LangGraph框架入门：LangGraph是什么

本系列专栏使用最新的 LangGraph V1.0 和 LangChain V1.0，系统介绍 LangGraph 的主要功能特性，后续也会同步将 LangChain 相关专栏升级至 LangChain V1.0。

接下来，本文将会介绍什么是LangGraph以及LangGraph基本的使用方法。

一、什么是LangGraph

1.1 LangGraph 和 LangChain 的关系

LangGraph 是一个基于图结构的 Agent 编排框架，专注于描述和控制 Agent 的执行流程。它可以独立使用，也可以与 LangChain 结合，用于更方便地调用模型、工具和记忆组件。

通过LangGraph可以轻松构建出可靠的Agent应用。LangGraph并不依赖于LangChain，但是配合LangChain使用可以发挥更好的效果。

1.2 LangGraph核心能力

LangGraph具有以下核心能力：

Durable execution：持久执行，能够在执行失败后恢复继续执行，而无需从头开始，类似文件传输的断点续传机制，非常适合长时间运行、复杂的多步骤任务。

Human-in-the-loop：人在环路，在任务执行过程中允许人工介入，用于确认是否执行关键操作。

Comprehensive Memory：提供统一的状态与记忆管理能力，通过 State 和 Checkpoint 机制支持短期上下文保留，并可与 LangChain 的 Memory 或外部存储系统结合，实现长期记忆能力。短期记忆可以让AI记住最近几轮对话的信息，长期记忆可以让AI了解历史对话聊天的总结信息。

Debugging with LangSmith：可视化调试，可以无缝集成LangSmith进行可视化调试和监控

Production-ready Deployment：在配合持久化、错误恢复和监控体系的前提下，LangGraph 非常适合用于生产级 Agent 应用的构建。

二、快速入门LangGraph

2.1 LangGraph安装

创建项目并安装 LangGraph。

pip install -U langgraph

在使用LangGraph时，通常要调用LLM模型，可以直接调用LLM也可以使用LangChain，一般使用LangChain会更加便捷，安装LangChain的命令如下，注意这里使用LangChain的最低Python版本为3.10+。

pip install -U langchain

安装dotenv来进行配置的读取。

pip install python-dotenv

2.2 LangGraph 提供的两种构建方式

在LangGraph中，提供了两种API来构建Agent应用：

• LangGraph API：构建一个由边和节点组成的、具有复杂条件分支结构的Agent应用
• Functional API：通过单一函数进行构建，用于构建简单的Agent应用。

本专栏将会以LangGraph API为例，来介绍如何使用LangGraph API构建复杂Agent应用。

2.3 构建Agent基本步骤

LangGraph底层采用图结构来构建Agent应用，而构建图主要是构建图的节点和边，使用LangGraph构建Agent主要包括以下步骤：

三、构建第一个LangGraph Agent

下面我们要构建一个计算器Agent，该Agent的图结构如下，从START节点出发，进入到LLM节点，执行完LLM节点之后，判断是否需要工具调用，如果需要工具调用，则进入工具节点，工具调用完成后再回到LLM节点，直到不需要工具调用，才走到END节点。

下面我们来一起动手实现这个Agent。

3.1 前置准备工作

首先在.env文件中配置 OpenAI模型的密钥。

OPENAI_API_KEY=sk-***************************OPENAI_API_BASE=https://****/v1

在程序中对配置进行读取

import dotenvdotenv.load_dotenv()

定义LLM 对象，这里使用gpt-4o-mini模型

llm = init_chat_model(    "gpt-4o-mini",    temperature=0)

定义计算加减乘除四个工具：

@tooldef add_two_numbers(a: int, b: int) -> int:    """两个数相加 `a` 和 `b`.    Args:        a: 第一个整数        b: 第二个整数    """    return a + b@tooldef sub_two_numbers(a: int, b: int) -> int:    """两个数相减 `a` 和 `b`.    Args:        a: 第一个整数        b: 第二个整数    """    return a - b@tooldef multi_two_numbers(a: int, b: int) -> int:    """两个数相乘 `a` 和 `b`.    Args:        a: 第一个整数        b: 第二个整数    """    return a * b@tooldef divide_two_numbers(a: int, b: int) -> int:    """两个数相除 `a` 和 `b`.    Args:        a: 第一个整数        b: 第二个整数    """    return a / b

之后将工具绑定到LLM对象上

# 2.将工具绑定到LLMtools = [add_two_numbers, sub_two_numbers, multi_two_numbers, divide_two_numbers]llm_with_tool = llm.bind_tools(tools)# 3.生成工具名称->工具对象的映射tools_by_name = {tool.name: tool for tool in tools}

