从零搭建智能体!LangGraph构建第一个Agent

langgraph开发Deep Research智能体-项目搭建 大家都说2025年是AI Agent元年,自然agent智能体开发也非常热门。很多公司的所谓的智能体其实是通过扣子、dify这种平台配出来的。就像是通过低代码平台配置出来的web页面一样,虽然能用,但是如果你的需求很复杂,往往平台就无法满足你的需求。作为程序员所以我们还是得需要自己动手来实现智能体,这篇文章我们来讲讲如何使用langgraph搭建一个node.js项目来实现一个Deep Research智能体。加入欧阳的AI交流群。 阅读详情

本文将介绍Agent的一些核心概念,Agent与LLM、workflow的区别,并搭建一个最简单的agent,了解LangGraph中的核心组件

一、Agent概念介绍

OpenAI的研究主管Lilian Weng给出的定义是:Agent = 大模型(LLM)+ 规划(Planning)+ 记忆(Memory)+ 工具使用(Tool Use)

图1 按照规划、记忆、工具、动作分解的Agent定义(OpenAI)

规划(Planning) :Agent 在执行任务时的核心能力。它负责将复杂的任务拆解为一系列可执行的子任务。

**记忆(Memory):**Agent 获取、存储、保留和用于随后检索信息的知识。

工具使用(Tools):Agent 调用的一系列工具,如搜索、计算、代码执行等。

1)Agent和LLM的区别(以电子邮件回复为例):

假设收到一份邮件,邮件内容:

“你好,小明,明天是否有空当面快速同步下。继续聊下上次沟通过的一些想法”

LLM的回复:

请问明天你方便的时间段是什么时候?我们可以根据你的时间安排一个合适的会面时间。

Agent思考过程:

a)检查日历,是否有时间

b)查看与发件人过往聊天记录

c)查看最近的回忆记录

。。。

综合上面各种有用的信息后,再用比较合理的语气回复邮件

2)Agent和workflow的区别(来源知乎安小强)

workflow:预定义编排

Agent:运行时自主决策

小结:Agent相比于LLM,对于用户的提问会利用各种工具尽可能多地获取有用的消息后再进行回复。

与workflow相比,Agent会在运行过程,根据获取到的知识/信息,反思对子目标确认是否达到预期,调整自己的规划,如更改调用工具,调用工具参数等等。

二、Agent 框架 LangGraph介绍

LangGraph 是一个 AI Agent框架,它将Agent交互实现为有状态图。节点表示通过边连接的函数或计算步骤。LangGraph 维护所有节点和边缘之间共享的Agent状态。

了解节点、边和状态

Nodes:node是Agent的构建块,代表Agent workflow中的离散计算单元。节点可以像简单Python函数,也可以能够调用外部工具的独立agent一样复杂。

Edges:Edge 连接节点并定义Agent如何从一个步骤进行到下一步。边可以有两种类型:直接边和条件边。直接边简单地连接两个节点,没有任何条件,而条件节点类似于 if-else 语句,并根据条件连接两个节点。

State:state是 LangGraph 最被低估但最重要的组件。它包含不同实体(例如节点和边)可用的所有数据和上下文。简而言之,状态在图中的所有节点和边之间共享数据和上下文。

三、实现一个最简单的Agent demo

定义一个最简单的Agent,根据用户输入的话题生成一个笑话

环境配置:

pip install langgraph
pip install langchain-openai

建议在Jupyter上运行

from langchain_openai import ChatOpenAI
# 先去modelscope上获取所需的API key,这里采用的Qwen3作为LLM
base_url='https://api-inference.modelscope.cn/v1'
api_key='modelscope上获取 API key'
model_name='Qwen/Qwen3-30B-A3B-Instruct-2507'
llm = ChatOpenAI(
api_key=api_key,
base_url=base_url,
model_name=model_name,
temperature=0,
max_tokens=None,
timeout=None,
max_retries=2,
)
from typing_extensions import TypedDict
# 定义 State 的数据结构,
# topic 为用户输入的主题,joke 为输出的笑话
class State(TypedDict):
topic: str
joke: str
# Nodes 定义
def generate_joke(state: State):
"""First LLM call to generate initial joke"""
msg = llm.invoke(f"Write a short joke about {state['topic']}")
return {"joke": msg.content}
from langgraph.graph import StateGraph, START, END
from IPython.display import Image, display
# Build workflow
workflow = StateGraph(State)
# Add nodes
workflow.add_node("generate_joke", generate_joke)
# Add edges to connect nodes
workflow.add_edge(START, "generate_joke")
workflow.add_edge("generate_joke", END)
# Compile
chain = workflow.compile()
# Show workflow
display(Image(chain.get_graph().draw_mermaid_png()))

