": 128,
          "prompt_cache_miss_tokens": 59
        },
        "model_name": "deepseek-chat",
        "system_fingerprint": "fp_feb633d1f5_prod0820_fp8_kvcache",
        "id": "63d43631-9171-4fb0-98c0-6470313d7798",
        "service_tier": null,
        "finish_reason": "stop",
        "logprobs": null
      },
      "id": "run--47611254-733a-4d55-b002-96a17b131a02-0",
      "usage_metadata": {
        "input_tokens": 187,
        "output_tokens": 45,
        "total_tokens": 232,
        "input_token_details": {
          "cache_read": 128
        },
        "output_token_details": {}
      }
    }
  ]
}

这是一个多轮对话的完整记录,描述了用户查询北京天气后,AI调用工具并返回结果的整个过程。对话包含4条消息:

  • 用户提问 (HumanMessage): 询问"北京的天气怎么样"
  • AI响应 (AIMessage): 回复将帮忙查询,并调用天气查询工具 get_weather,参数为 {“city”: “北京”}
  • 工具返回 (ToolMessage): 工具执行结果返回"北京的天气是晴朗的!"
  • AI最终回复 (AIMessage): 整合工具结果,告诉用户北京天气晴朗,适合外出,并询问是否需要更多详细信息
记忆持久化

为了允许与智能体进行多轮对话,我们需要在创建智能体时提供检查点来启用持久性thread_id。在运行时,LangGraph需要提供一个配置,其中包含对话(会话)的唯一标识符,下面是一个例子:

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
from langgraph.checkpoint.memory import InMemorySaver
load_dotenv()
model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_retries=2,
)
# 定义一个简单的工具函数
def get_weather(city: str) -> str:
    """获取天气信息"""
    weather_data = {
        "北京": "晴天,25°C",
        "上海": "多云,28°C",
        "深圳": "小雨,26°C"
    }
    return weather_data.get(city, f"{city}天气暂无数据")

# 创建内存检查点
checkpointer = InMemorySaver()

# 创建带记忆的代理
agent = create_react_agent(
    model=model,
    tools=[get_weather],
    checkpointer=checkpointer
)

# 配置会话ID
config = {"configurable": {"thread_id": "chat-001"}}

# 第一轮对话
print("=== 第一轮对话 ===")
response1 = agent.invoke(
    {"messages": [{"role": "user", "content": "你好,我叫张三,请查询北京天气"}]},
    config
)
print("用户: 你好,我叫张三,请查询北京天气")
print("助手:", response1['messages'][-1].content)

# 第二轮对话 - 测试记忆功能
print("\n=== 第二轮对话 ===")
response2 = agent.invoke(
    {"messages": [{"role": "user", "content": "我叫什么名字?"}]},
    config
)
print("用户: 我叫什么名字?")
print("助手:", response2['messages'][-1].content)

# 第三轮对话 - 继续使用记忆
print("\n=== 第三轮对话 ===")
response3 = agent.invoke(
    {"messages": [{"role": "user", "content": "上海天气怎么样?"}]},
    config
)
print("用户: 上海天气怎么样?")
print("助手:", response3['messages'][-1].content)

下面是输出:

=== 第一轮对话 === 用户: 你好,我叫张三,请查询北京天气 助手: 根据查询结果,北京目前的天气情况是: - 天气状况:晴天 - 温度:25°C  今天北京的天气很不错呢,是个晴朗的好天气,温度也很舒适!  === 第二轮对话 === 用户: 我叫什么名字? 助手: 你刚才告诉我你叫张三!很高兴认识你,张三!  === 第三轮对话 === 用户: 上海天气怎么样? 助手: 根据查询结果,上海目前的天气情况是: - 天气状况:多云 - 温度:28°C  上海今天是多云天气,温度比北京稍高一些,28°C,也是比较舒适的天气呢!
结构化输出

要生成符合特定模式的结构化响应,我们可以使用response_format参数。该模式可以使用Pydantic模型或定义TypedDict。结果可通过structured_response字段访问。