3.2 定义图状态数据

在状态数据中，因为其他节点间没有其他需要共享的中间数据，所以只定义了消息列表。

此外，在消息列表中，还指定了operator.add作为归纳函数，如果不指定归纳函数，当节点返回消息列表时，默认就会对消息列表数据进行覆盖，而使用operator.add则会将节点返回的消息添加到消息列表中。

# 4.定义Stateclass MessagesState(TypedDict):    # 图运行的消息列表    messages: Annotated[list[AnyMessage], operator.add]

3.3 定义LLM节点

在LangGraph中节点本质上就是一个函数，入参传递图状态数据，在节点内部可以对图状态数据进行读取，返回需要更新的图状态数据。

在LLM节点中，调用LLM并传递消息列表，最终将AI生成的AIMessage返回，LangGraph会将消息添加到消息列表中。

# 5.定义llm节点def llm_node(state: MessagesState):    """调用LLM节点"""    ai_message = llm_with_tool.invoke(state["messages"])    return {"messages": [ai_message]}

3.4 定义工具节点

在工具节点内部，读取消息列表的的最后一条消息，因为调用完LLM节点之后才会调用工具节点，所以最后一条消息一定是AIMessage。

由于可能存在多个工具调用，需要循环AIMessage的tool_calls属性，如果存在工具调用，则根据工具名称获取工具，之后，调用工具并传入调用参数，最终将工具执行的结果构造成工具消息。

最后，将工具消息列表返回。

# 6.定义工具节点def tool_node(state: MessagesState):    """工具调用"""    tool_messages = []    for tool_call in state["messages"][-1].tool_calls:        tool = tools_by_name[tool_call["name"]]        tool_output = tool.invoke(tool_call["args"])        tool_messages.append(ToolMessage(            content=tool_output,            tool_call_id=tool_call["id"],            name=tool_call["name"],        ))    return {        "messages": tool_messages    }

3.5 定义条件边路由函数

由于从 LLM 节点可能存在两条执行路径：第一种是需要调用工具，则会走到工具节点，第二种是LLM无需调用工具，则直接走到END结束节点。

因此要编写一个如下的条件边路由函数，在函数内部需要判断最后一条消息也就是AIMessage的tool_calls属性是否存在，如果存在则返回tool表示走到工具节点，否则直接走到结束节点，图的执行流程结束。

# 7.条件边路由函数def llm_tool_route(state: MessagesState) -> Literal["tool", END]:    """工具调用和LLM调用的边路由"""    if state["messages"][-1].tool_calls:        return "tool"    return END

3.6 创建图、节点、边

首先，我们创建一个图，并向图中添加LLM节点和工具节点。接下来，我们创建边来连接这些节点：将图的入口设置为LLM节点，并为这个LLM节点添加条件边。这些条件边需要指定一个路由函数，以决定下一步执行哪个节点。

最后，我们添加从工具节点回到LLM节点的边，这保证了工具节点执行完成后，会再次执行LLM节点。

graph = StateGraph(MessagesState)graph.add_node("llm", llm_node)graph.add_node("tool", tool_node)graph.set_entry_point("llm")graph.add_conditional_edges("llm", llm_tool_route, ["tool", END])graph.add_edge("tool", "llm")

3.7 编译并运行图

接下来，对图进行编译生成Runnable可运行组件，调用该可运行组件并传入初始化的图状态数据，在消息列表中插入一条人类消息，调用图结束后，会将最终的图状态数据返回。

最终，循环打印图状态数据中的消息列表，并进行输出。

# 9.编译并运行图agent = graph.compile()state = agent.invoke({"messages": [HumanMessage(content="请计算1+1")]})for message in state["messages"]:    message.pretty_print()

执行结果如下：

================================ Human Message =================================请计算1+1================================== Ai Message ==================================Tool Calls:  add_two_numbers (call_cKQBhEo7nhLHNeFca1ek6x3K) Call ID: call_cKQBhEo7nhLHNeFca1ek6x3K  Args:    a: 1    b: 1================================= Tool Message =================================Name: add_two_numbers2================================== Ai Message ==================================1 + 1 的结果是 2。

四、总结

本文系统介绍了 LangGraph 的定位、核心能力以及最基础的使用方式，并通过一个完整的示例，带大家从零构建了第一个基于图结构的 Agent 应用。

首先，我们明确了 LangGraph 与 LangChain 的关系，接着，重点介绍了 LangGraph 的几项核心能力，这些能力决定了 LangGraph 非常适合用来构建复杂、多步骤、可恢复的 Agent 系统，而不仅仅是一次性的对话调用。

在实战部分，我们通过一个计算器Agent的示例，完整走了一遍 LangGraph 的基本开发流程，通过这个例子可以看到，LangGraph 能够将 Agent 的执行流程清晰地描述出来。每个节点做什么、什么时候走哪条分支、是否需要循环执行，整个执行Agent业务逻辑一目了然，这也是 LangGraph 相比传统 Agent 封装方式的最大优势。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】