查看图的节点和工作流

state = chain.invoke({"topic": "小猫咪"})
print("Initial joke:")
print(state["joke"])

输出结果:

Initial joke: 

小猫咪去参加面试,面试官问:“你有什么特长?”  小猫咪说:“我会抓老鼠!”  面试官点点头:“不错,那你会不会写代码?”  小猫咪一脸无辜:“……我只会‘喵’代码。” 😺

想入门 AI 大模型却找不到清晰方向?备考大厂 AI 岗还在四处搜集零散资料?别再浪费时间啦!2025 年 AI 大模型全套学习资料已整理完毕,从学习路线到面试真题,从工具教程到行业报告,一站式覆盖你的所有需求,现在全部免费分享!

👇👇扫码免费领取全部内容👇👇

​

一、学习必备:100+本大模型电子书+26 份行业报告 + 600+ 套技术PPT,帮你看透 AI 趋势

想了解大模型的行业动态、商业落地案例?大模型电子书?这份资料帮你站在 “行业高度” 学 AI:

1. 100+本大模型方向电子书

在这里插入图片描述

2. 26 份行业研究报告:覆盖多领域实践与趋势

报告包含阿里、DeepSeek 等权威机构发布的核心内容,涵盖:

  • 职业趋势:《AI + 职业趋势报告》《中国 AI 人才粮仓模型解析》;
  • 商业落地:《生成式 AI 商业落地白皮书》《AI Agent 应用落地技术白皮书》;
  • 领域细分:《AGI 在金融领域的应用报告》《AI GC 实践案例集》;
  • 行业监测:《2024 年中国大模型季度监测报告》《2025 年中国技术市场发展趋势》。

3. 600+套技术大会 PPT:听行业大咖讲实战

PPT 整理自 2024-2025 年热门技术大会,包含百度、腾讯、字节等企业的一线实践:

在这里插入图片描述

  • 安全方向:《端侧大模型的安全建设》《大模型驱动安全升级(腾讯代码安全实践)》;
  • 产品与创新:《大模型产品如何创新与创收》《AI 时代的新范式:构建 AI 产品》;
  • 多模态与 Agent:《Step-Video 开源模型(视频生成进展)》《Agentic RAG 的现在与未来》;
  • 工程落地:《从原型到生产:AgentOps 加速字节 AI 应用落地》《智能代码助手 CodeFuse 的架构设计》。

二、求职必看:大厂 AI 岗面试 “弹药库”,300 + 真题 + 107 道面经直接抱走

想冲字节、腾讯、阿里、蔚来等大厂 AI 岗?这份面试资料帮你提前 “押题”,拒绝临场慌!

1. 107 道大厂面经:覆盖 Prompt、RAG、大模型应用工程师等热门岗位

面经整理自 2021-2025 年真实面试场景,包含 TPlink、字节、腾讯、蔚来、虾皮、中兴、科大讯飞、京东等企业的高频考题,每道题都附带思路解析:

2. 102 道 AI 大模型真题:直击大模型核心考点

针对大模型专属考题,从概念到实践全面覆盖,帮你理清底层逻辑:

3. 97 道 LLMs 真题:聚焦大型语言模型高频问题

专门拆解 LLMs 的核心痛点与解决方案,比如让很多人头疼的 “复读机问题”:


三、路线必明: AI 大模型学习路线图,1 张图理清核心内容

刚接触 AI 大模型,不知道该从哪学起?这份「AI大模型 学习路线图」直接帮你划重点,不用再盲目摸索!

