LangGraph入门实战：从零构建你的第一个AI聊天机器人

最新推荐文章于 2025-12-02 15:55:42 发布

原创最新推荐文章于 2025-12-02 15:55:42 发布 · 742 阅读

CC 4.0 BY-SA版权

文章标签：

本文详细介绍了LangGraph框架的核心概念与实战应用，通过构建聊天机器人的完整示例，展示了如何定义状态、创建节点、设计边关系并组装成图。LangGraph作为LangChain团队开发的框架，专为有状态、多步骤的复杂工作流设计，支持动态流程控制和人工干预。文章提供了从环境配置到代码实现的全流程指导，帮助开发者快速掌握LangGraph的基础应用，为开发更复杂的AI Agent系统奠定基础。

本文首先介绍 LangGraph 的一个编程入门示例：构建一个聊天机器人。通过该编程示例，可以帮助我们理解 LangGraph 的基本概念（节点、边、图）。构建一个聊天机器人：https://langchain-ai.github.io/langgraph/tutorials/get-started/1-build-basic-chatbot/，是基于 LangGraph 的智能应用开发的 hello world，是开发者学习 LangGraph 的很好的入门示例。

LangGraph 是由 LangChain 团队开发的开源框架，专为构建有状态、多步骤的复杂工作流而设计。它弥补了传统 LangChain 在动态流程控制（如循环、分支）上的不足，支持更灵活的 Agent 协作与状态管理：通过有向图（Graph）组织工作流，将任务拆分为节点（Nodes）和边（Edges），实现非线性的执行逻辑（如循环、条件分支），更贴近真实业务场景。

LangGraph 的特性

通过 LangGraph 获得控制能力，设计能够可靠处理复杂任务的智能体。

🛑 指导、管理和控制您的智能体，实现人工干预（human-in-the-loop）。添加易于加入的审核和质量控制，防止智能体偏离方向。加入人工干预检查以引导和批准智能体的操作。
🎨 构建富有表现力、可定制的智能体工作流程。LangGraph 的低层基础（low-level primitives）提供了创建完全可定制智能体所需的灵活性。设计多样化的控制流程——单智能体、多智能体、分层结构——全部使用一个框架。
📡 持久化上下文，实现长期互动。LangGraph 的内置存储（built-in memory）存储对话历史记录并随时间推移保持上下文，从而支持跨会话的丰富、个性化互动。
🌊 一流的流式技术（First-class streaming）带来更好的用户体验设计。通过原生的逐令牌流式传输（native token-by-token streaming），实时显示智能体的推理和操作，弥合用户期望与智能体能力之间的差距。

核心概念解析

要掌握 LangGraph，需要理解以下几个核心概念：

State (状态)：整个应用的“共享内存”。它通常是一个 TypedDict，定义了需要在工作流中传递的所有数据，比如消息历史、中间结果等。
Nodes (节点)：图中的“工作单元”。每个节点都是一个 Python 函数，负责执行一项具体任务，如调用 LLM、处理数据或调用工具。它接收当前的状态，并返回对状态的更新。
Edges (边)：连接节点的“路径”。它定义了工作流的走向，即在一个节点完成后，接下来应该执行哪个节点。LangGraph 的“条件边”能力，可以根据当前状态动态选择路径，实现 if/else 这样的分支逻辑。
Graph (图)：将状态、节点和边组合在一起的“总指挥”。它负责编排整个工作流的执行。

构建一个基本聊天机器人

LangGraph 安装

运行以下命令，安装 LangGraph 及其相关依赖包：

pip install -qU "langchain[openai]"
pip install -U langgraph langsmith

定义状态 (State)

定义一个结构来贯穿整个工作流的“状态”。对于聊天机器人来说，最重要的状态就是不断累积的对话消息。

State(TypedDict): 使用 TypedDict 来定义状态的数据结构，确保类型安全和代码可读性。
messages: Annotated[list, add_messages]:

messages 是一个 python 列表 list。
Annotated：Python 的标准功能，用于给类型附加元数据。
add_messages 是 LangGraph 提供的一个便捷的帮助函数。它的作用和 operator.add 类似，专门用于处理消息列表。它告诉图的编译器：当一个节点返回 messages 时，请将这些新消息追加到现有列表中。这是实现多轮对话记忆的核心机制。

from typing import Annotated
import os
from langchain.chat_models import init_chat_model
from typing_extensions import TypedDict

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages


classState(TypedDict):
    messages: Annotated[list, add_messages]

关于 add_messages 函数，感兴趣的读者，可以阅读 langgraph 的源码。以下是 add_messages 的函数注释：

@_add_messages_wrapper
defadd_messages(
    left: Messages,
    right: Messages,
    *,
    format: Literal["langchain-openai"] | None = None,
) -> Messages:
"""Merges two lists of messages, updating existing messages by ID.

    By default, this ensures the state is "append-only", unless the
    new message has the same ID as an existing message.

    Args:
        left: The base list of messages.
        right: The list of messages (or single message) to merge
            into the base list.
        format: The format to return messages in. If None then messages will be
            returned as is. If 'langchain-openai' then messages will be returned as
            BaseMessage objects with their contents formatted to match OpenAI message
            format, meaning contents can be string, 'text' blocks, or 'image_url' blocks
            and tool responses are returned as their own ToolMessages.

            !!! important "Requirement"

                Must have ``langchain-core>=0.3.11`` installed to use this feature.

    Returns:
        A new list of messages with the messages from `right` merged into `left`.
        If a message in `right` has the same ID as a message in `left`, the
        message from `right` will replace the message from `left`.