我们设置好调用大模型:

from langgraph.prebuilt import create_react_agent
from langchain_deepseek import ChatDeepSeek
from dotenv import load_dotenv
from pydantic import BaseModel
from typing import List, Optional
load_dotenv()
model=ChatDeepSeek(
    model="deepseek-chat",
    temperature=0,
    max_retries=2,
)

下面是一个例子:

# 定义工具函数
def get_weather(city: str) -> str:
    """获取城市天气信息"""
    weather_data = {
        "北京": "晴天,气温25°C,空气质量良好",
        "上海": "多云转阴,气温28°C,湿度80%",
        "深圳": "小雨,气温26°C,风力3级",
        "广州": "阴天,气温30°C,空气质量中等"
    }
    return weather_data.get(city, f"{city}暂无天气数据")

def search_restaurant(city: str, cuisine: str = "") -> str:
    """搜索餐厅信息"""
    restaurants = {
        "北京": "老北京炸酱面馆、全聚德烤鸭店、海底捞火锅",
        "上海": "小笼包店、本帮菜馆、外滩西餐厅",
        "深圳": "潮汕牛肉火锅、茶餐厅、海鲜大排档"
    }
    return restaurants.get(city, f"{city}暂无餐厅推荐")

# 示例1: 天气查询结构化响应
class WeatherResponse(BaseModel):
    """天气查询响应格式"""
    city: str                    # 城市名称
    conditions: str              # 天气状况
    temperature: Optional[str]   # 温度信息
    additional_info: Optional[str]  # 附加信息

# 创建天气查询代理
weather_agent = create_react_agent(
    model=model,
    tools=[get_weather],
    response_format=WeatherResponse
)

print("=== 示例1: 天气查询结构化输出 ===")
weather_response = weather_agent.invoke(
    {"messages": [{"role": "user", "content": "查询北京的天气情况"}]}
)

然后我们可以通过字典属性来获取对应的输出值:

print("用户: 查询北京的天气情况")
print("结构化响应:")
print(f"  城市: {weather_response['structured_response'].city}")
print(f"  天气状况: {weather_response['structured_response'].conditions}")
print(f"  温度: {weather_response['structured_response'].temperature}")
print(f"  附加信息: {weather_response['structured_response'].additional_info}")

输出如下:

=== 示例1: 天气查询结构化输出 ===
用户: 查询北京的天气情况
结构化响应:
  城市: 北京
  天气状况: 晴天
  温度: 25°C
  附加信息: 空气质量良好

我们定义一个餐厅推荐结构化输出:

# 示例2: 餐厅推荐结构化响应
class RestaurantRecommendation(BaseModel):
    """餐厅推荐响应格式"""
    city: str                           # 城市
    restaurants: List[str]              # 餐厅列表
    cuisine_type: Optional[str]         # 菜系类型
    recommendation_reason: str          # 推荐理由

# 创建餐厅推荐代理
restaurant_agent = create_react_agent(
    model=model,
    tools=[search_restaurant],
    response_format=RestaurantRecommendation
)

print("\n=== 示例2: 餐厅推荐结构化输出 ===")
restaurant_response = restaurant_agent.invoke(
    {"messages": [{"role": "user", "content": "推荐上海的好餐厅"}]}
)

print("用户: 推荐上海的好餐厅")
print("结构化响应:")
print(f"  城市: {restaurant_response['structured_response'].city}")
print(f"  餐厅列表: {restaurant_response['structured_response'].restaurants}")
print(f"  菜系类型: {restaurant_response['structured_response'].cuisine_type}")
print(f"  推荐理由: {restaurant_response['structured_response'].recommendation_reason}")

输出如下:

=== 示例2: 餐厅推荐结构化输出 ===
用户: 推荐上海的好餐厅
结构化响应:
  城市: 上海
  餐厅列表: ['小笼包店', '本帮菜馆', '外滩西餐厅']
  菜系类型: None
  推荐理由: 上海作为国际化大都市,既有传统本帮菜和小笼包等特色美食,也有高档西餐厅,能够满足不同口味需求

最后我们可以将这两个例子整合成一个旅行的综合查询结构化输出样例:

