LangGraph 入门：构建可靠、可控的 Agentic AI 系统

最近 AI 领域最火的概念之一，莫过于 Agentic AI。我们正从那种只会一问一答的聊天机器人，快速迈向能够独立思考、规划、甚至执行复杂任务的 AI 代理。你可以把它想象成一个数字助理，它不光会聊天，还能真的帮你把事儿办了。

但问题也随之而来。传统的大模型（LLM）应用开发方式，往往缺乏记忆、难以适应新情况，并且在处理需要多个工具协作的复杂任务时显得力不从心。写出来的 Agent 经常像个不受控制的“野孩子”，行为难以预测，调试起来更是头疼。

这时候，LangGraph 就派上用场了。它是一个帮助开发者为 Agent 系统设计结构化、可靠工作流的框加。说白了，它给 AI Agent 的行为套上了一个“图”结构的缰绳，让 AI 不再是天马行空，而是沿着我们设计的路径去思考和行动。

这篇文章，我们就来聊聊什么是 Agentic AI，LangGraph 是如何帮助我们构建这种应用的，并一步步带你上手实践。

什么是 Agentic AI？它和普通 chatbot 有啥区别？

我们来设想一个场景：你对一个 AI 说，“帮我规划一个去云南的周末旅行”。

一个普通的聊天机器人，可能会给你甩一堆热门景点的列表。一个加了 RAG（检索增强生成）功能的，可能会好一点，能给你整理一个简单的行程草稿。

但 Agentic AI 完全是另一个层面的东西。它更像一个能解决问题的初级助理。它会把你的大目标拆解成一个个小任务：

目标导向规划：它会把“规划旅行”拆解成查机票、订酒店、看天气、推荐活动等子任务。
多步推理：如果你补充说，“预算要友好，而且我是个素食主义者”，它不会懵。它能在多个步骤间进行推理，筛选符合价格的酒店，同时检查餐厅评价，最后把这些信息整合成一个为你量身定制的方案。
自主决策：如果在执行中发现你看中的酒店没房了，它不会停下来等你指示。它会自主调整计划，自动选择下一个最优选项。
工具调用：它能接入外部工具，比如调用实时航班查询 API、从地图服务抓取餐厅评论，或者检查天气预报。这让它的能力远远超出了自身训练数据的限制。

简单对比一下：

传统 Chatbot：像个酒店前台，只能回答“早餐八点开始”这类预设好的问题。
RAG Chatbot：像个图书管理员，能帮你查资料并总结，但不会采取行动。
Agentic AI：像个经验丰富的旅行规划师，听懂你的需求，思考步骤，调用资源，适应变化，最后交付一个完整、可执行的成果。

不同类型 AI 的对比

LangGraph：给 Agent 的“野马”套上图的“缰绳”

LangGraph 是一个基于 LangChain 构建的开源框架，它允许开发者把 AI 的工作流设计成图（Graph）。

为什么图这么重要？因为传统的 AI Agent 往往行为不可预测，开发者很难精确控制它的思考路径。LangGraph 通过引入图结构，把 Agent 的工作流程可视化、结构化了。

在这个图里：

节点（Nodes）：代表工作流中的一个具体步骤，比如调用 LLM 进行推理、使用某个工具（像计算器或搜索引擎）、或者更新内存。
边（Edges）：代表节点之间的逻辑流向。你可以定义，在某个节点完成后，下一步应该去哪个节点。

LangGraph 工作流示意图

这种方式解决了几个核心痛点：

状态化和结构化：上下文和记忆可以在整个图的执行过程中被保留和传递。
确定性推理路径：让 Agent 的行为更加可靠，更容易调试。
可视化：开发者能清楚地看到系统是如何一步步进行推理的。

LangGraph vs. LangChain

很多人会问，既然有了 LangChain，为什么还需要 LangGraph？

简单来说，LangChain 提供了构建 LLM 应用的“积木块”，而 LangGraph 则提供了把这些积木块组织起来的“蓝图”。LangChain 的 Agent 实现有时过于自由，容易失控。LangGraph 则通过图结构强制施加了约束，特别适合构建需要循环、分支和复杂逻辑的 Agentic 系统。

LangChain 与 LangGraph 对比

上手实践：构建一个简单的计算器 Agent

废话不多说，我们来写点代码。下面这个例子里，我们要构建一个 Agent，它能判断用户的问题是普通对话还是数学计算。如果是数学计算，它就调用计算器工具；否则，直接回答。

1. 定义状态（State）

首先，我们要定义一个“状态”对象，它像一个共享的记事本，在图的各个节点之间传递信息。

# State 是一个字典，用来在图的节点间传递数据
class State(dict):
    question: str  # 用户问题
    expression: str # 需要计算的表达式
    answer: str    # 最终答案