定义节点 (Node)

定义工作节点：将当前的状态 state 作为输入，请求调用大模型.

llm = init_chat_model：设置访问 qwen 模型的模型名称、url 等信息。
chatbot 函数：接收当前状态，从状态中提取所有历史消息，将它们作为输入传递给 LLM，然后将 LLM 的回复封装成一个字典返回。

llm = init_chat_model(
    model="qwen-plus",          # 模型名称
    model_provider='openai',
    api_key=os.getenv("DASHSCOPE_API_KEY"),     # 传递 API Key
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"# 阿里云兼容端
)


defchatbot(state: State):
return {"messages": [llm.invoke(state["messages"])]}

组装并编译图 (Graph)

START 和 END 是 LangGraph 提供的特殊常量，清晰地标记了工作流的起点和终点
通过 add_node、add_edge 操作，定义各节点 node 的关系（执行先后顺序）。

# 初始化一个状态图构建器
graph_builder = StateGraph(State)

# 添加 chatbot 节点
graph_builder.add_node("chatbot", chatbot)
# 设置图的入口点
graph_builder.add_edge(START, "chatbot")
# 设置图的出口点
graph_builder.add_edge("chatbot", END)
# 编译图，生成可执行应用
graph = graph_builder.compile()

交互式运行

graph.stream：将用户输入封装成标准消息格式（{“role”: “user”, “content”: …}），通过 graph.stream()流式执行 LangGraph 工作流。
当调用 graph.stream()时，返回的迭代器中每个 event 代表工作流中一个步骤的执行结果。event 是一个字典（dict），键为节点名称，值为该节点输出的状态更新片段。
for value in event.values() 用于遍历当前步骤中所有被激活节点的输出。
value[“messages”][-1] ：取 messages列表的最后一条消息。

defstream_graph_updates(user_input: str):
for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
for value in event.values():
            print("Assistant:", value["messages"][-1].content)


whileTrue:
try:
        user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
break
        stream_graph_updates(user_input)
except:
# fallback if input() is not available
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
break

运行效果

User: 你好
Assistant: 你好呀！✨ 很高兴见到你！今天过得怎么样呀？希望你度过了愉快的一天。我随时准备好陪你聊天、帮你解决问题，或者就这样轻松愉快地闲聊一会儿。有什么想跟我分享的吗？ 🌟
User: 介绍一下哆啦A梦
Assistant: 哆啦A梦（Doraemon）是一部非常著名的日本科幻动画和漫画作品的主角，由藤子·F·不二雄（Fujiko F. Fujio）创作。哆啦A梦本身是一个来自22世纪的蓝色机器猫，他的任务是帮助一个名叫野比大雄的小学生，改善他的未来命运。

### 基本信息：

- **中文名**：哆啦A梦
- **日文名**：ドラえもん
- **英文名**：Doraemon
- **作者**：藤子·F·不二雄（藤本弘和安孙子素雄的联合笔名）
- **首次登场**：1969年
- **类型**：科幻、喜剧、家庭、冒险

---

### 主要角色：

1. **哆啦A梦（Doraemon）**
   - 来自未来的机器猫，性格善良但有时胆小。
   - 肚子上有一个四次元口袋，可以拿出各种未来道具帮助大雄解决问题。
   - 喜欢吃铜锣烧，最害怕老鼠。

2. **野比大雄（Nobita Nobi）**
   - 普通的小学生，成绩差、运动不好、性格懦弱，经常惹麻烦。
   - 依靠哆啦A梦的帮助来应对生活中的各种困难。

3. **源静香（Shizuka Minamoto）**
   - 大雄的邻居和暗恋对象，温柔善良，喜欢洗澡。

4. **刚田武（Takeshi Goda，又称胖虎）**
   - 大雄的同学，强壮但霸道，喜欢欺负大雄。

5. **骨川小夫（Suneo Honekawa）**
   - 大雄的同学，爱炫耀，经常和胖虎一起欺负大雄。

---

### 故事背景：

哆啦A梦是大雄的曾孙——野比世修从未来派来的机器人，目的是帮助大雄改变他悲惨的命运，从而改善整个家族的未来。哆啦A梦使用各种神奇道具帮助大雄解决学习、人际关系、家庭和冒险中的问题，但往往也会引发一系列搞笑或出人意料的后果。

---

### 经典元素：

- **四次元口袋**：哆啦A梦最重要的道具来源，可以拿出各种稀奇古怪的未来科技。
- **代表道具**：
  - 竹蜻蜓（飞行器）
  - 任意门（瞬间移动）
  - 时光机
  - 隐形斗篷
  - 翻译魔芋

---

### 影响力：

哆啦A梦自1969年连载以来，风靡日本乃至全世界，成为一代又一代人童年的重要回忆。它不仅是一部娱乐作品，也蕴含了友情、成长、家庭、责任等深刻的主题。

- **动画版本**：多次被改编为动画，最经典的是1979年版和2005年重启版。
- **电影作品**：已有超过40部哆啦A梦剧场版电影。
- **文化符号**：在日本被官方认定为“国民级角色”，甚至成为外交文化使者。

---

### 经典台词：

> “大雄，别灰心，我们一起想办法！”
> “我是哆啦A梦，不是机器猫！”
> “要是我有哆啦A梦就好了……”

---

如果你喜欢怀旧、温馨、幽默又富有想象力的故事，哆啦A梦绝对是一个不容错过的选择！你想了解哆啦A梦的某个具体方面吗？比如某个道具、剧情、电影推荐等？
User: quit
Goodbye!

以上是 LangGraph 编程入门示例：构建一个聊天机器人。