在这里插入图片描述

路线图涵盖 5 大核心板块,从基础到进阶层层递进:一步步带你从入门到进阶,从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段:了解大模型的基础知识,以及大模型在各个行业的应用和分析,学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段:攻坚篇丨RAG开发实战工坊

L2阶段:AI大模型RAG应用开发工程,主要学习RAG检索增强生成:包括Naive RAG、Advanced-RAG以及RAG性能评估,还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段:跃迁篇丨Agent智能体架构设计

L3阶段:大模型Agent应用架构进阶实现,主要学习LangChain、 LIamaIndex框架,也会学习到AutoGPT、 MetaGPT等多Agent系统,打造Agent智能体。

img

L4阶段:精进篇丨模型微调与私有化部署

L4阶段:大模型的微调和私有化部署,更加深入的探讨Transformer架构,学习大模型的微调技术,利用DeepSpeed、Lamam Factory等工具快速进行模型微调,并通过Ollama、vLLM等推理部署框架,实现模型的快速部署。

img

L5阶段:专题集丨特训篇 【录播课】

img
四、资料领取:全套内容免费抱走,学 AI 不用再找第二份

不管你是 0 基础想入门 AI 大模型,还是有基础想冲刺大厂、了解行业趋势,这份资料都能满足你!
现在只需按照提示操作,就能免费领取:

👇👇扫码免费领取全部内容👇👇

​

2025 年想抓住 AI 大模型的风口?别犹豫,这份免费资料就是你的 “起跑线”!

用 LangGraph 构建 Agent 逐步指南 LangGraph是一个构建于LangChain之上的高级库,旨在通过引入循环计算能力来增强您的大型语言模型(LLM)应用。虽然LangChain允许创建用于线性工作流的有向无环图(DAG),但LangGraph更进一步,支持添加循环,这对于开发复杂的、类似智能体的行为至关重要。这些行为使得LLM能够持续循环执行某个过程,根据不断变化的条件动态决定下一步要采取的行动。LangGraph:结点、状态和边LangGraph的核心概念是状态图状态:表示在计算过程中维护和更新的上下文或记忆。 阅读详情

相关推荐

深入浅出LangGraph AI Agent智能体开发教程(一)—全面认识LangGraph

本期分享从LangGraph与LangChain的对比出发,介绍了LangGraph的三层核心架构、完整生态工具,带大家全面认识最火热最全面的智能体开发框架LangGraph。

weixin_42782643的博客 1377

使用LangGraph构建多Agent系统架构!

Agent是一个使用大语言模型决定应用程序控制流的系统。随着这些系统的开发,它们随时间推移变得复杂,使管理和扩展更困难。Agent拥有太多的工具可供使用,对接下来应该调用哪个工具做出糟糕决策上下文过于复杂,以至于单个Agent无法跟踪系统中需要多个专业领域(例如规划者、研究员、数学专家等)。为解决这些问题,你可能考虑将应用程序拆分成多个更小、独立的代理,并将它们组合成一个多Agent系统。这些独立的Agent可以简单到一个提示和一个LLM调用,或者复杂到像一个ReActAgent(甚至更多!

JavaEdge全是干货的技术号 2993

深入浅出LangGraph AI Agent智能体开发教程(四)—LangGraph全生态开发工具使用与智能体部署

本期内容分享并实际操作了LangGraph的全流程开发生态,包括使用LangGraph Studio可视化调试我们的预构建图、LangSmith追踪图的调试信息和LangGraph Cli一键本地部署项目,希望大家可以参照笔者分享在PC上完整复现一遍加强对LangGraph开发生态的理解。

weixin_42782643的博客 1223

从零开始:LangGraph初学者指南!构建你的第一个AI Agent!

AI发展飞快!只有动手了,才知道里面会遇到什么问题,才能知道,底层原理是什么!

xx_nm98的博客 3787

Vue项目实战:海康WebControl插件从安装到预览功能全流程(附RSA加密避坑指南)

本文详细介绍了在Vue项目中集成海康威视WebControl插件的全流程,从环境准备、插件部署到核心功能实现。重点解析了使用JS_RequestInterface获取RSA公钥并进行加密参数初始化的关键步骤与常见避坑指南,帮助开发者高效完成监控视频预览功能的开发与调试。

linux6sysadmin的博客 1229

UE5音效系统全解析:从Sound Cue到MetaSounds的实战指南

在游戏开发中,音频系统是构建沉浸式体验的关键技术之一。其核心原理在于通过数字信号处理(DSP)和空间音频渲染,模拟真实世界的听觉感知。传统音频管线通常基于静态资源播放与混合,而现代引擎则引入了程序化音频生成与动态调制技术,这极大地提升了音频的互动性与表现力,使其能够实时响应游戏状态变化。这一技术革新对于开发开放世界、VR及3A级游戏尤为重要,它能实现风吹草动皆有不同声响、音效随环境动态变化的细腻效果。本文聚焦虚幻引擎5(UE5)的音效系统,深入剖析其新旧两套核心架构:稳定高效的Sound Cue、Sound