# 示例3: 综合查询结构化响应
class TravelInfo(BaseModel):
    """旅行信息响应格式"""
    destination: str                    # 目的地
    weather_info: str                   # 天气信息
    restaurant_suggestions: List[str]   # 餐厅建议
    travel_tips: List[str]              # 旅行建议
    overall_rating: str                 # 总体评价

# 创建旅行助手代理
travel_agent = create_react_agent(
    model=model,
    tools=[get_weather, search_restaurant],
    response_format=TravelInfo
)

print("\n=== 示例3: 旅行信息结构化输出 ===")
travel_response = travel_agent.invoke(
    {"messages": [{"role": "user", "content": "我想去深圳旅游,给我一些建议"}]}
)

print("用户: 我想去深圳旅游,给我一些建议")
print("结构化响应:")
print(f"  目的地: {travel_response['structured_response'].destination}")
print(f"  天气信息: {travel_response['structured_response'].weather_info}")
print(f"  餐厅建议: {travel_response['structured_response'].restaurant_suggestions}")
print(f"  旅行建议: {travel_response['structured_response'].travel_tips}")
print(f"  总体评价: {travel_response['structured_response'].overall_rating}")

我们可以看到输出如下:

=== 示例3: 旅行信息结构化输出 ===
用户: 我想去深圳旅游,给我一些建议
结构化响应:
  目的地: 深圳
  天气信息: 小雨,气温26°C,风力3级
  餐厅建议: ['潮汕牛肉火锅', '茶餐厅', '海鲜大排档']
  旅行建议: ['携带雨具出行,准备轻便夏装和薄外套', '使用深圳地铁系统出行,下载"深圳通"APP', '参观世界之窗、欢乐谷、深圳湾公园等景点', '考虑去香港一日游(需提前办理港澳通行证)']
  总体评价: 现代化大都市,购物和美食天堂,交通便利,适合城市旅游和商务出行

LangGraph教程合集


  • 1⃣ 官方文档 & 快速入门
LangGraph 官方教程站(持续更新)

https://langchain-ai.github.io/langgraph/
  • 2⃣ 中文翻译 + 入门级实战
LangGraph 官方文档翻译 1:快速入门

https://blog.youkuaiyun.com/lovechris00/article/details/148014663
  • 3⃣ 进阶实战(带完整源码)
构建数学 Agent:工具调用 + 结果验证 + 流程总结

文章:https://blog.youkuaiyun.com/sjxgghg/article/details/147250916

源码:https://github.com/JieShenAI/csdn/tree/main/25/04/math_agent
  • 4⃣ 视频课程(2025 年 3 月录制,B 站)
《2025 吃透 LangGraph 全套教程》47 集合集

https://www.bilibili.com/video/BV1wsoiYQENQ/
  • 5⃣ 开源示例合集
GitHub 官方示例仓库

https://github.com/langchain-ai/langgraph-example 

Awesome LangGraph 精选项目列表

https://github.com/von-development/awesome-LangGraph 

Tools_and_Agents:多工具 Agent 实战代码

https://github.com/anmolaman20/Tools_and_Agents

普通人如何抓住AI大模型的风口?

领取方式在文末

为什么要学习大模型?

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 , 大模型作为其中的重要组成部分 , 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力, 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ,为各行各业带来了革命性的改变和机遇 。

目前,开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景,其中,应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。
在这里插入图片描述

随着AI大模型技术的迅速发展,相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业:
在这里插入图片描述

人工智能大潮已来,不加入就可能被淘汰。如果你是技术人,尤其是互联网从业者,现在就开始学习AI大模型技术,真的是给你的人生一个重要建议!

最后

只要你真心想学习AI大模型技术,这份精心整理的学习资料我愿意无偿分享给你,但是想学技术去乱搞的人别来找我!

在当前这个人工智能高速发展的时代,AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长,真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料,能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来,我们不断打磨课程体系与技术内容,在细节上精益求精,同时在技术层面也新增了许多前沿且实用的内容,力求为大家带来更系统、更实战、更落地的大模型学习体验。

图片

希望这份系统、实用的大模型学习路径,能够帮助你从零入门,进阶到实战,真正掌握AI时代的核心技能!

01 教学内容

图片

  • 从零到精通完整闭环:【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块,内容比传统教材更贴近企业实战!