2. 初始化 LLM 和工具

我们需要一个 LLM 来做决策，以及一个计算器工具。

from langchain_openai import ChatOpenAI
from langchain_community.tools import Calculator

# 确保你已经设置了 OPENAI_API_KEY 环境变量
llm = ChatOpenAI(model="gpt-4o-mini")
calculator = Calculator()

3. 定义节点（Nodes）

我们创建两个节点：一个 LLM 节点用来决策，一个计算器节点用来执行计算。

# LLM 节点：负责决策
def call_llm(state: State):
    q = state["question"]
    # 一个简单的提示，让 LLM 判断是否需要用计算器
    prompt = f"请回答问题。如果问题是数学计算，请以 'USE_CALCULATOR: <表达式>' 的格式回应。\n\n问题: {q}"
    response = llm.invoke(prompt)
    
    # 如果 LLM 决定用计算器
    if "USE_CALCULATOR:" in response.content:
        expression = response.content.split("USE_CALCULATOR:")[1].strip()
        # 更新状态，把表达式传给下一个节点
        return {"expression": expression}
    else:
        # 否则直接给出答案
        return {"answer": response.content}

# 计算器节点：负责执行
def use_calculator(state: State):
    result = calculator.run(state["expression"])
    return {"answer": f"计算结果是 {result}"}

4. 构建图（Graph）

现在，把节点和它们之间的逻辑流（边）组装起来。

from langgraph.graph import StateGraph, END

# 创建一个状态图
workflow = StateGraph(State)

# 添加节点
workflow.add_node("llm_node", call_llm)
workflow.add_node("calculator_node", use_calculator)

# 设置图的入口点
workflow.set_entry_point("llm_node")

# 添加条件边（Conditional Edges）
# 这是 LangGraph 的核心，根据 llm_node 的输出状态，决定下一步去哪
workflow.add_conditional_edges(
    "llm_node",
    # 这个 lambda 函数检查状态中是否有 'expression' 字段
    lambda state: "calculator_node" if "expression" in state else END,
    {
        "calculator_node": "calculator_node", # 如果有，就去 calculator_node
        END: END                            # 如果没有，就结束 (END)
    }
)

# 从计算器节点到结束
workflow.add_edge("calculator_node", END)

# 编译图，得到一个可执行的应用
app = workflow.compile()

5. 运行 Agent

让我们用两个不同的问题来测试它。

# 测试 1: 普通问题
result1 = app.invoke({"question": "日本的首都是哪里？"})
print(result1["answer"])
# 输出: 东京是日本的首都。

# 测试 2: 数学问题
result2 = app.invoke({"question": "456 乘以 789 等于多少？"})
print(result2["answer"])
# 输出: 计算结果是 359784

你可以看到，我们的 Agent 成功地根据问题的类型，选择了正确的执行路径。这就是 LangGraph 的威力：将复杂的逻辑流程，用清晰的图结构固定下来。

计算器 Agent 的图结构

搭建你的开发环境

要在自己的机器上跑起来，你需要做一些简单的环境配置。

安装 Python：确保你的系统里有 Python 3.9 或更高版本。

创建虚拟环境（推荐）：

python3 -m venv langgraph-env
source langgraph-env/bin/activate

安装依赖库：

pip install --upgrade pip
# langgraph, langchain, openai 是核心库
# pygraphviz, matplotlib 等是可选的，用于可视化你的图
pip install langgraph langchain langchain_openai langchain_community pygraphviz matplotlib networkx graphviz

配置 API Key：你需要一个 LLM 的 API Key，比如 OpenAI 的。把它设置成环境变量。
```
export OPENAI_API_KEY="your_api_key_here"
```
到这里，你的环境就准备好了。

结语

Agentic AI 正在把我们与 AI 的交互方式推向一个新的高度。它不再是简单的信息检索工具，而是真正开始具备解决问题的能力。但能力越强，责任越大，对系统的可靠性和可控性的要求也越高。

LangGraph 正是为此而生。它把软件工程中成熟的“图”和“状态机”思想引入到 AI Agent 的开发中，让我们可以构建出行为更加确定、更容易调试和维护的复杂 AI 系统。我个人认为，这代表了 AI 应用开发的一个重要方向：从“炼丹”式的调参，走向更加严谨和工程化的开发模式。

如果你对这个领域感兴趣，下一步可以尝试：

接入更多的工具：比如搜索引擎、数据库查询工具等。
设计更复杂的图：尝试构建一个包含多个循环和分支的 Agent。
探索多 Agent 协作：让不同的 Agent 在一个图中协同工作，解决更大的问题。

希望这篇文章能帮你敲开 Agentic AI 和 LangGraph 的大门。

关于

关注我获取更多资讯

📢 公众号

💬 个人号