weixin_31179927的博客 334

使用langgraph构建agent

LangGraph 是 LangChain 的一个分支或扩展,专注于构建和运行基于图的、有状态的、多参与者的工作流。它通过将复杂的任务分解为多个节点(步骤),并通过边(依赖关系)连接这些节点,来实现更灵活和强大的任务编排。目前大模型agent特别火,agent框架也特别多,比如langchain、openai agent、autoGen等等,从这些不同的框架中,可以学习它们的构建思路,来完善自己的agent。参考。

sinat_28694519的博客 1121

report_delay_calculation/check_timing/report_annotated_parasitics/report_analysis_coverge

如何debug 一颗cell 或一段net 的delay, 常用的办法是用report_delay_calculation 报这颗cell 或这段net, 会得到形式如下的report, 从该report 中可以得到: 表头需要特别关注的是command, 确定report 的对象及加的option; From/To pin: cell 的input pin 和...

diedai7174的博客 1801

重磅发布!使用 LangGraph 创建一个超级AI Agent

在LangChain中,代理是一个由语言模型驱动的系统,它对要采取的操作做出决策。代理运行时使该系统保持运行,不断决定操作,记录观察结果,并维护此循环,直到代理的任务完成。LangChain通过其表达语言简化了代理定制,LangGraph对代理运行时提供了更灵活和动态自定义功能。传统的代理运行时是AgentEX类,但现在有了LangGraph,它有了更多的多样性和适应性。

机器学习社区 4347

【AUTOSAR-E2E】-1.4-详述E2E Transformer解决方案

共13页精讲 目录 1“Data Transformation”介绍 1.1 基于SOME/IP Transformer 1.2 基于COM Based Transformer 2 ComXf(COM Based Transformer)介绍 2.1 ComXf(COM Based Transformer)功能规范 2.2 ComXf(COM Based Transformer)提供的服务 2.3 配置注意事项 3 E2EXf(E2E Transformer)介绍 3.1 E2EX...

「汽车电子助手」的博客 4702

反光柱定位算法实战03:VEnus代码解析和纯反光柱定位中的可改进方向

本文深入解析了开源框架VEnus的反光柱定位与建图实现流程,包括强度提取、聚类、数据关联、位姿优化等核心模块。同时指出其三大局限:匹配质量脆弱性、单一传感器依赖和地图扩展逻辑缺失,并提出改进方向:融合里程计/IMU数据、引入图优化后端、建立动态地图维护机制。该分析为基于反光柱的定位系统优化提供了实用参考,有助于提升工业场景下的定位鲁棒性和精确性。

Studying…… 521

LangGraph构建Agent,从入门到精通!从零搭建你的第一个智能体,收藏这篇就够了!

大家好,这是从零搭建智能体第三篇,本文将介绍Agent的一些核心概念,Agent与LLM、workflow的区别,并搭建一个最简单的agent,了解LangGraph中的核心组件

m0_59235245的博客 851

Transformer实战(39)——多模态生成式Transformer

能够理解多种类型输入的模型被称为多模态模型。多模态学习是人工智能 (Artificial Intelligence, AI) 领域的重要研究方向之一,长期受到众多研究人员的关注。本节将介绍使用多模态模型的生成式 AI,包括文本到图像 (text-to-image) 和文本到音乐 (text-to-music) 的生成模型。将介绍 Stable Diffusion 及其工作原理,同时也将介绍 MusicGen 和 AudioGen 模型。

盼小辉丶的博客 2509

小白也能从零搭智能体!用 LangGraph 做第一个 Agent,步骤超详细

小白也能从零搭智能体!用 LangGraph 做第一个 Agent,步骤超详细

weixin_72959097的博客 1989

Jetson Orin 上拉取 GMSL 相机流并保存在 DMA 内存中

本文介绍了在NVIDIA Jetson Orin平台上实现GMSL相机DMA内存共享的低延迟采集方案。通过V4L2+NvBufSurface技术,将相机数据直接存入DMA缓冲区,避免传统流程中的CPU拷贝开销。文章详细说明了设备初始化、DMA缓冲区分配、V4L2绑定等关键步骤,并展示了调用示例。该方案支持零拷贝访问,适用于AI推理、硬件编码等场景,能显著提升车载视觉系统的实时性能,为多路GMSL相机接入和低延迟处理提供了高效解决方案。