  • 大量真实项目案例: 带你亲自上手搞数据清洗、模型调优这些硬核操作,把课本知识变成真本事‌!

02适学人群

应届毕业生‌: 无工作经验但想要系统学习AI大模型技术,期待通过实战项目掌握核心技术。

零基础转型‌: 非技术背景但关注AI应用场景,计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈: 传统开发者(Java/前端等)学习Transformer架构与LangChain框架,向AI全栈工程师转型‌。

image.png

vx扫描下方二维码即可
【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

本教程比较珍贵,仅限大家自行学习,不要传播!更严禁商用!

03 入门到进阶学习路线图

大模型学习路线图,整体分为5个大的阶段:
图片

04 视频和书籍PDF合集

图片

从0到掌握主流大模型技术视频教程(涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向)

图片

新手必备的大模型学习PDF书单来了!全是硬核知识,帮你少走弯路(不吹牛,真有用)
图片

05 行业报告+白皮书合集

收集70+报告与白皮书,了解行业最新动态!
图片

06 90+份面试题/经验

AI大模型岗位面试经验总结(谁学技术不是为了赚$呢,找个好的岗位很重要)图片
在这里插入图片描述

07 deepseek部署包+技巧大全

在这里插入图片描述

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享!!!
vx扫描下方二维码即可
加上后会一个个给大家发

【附赠一节免费的直播讲座,技术大佬带你学习大模型的相关知识、学习思路、就业前景以及怎么结合当前的工作发展方向等,欢迎大家~】
在这里插入图片描述

LangGraph 快速入门 要把大象装冰箱,总共分几步?LangGraph告诉你! 阅读详情

相关推荐

16 大模型学习——LangGraph1

LangGraph 是一个基于LangChain构建的扩展。LangGraph 是一个用于构建具有状态和多参与者应用程序的 LLM 库,它允许创建具有循环的图,这在大多数智能体架构中是必需的。LangGraph提供了对应用程序流程和状态的细粒度控制,这对于创建可靠的智能体至关重要,并且LangGraph 还内置了包括持久化对话,支持高级的人机交互和记忆功能。

weixin_54388827的博客 3397

工作流框架-LangGraph

LangGraph 是由 LangChain 团队开发的一个开源框架,旨在帮助开发者构建基于大型语言模型(LLM)的复杂、有状态、多主体的应用。它通过将工作流表示为图结构(graph),提供了更高的灵活性和控制能力,特别适合需要循环逻辑、状态管理以及多主体协作的场景,比如智能代理(agent)和多代理工作流。

m0_59164304的博客 1万+

Spring AI实现RAG(检索增强生成)详解与实践

支持多种文件格式的文档加载实现高效的向量存储和检索构建智能的问答系统提供可追溯的知识服务RAG技术为AI应用提供了强大的知识增强能力,使得模型能够基于实际文档生成准确、可靠的回答。

beiduofen2011的专栏 1240

LangGraph简单使用

LangGraph的简单介绍及使用

分享各种测试中的用到的内容,一起学习 8939

新手避坑指南:用镭神C32和KVH 1750 IMU做标定,为什么直接上lidar_align会失败?

本文详细解析了使用镭神C32激光雷达和KVH 1750 IMU进行标定时常见的失败原因及解决方案。从IMU的微分传感器特性到Lidar-IMU标定的数学本质,再到可行的标定方案和实操注意事项,帮助新手避开认知陷阱,掌握正确的标定方法。

weixin_30162121的博客 328

STM32CubeMX HAL实战:JY901S串口数据解析与姿态解算

本文详细介绍了如何使用STM32CubeMX HAL库实现JY901S六轴姿态传感器的串口数据解析与姿态解算。从基础硬件连接到USART3配置,再到数据接收状态机实现和传感器校准方法,最后深入讲解互补滤波与Mahony滤波算法在姿态解算中的应用。通过实战代码演示,帮助开发者快速掌握无人机、机器人等项目中关键姿态数据处理技术。

weixin_28703489的博客 432

10分钟搭建能调用工具的Agent服务!收藏这份FastAPI×LangGraph实战教程,小白轻松入门大模型开发!

