手把手教你用 FastAPI + LangGraph搭建 AI 工作流，大模型入门到精通，收藏这篇就足够了！

Large Language Models (LLMs) 擅长推理，但现实世界的应用往往需要有状态、多步骤的工作流。这就是 LangGraph 的用武之地——它让你可以通过由 LLM 驱动的节点图来构建智能工作流。

但如果你想把这些工作流暴露为 APIs，让其他应用（或用户）可以调用呢？这时候 FastAPI 就派上用场了——一个轻量级、高性能的 Python Web 框架。

在这篇指南中，你将学习如何将 LangGraph 工作流封装在 FastAPI 中，变成一个生产就绪的 endpoint。

为什么选择 LangGraph + FastAPI？

• • LangGraph：创建多步骤、有状态的 LLM 工作流（例如，多智能体推理、数据处理）。
• • FastAPI：轻松将这些工作流暴露为 REST APIs，以便与 Web 应用、微服务或自动化流水线集成。
• • 结合两者：构建可从任何地方访问的可扩展 AI 智能体。

1. 项目设置

创建一个新项目文件夹并安装依赖：

mkdir langgraph_fastapi_demo && cd langgraph_fastapi_demopython -m venv .venvsource .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activatepip install fastapi uvicorn langgraph langchain-openai python-dotenv

创建一个 .env 文件来存储你的 API 密钥：

OPENAI_API_KEY=你的_openai_密钥_在此

2. 构建一个简单的 LangGraph 工作流

让我们构建一个简单的 LangGraph，它接收用户的问题并返回 AI 生成的答案。

# workflow.pyfrom langgraph.graph import StateGraph, START, ENDfrom langchain_openai import ChatOpenAIfrom langchain_core.messages import HumanMessageimport osfrom dotenv import load_dotenvload_dotenv()llm = ChatOpenAI(model="gpt-4o")  # 可以切换到 gpt-4o-mini 以降低成本# 定义状态defanswer_question(state: dict) -> dict:    user_input = state["user_input"]    response = llm.invoke([HumanMessage(content=user_input)])    return {"answer": response.content}# 构建图workflow = StateGraph(dict)workflow.add_node("answer", answer_question)workflow.add_edge(START, "answer")workflow.add_edge("answer", END)graph = workflow.compile()

这个图：

• • 接收 user_input
• • 将其发送到 GPT-4o
• • 返回 AI 生成的响应

3. 让它生产就绪

在向全世界开放之前，让我们为真实用例加固它。

错误处理与重试

LLM APIs 可能会失败或超时。用 try/except 包装调用：

from tenacity import retry, wait_exponential, stop_after_attempt@retry(wait=wait_exponential(multiplier=1, min=2, max=10), stop=stop_after_attempt(3))def safe_invoke_llm(message):    return llm.invoke([HumanMessage(content=message)])def answer_question(state: dict) -> dict:    user_input = state["user_input"]    try:        response = safe_invoke_llm(user_input)        return {"answer": response.content}    except Exception as e:        return {"answer": f"错误：{str(e)}"}

输入验证

我们不想让别人发送巨大的数据负载。添加 Pydantic 约束：

from pydantic import BaseModel, constrclass RequestData(BaseModel):    user_input: constr(min_length=1, max_length=500)  # 限制输入大小

日志记录

添加日志以提高可见性：

import logginglogging.basicConfig(level=logging.INFO)logger = logging.getLogger(__name__)def answer_question(state: dict) -> dict:    logger.info(f"收到输入：{state['user_input']}")    response = safe_invoke_llm(state['user_input'])    logger.info("已生成 LLM 响应")    return {"answer": response.content}

4. 使用 FastAPI 暴露工作流

现在，让我们将这个工作流封装在 FastAPI 中。

# main.pyfrom fastapi import FastAPIfrom workflow import graph, RequestDataapp = FastAPI()@app.post("/run")async def run_workflow(data: RequestData):    result = graph.invoke({"user_input": data.user_input})    return {"result": result["answer"]}

运行服务器：

uvicorn main:app --reload

5. 测试 API

你可以使用 curl 测试：

curl -X POST "http://127.0.0.1:8000/run" \     -H "Content-Type: application/json" \     -d '{"user_input":"什么是 LangGraph？"}'

或者在浏览器中打开 http://127.0.0.1:8000/docs —— FastAPI 会自动为你生成 Swagger UI！

这个交互式 UI 让你直接在浏览器中测试你的 endpoint。

6. 扩展与部署

为生产环境做准备的几个步骤：

• • 异步执行：FastAPI 是异步原生的。对于多个 LLM 调用，让函数变成异步的。

• • 工作进程：使用多进程运行以实现并发：```plaintext
  uvicorn main:app --workers 4

• • Docker 化：```plaintext
  FROM python:3.11-slimWORKDIR /appCOPY . .RUN pip install -r requirements.txtCMD [“uvicorn”, “main:app”, “–host”, “0.0.0.0”, “–port”, “8000”]

• • 认证：使用 API 密钥或 JWT tokens 来保护 endpoints（第二部分即将推出）。

7. 架构概览

以下是整体连接方式：

POST /run

Client
FastAPI
LangGraph
OpenAI_API
Response

这个简单的架构让你可以将任何 LangGraph 变成一个 API。

8. 结论

---

通过几个简单的步骤，我们：

• • 构建了一个 LangGraph 工作流
• • 使用 FastAPI 将其暴露为 REST API
• • 添加了生产就绪的功能（验证、重试、日志）
• • 为可扩展的 AI 微服务奠定了基础

这个设置可以支持从聊天机器人到文档处理器再到 AI SaaS 产品的各种应用。

下一步是什么？

我计划推出本教程的第二部分，但我想听听你的意见。

👉 你希望我接下来讲哪一个？

• • 流式响应（实时聊天）
• • 认证与安全性
• • Docker 与云部署
• • 错误监控与可观察性

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

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：

• 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！

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。

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。

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。

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。

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。

L5阶段：专题集丨特训篇 【录播课】

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”！