J。 696

智能解译城市进程:遥感影像建筑物提取研究全景与前沿进展(数据集及代码)

随着全球城市化进程的加速,高效、精准地监测城市建筑物分布对城市规划、灾害评估、人口估算及智慧城市建设具有重要意义。传统的人工测绘方法耗时费力,难以满足大范围、动态更新的需求。而遥感影像建筑物提取技术,借助深度学习与计算机视觉,能够自动化识别并提取建筑物轮廓,极大地提升了城市信息获取的效率和精度。首先,建筑物提取是遥感影像解译的核心任务之一。

hanfeng5268的博客 592

LangChain + LangGraph 环境搭建与快速入门:从零构建你的第一个 AI Agent

LangGraph 正快速演进:2025 年 Q3 将支持异步节点与外部事件触发,使 Agent 能响应实时数据流。国内阿里通义实验室已在其Qwen-Agent框架中集成类似图引擎,用于电商客服场景。下一步建议尝试集成 Tool Calling(如探索 Checkpointing 机制实现对话持久化关注LangGraph 官方文档获取最新模式技术的本质不是炫技,而是可控的智能。从今天这个“Hello World”开始,你已站在构建下一代 AI 应用的起跑线上。

沛哥儿的专栏 3233

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

LangGraph智能体开发指南:从零构建企业级AI Agent

本实验采用纯Python基础语法结合外部API调用,在不依赖任何框架的情况下实现了一个基础版智能体系统。通过列表结构维护对话上下文、正则表达式解析动作指令、循环机制控制执行流程等技术手段,我们成功构建了"思考→行动→观察→应答"的核心逻辑闭环。这一实践虽然有效揭示了智能体的底层运行原理,但同时也凸显了原生开发的典型痛点:流程控制复杂度高、状态维护困难、模块化程度不足以及可视化支持缺失等问题。

m0_59162559的博客 1147

VC中sqlite的使用

在VC中对sqlite的使用,实现数据库大批数据的快速插入,读取数据库中的数据在ListCtrl中显示

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

第二章节使用LangGraph构建Agent智能体

Agent,这是LangGraph后续构建Graph图的基础。但其实Agent并不是LangGraph框架当中独有的。甚至Agent 并不是一种技术,而是我们设想的一种理想的大模型工作模式。那么到底什么是Agent?或者说AI行业心目中理想 的Agent应该是什么样子呢?LangGraph实际上给我们提供了一种理解。而这个理解,或许比具体实现更重要。这一章节,我们重点在演练LangGraph中Agent的功能。

weixin_46994548的博客 1179

Devexpress16.2.6破解工具

Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具Devexpress16.2.6破解工具

新手友好!从零开始用 LangGraph 构建首个智能体Agent

我们将聚焦基础但关键的核心知识:先拆解 Agent 的核心定义与关键特性,再清晰对比 Agent 与大语言模型(LLM)、工作流(Workflow)的本质区别 —— 避免大家混淆 “工具”“流程” 与 “智能体” 的定位;最后,我们会手把手带大家用 LangGraph 搭建一个最简单的 Agent 实例,同时吃透 LangGraph 中的核心组件,为后续构建复杂智能体打下基础。

优快云_430422的博客 1215

LangGraph实战教程:两行代码搭建AI Agent智能体,从入门到精通!

本文详细介绍了LangGraph预构建图Agent API的使用方法,展示了如何通过简单的两行代码快速搭建AI智能体。文章从环境搭建开始,通过天气助手案例实战演示了自定义工具函数的创建和调用,并简要分析了ReACT图结构的工作原理。预构建图API作为LangGraph的最高层API,将复杂的图结构抽象为简单函数调用,大大降低了智能体开发门槛,适合初学者快速上手。

Trb701012的博客 1142

深入浅出LangGraph AI Agent智能体开发教程(二)—LangGraph预构建图API快速创建Agent

本期分享介绍了LangGraph如何利用预构建图的高层API快速构建Agent智能体。只需要传入大模型和工具函数,两行代码就可以轻松搭建一个智能体。

weixin_42782643的博客 1240
上一篇: # 企业级 AI 知识库:开启企业高效运营新纪元
下一篇: 从 RAG 到 Agent:向量数据湖驱动的上下文工程
AI_小站
博客等级 码龄3年 6255粉丝 1156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