本文介绍如何使用FastAPI、LangGraph和LangChain构建最小化Agent服务,支持工具调用功能。通过完整代码示例展示从环境配置到本地运行的全过程,包含时间查询、计算器和FAQ三个演示工具。采用ReAct循环机制,实现智能决策工具使用,并提供一键运行、curl验证脚本,帮助开发者快速搭建大模型应用服务。

m0_74942241的博客 1029

RISC-V IP中的ITCM/DTCM与Slave-AHB接口设计解析

本文深入解析RISC-V IP中ITCM/DTCM与Slave-AHB接口的设计要点,涵盖TCM架构原理、总线协议实现及性能优化策略。通过实际案例展示如何实现单周期访问延迟,解决跨时钟域同步等关键问题,为嵌入式系统提供确定性内存访问方案。特别探讨了AHB总线仲裁机制和RTL实现技巧,助力开发者构建高效可靠的RISC-V处理器子系统。

weixin_28419039的博客 531

Agent Chat UI完全指南:如何快速搭建LangGraph智能对话界面

Agent Chat UI是一个功能强大的Next.js应用程序,专为与LangGraph智能代理进行交互而设计。这个开源项目让开发者能够快速搭建现代化的聊天界面,与任何支持`messages`键的LangGraph服务器进行无缝对话。无论你是AI开发者还是企业用户,都能通过这个工具轻松创建智能对话体验。🦜 ## 快速入门:5分钟搭建智能对话界面 想要快速开始使用Agent Chat UI?

gitblog_00660的博客 1162

从报错到优化:一次Gauss JDBC参数限制排查实录(32767参数上限避坑指南)

本文详细记录了排查GaussDB JDBC驱动因绑定参数数量超过32767上限而抛出`PSQLException`(报错信息为`Tried to send an out-of-range integer as a 2-byte value`)的全过程。文章深入分析了该限制的底层协议原理,并提供了应用层分批查询、使用临时表以及优化业务逻辑等多种解决方案,旨在帮助开发者规避此参数上限陷阱,构建更稳健的数据访问层。

rgv23456789的博客 220

单节锂电池充电管理芯片应用原理阐述及应用领域

当电池电压超过2.9V时,采用恒流模式对电池充电,充电电流由PROG 管脚和GND之间的电阻RPROG确定。充电电压固定于4.2V,而充电电流可通过一个电阻器进行外部设置当充电电流在达到最终浮充电压之后降至设定值1/10时,WD4054将自动终止充电循环。在待机模式中,WD4054 对 BAT 引脚电压进行监控,只有当 BAT 引脚电压低于再充电阈值电压4.1V时(对应电池容量80%~90%),才会开始新的充电循环,重新对电池进行充电,这就避免了对电池进行不必要的反复充电,有效延长电池的使用寿命。

weixin_41141180的博客 950

LangGraph是什么?AI Agent:轻松入门智能体开发,一篇文章带你全面了解LangGraph!

说起现阶段最流行、最通用的Agent开发框架,毫无疑问肯定是LangChain。LangChain作为2022年开源的元老级开发框架,历经数年发展其功能和生态都非常完善并且拥有数量众多的开发者。可以说LangChain就是目前能力最强、最通用、最流行的Agent开发框架没有之一。笔者刚刚更新完全套的LangChain分享教程,从底层API调用、LCEL语法到外部工具接入、智能体构建等各个方面,手把手教大家从0到1掌握LangChain AI Agent的开发技巧。

m0_63171455的博客 1456

汇丰外包Java岗面试复盘:Zoom面1.5小时,从英语、粤语到现场敲代码的极限挑战

本文详细记录了汇丰银行外包Java岗位的面试全过程,包括多语言切换(英语、粤语)的技术沟通挑战和现场编码测试的实战经验。从高并发编程到JVM调优,面试不仅考察技术深度,更注重实战问题解决能力。文章分享了应对跨国银行技术面试的实用策略,帮助Java开发者在跨文化环境中提升竞争力。

weixin_42524824的博客 363

5分钟快速上手LangGraph:构建智能Agent的终极指南

LangGraph是一个强大的开源框架,专门用于构建**智能Agent**和**复杂工作流**。无论你是AI开发者还是希望自动化业务流程的技术人员,LangGraph都能帮助你轻松创建**可扩展的Agent系统**。在前100个字内,我们明确说明:LangGraph是构建**智能Agent**的核心工具,通过**图结构**组织AI任务,实现**工作流自动化**。 ## 场景化引导:你的第一个智能

gitblog_00041的博客 733

华为OD机试2025C卷-双十一最大花费金额[100分](Java_Python3_C++_C语言_JsNode_Go)实现100%通过率

双十一最大花费金额 - 动态规划解法 摘要:本文介绍了华为OD机试中"双十一最大花费金额"问题的动态规划解法。该问题要求在给定N件商品价格和优惠券面额X的情况下,选择若干商品使总花费不超过X且尽可能大。核心解法采用布尔型动态规划数组,记录每个金额是否可被拼出。算法时间复杂度为O(N*X),空间复杂度为O(X)。通过倒序遍历避免重复选择同一商品,最后从X向下查找第一个可达金额作为答案。文中提供了C++和Java的实现代码,并解释了与经典0-1背包问题的关系。 关键点: 问题本质是0-1背包/子集和问题的变体

2503_91057718的博客 48

Data-Structures-and-Algorithm-Analysis-in-Java.pdf

作者: Weiss, Mark A. 出版社: Addison Wesley Data Structures and Algorithm Analysis in Java is an “advanced algorithms” book that fits between traditional CS2 and Algorithms Analysis courses. In the old ACM Curriculum Guidelines, this course was known as CS7. This text is for readers who want to learn good programming and algorithm analysis skills simultaneously so that they can develop such programs with the maximum amo...

大模型开发入门:LangChain、LangGraph、Agent与SubAgent实战指南,小白程序员必备,轻松收藏掌握AI前沿技术!

近期科技圈传来重磅消息:行业巨头英特尔宣布大规模裁员2万人,传统技术岗位持续萎缩的同时,另一番景象却在AI领域上演——AI相关技术岗正开启“疯狂扩招”模式!据行业招聘数据显示,具备3-5年大模型相关经验的开发者,在大厂就能拿到50K×20薪的高薪待遇,薪资差距肉眼可见!业内资深HR预判:不出1年,“具备AI项目实战经验”将正式成为技术岗投递的硬性门槛。在行业迭代加速的当下,“温水煮青蛙”式的等待只会让自己逐渐被淘汰,与其被动应对,不如主动出击,抢先掌握AI大模型核心原理+落地应用技术+项目实操经验。

zhiboAI123的博客 429

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

收藏!小白程序员轻松入门大模型:LangGraph快速上手指南

我们首先创建了类,它继承自 LangGraph的TypedDict基类,是一种 key-value 的结构,用于管理整个工作流的状态。fridge_open:表示冰箱门是否打开elephant_inside:表示大象是否在冰箱内这些状态变量将在各个节点之间传递,通过节点间的通信与协作,确保工作流的连贯性。open_fridge:负责将冰箱门状态设置为打开。put_elephant:检查冰箱门是否打开,并将大象放入冰箱。close_fridge:关闭冰箱门,并在冰箱内没有大象时发出警告。

2601_95336077的博客 263

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

DeepSeek + LangGraph + Chat UI:轻松搭建本地智能助手

本文将介绍如何利用 DeepSeek API、LangGraph 和 Agent Chat UI,快速构建一个本地运行的智能助手。通过本文的指导,你将学会如何启动 LangGraph、部署 Agent Chat UI,并接入 DeepSeek API,最终打造一个功能强大且完全本地化的个人助手。无论你是开发者还是技术爱好者,都可以轻松上手,享受本地化智能助手带来的便利。

weixin_72959097的博客 3525

create-agent-chat-app:快速搭建LangGraph聊天机器人应用

create-agent-chat-app:快速搭建LangGraph聊天机器人应用 在当今智能化时代,聊天机器人已成为提升用户体验和服务效率的重要工具。今天,我们将为大家介绍一个开源项目——create-agent-chat-app,它可以帮助开发者快速搭建LangGraph聊天机器人应用。 项目介绍 create-agent-chat-app 是一个命令行界面(CLI)工具,用于快速设置 La...

gitblog_00400的博客 1187

小白程序员必看:收藏这份大模型Agent学习指南,轻松入门人工智能新领域

1 什么是Agent?Agent(智能体或代理)是人工智能领域中的核心概念,指能够感知环境、自主决策并执行任务以实现特定目标的智能实体。简单来讲,可以理解它是代理你去做一些事情。

z17373194149的博客 406

如何快速掌握LangGraph:构建智能Agent的终极入门指南

LangGraph是一个强大的开源框架,专门用于构建**智能Agent**和**复杂工作流**。它通过图状结构来管理LLM(大语言模型)的执行逻辑,让开发者能够轻松创建**可扩展的AI应用**。无论你是AI开发新手还是经验丰富的工程师,LangGraph都能帮助你快速构建**可靠的智能系统**。 ## 什么是LangGraph?为什么它如此重要? LangGraph的核心思想是将复杂的AI任务

gitblog_00232的博客 220

小白程序员必备!收藏这份AI Agent术语指南,轻松入门大模型世界!

AI Agent作为具有变革性的核心概念,涵盖感知、思考、行动的闭环,其发展离不开大语言模型等关键技术。本文介绍了60个AI Agent相关术语,涵盖自主智能、行动、执行器、世界模型、大语言模型、提示工程等,帮助读者理解AI Agent的功能、局限及伦理影响,为学习大模型打下坚实基础。

2401_85375186的博客 894

Agent 实战教程:LangGraph 概念介绍 + 快速入门,轻松上手智能体开发

本文介绍了LangGraph实战前的知识储备要点,重点解析了LangChain的ChatModel调用方法与ReAct框架原理。 模型调用:通过LangChain可便捷调用20+厂商的大模型(如DeepSeek),示例展示了ChatDeepSeek的完整响应结构,包括核心内容(如生成的儿歌)和元数据(token消耗、请求ID等)。 ReAct框架:结合推理(Reasoning)与行动(Acting)提升模型决策能力,通过交替生成思考步骤(如问题拆解)和执行操作(如搜索外部数据)完成任务,论文示例演示

qq_46094651的博客 764

LangGraph教程:从简单工作流到智能Agent的完整实现!全程干货,小白也能轻松学会!!

本文详细介绍了LangGraph框架的使用方法,从基础概念(State、Node、Edge)开始,逐步引导读者构建简单的线性工作流,再到实现具备决策能力的智能Agent。文章提供了两种构建Agent的方法:使用create_react_agent简化流程和手动构建以获得完全控制权。通过完整的代码示例和实践指导,读者能够掌握构建复杂、有状态、可控的AI应用的核心技能。

datian1234的博客 1283

LangGraph入门教程:轻松构建智能Agent,小白也能学会并收藏!

本文介绍了LangGraph框架及其在构建Agent系统中的应用,重点讲解了ReAct Agent框架的核心模块和LangGraph的解决机制。文章还推荐了langgraph-up-react模板,该模板集成国内模型、MCP工具生态,支持开箱即用,适合新手快速启动AI Agent系统。此外,文章提供了启动模板的详细步骤和实际应用场景示例,如企业知识库智能问答和多智能体协作系统。大模型落地,要么做workflow、要么做agent,而无论哪一种,全都离不开框架。

2301_76168381的博客 272

【收藏】吃透 LangGraph!从 0 到 1 搭建 AI Agent 智能体,大模型落地不再难

在LangGraph中,用StateGraph类来表示一个图。在初始化StateGraph之前,需要先定义一个状态模式,它可以是Python中任何带有getattr()方法的对象,例如字典、类或者Pydantic对象。TypedDict:速度快,但不支持默认值。dataclass:速度也很快,支持state.foo的访问方式,且支持默认值。Pydantic:速度较慢,但支持数据验证。让我们从一个简单的例子开始。import sys。

2301_76168381的博客 1134
上一篇: 收藏!小白程序员必备:掌握AI大模型核心三件套(Agent Memory、RAG、知识图谱)
下一篇: 收藏 | AI产品小白必看!掌握这四类核心业务题,轻松入门大模型开发
不秃头de程序猿
博客等级 码龄5年 4091粉丝 1479原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值