LangGraph是什么？

LangGraph是LangChain团队推出的流程编排工具，它基于状态机的思想，结合LangChain的Agent与Tool架构，允许我们以图的形式组织多个AI组件、服务调用、条件判断与上下文流转。

为什么只是给大模型Tools还不够？我们真正需要的是“编排”

在大模型Agent系统中，一些入门教程或框架（包括LangChain早期版本）会鼓励用户把各种工具注册给模型，然后说：

“你可以调用这些tools，自己决定该怎么完成任务。”

这听起来像是Agent的“智能体现”，但实际上它把复杂性全推给了语言模型本身，代价非常高。

  1. 低参数量模型在自主决策上效果不好。
  2. 流程逻辑是隐式的，决策都放到了prompt和模型权重中，而我们需要的是可靠、可复现、可维护的系统。从完全黑盒变成工程上可控的状态。

LangGraph——让模型专注智能，流程交给编排系统

LangGraph并不是用来替代语言模型的“思考能力”，而是让你把流程逻辑从模型里“解耦”出来，这样模型专注处理智能任务，复杂决策与状态控制则交由LangGraph管理——就像微服务和调度系统一样，各司其职。

组件职责 谁来做
工具调用决策 大模型
控制流程走向 LangGraph
状态管理 LangGraph
智能处理（理解/总结/生成） 大模型
并发、回退、异常处理 LangGraph

实现一个会讲笑话、查询天气、闲聊的机器人

整个流程如上图所示，下面我们来感受下langgraph的实现。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
import os

from langchain_core.messages import AIMessage, AnyMessage
from langchain_deepseek import ChatDeepSeek
from langgraph.constants import END, START
from langgraph.graph import StateGraph
from pydantic import BaseModel, Field
from typing_extensions import TypedDict

INTENTION_PROMPT = """根据下面用户对话信息判断用户意图，意图有：查询天气、讲笑话、闲聊。结果请以json格式输出。
例如：
对话信息：
    User: 今天天气怎么样？
输出：
    {"intention": "查询天气"}

真实对话信息：
{{messages}}
"""


class IntentionOutput(BaseModel):
    intention: str = Field(description='用户意图')


llm = ChatDeepSeek(
    model="deepseek-chat",  # 指定 DeepSeek 的模型名称
    api_key=os.getenv("DEEPSEEK_API_KEY"),  # 替换为您自己的 DeepSeek API 密钥
)


class State(TypedDict):
    messages: list[AnyMessage]
    intention: str


# 初始化状态图
graph_builder = StateGraph(State)


def chatbot(state: State):
    """闲聊"""
    return {"messages": AIMessage(content='哦吼，我也不知道聊啥子')}


def get_weather(state: State):
    """查询天气"""
    return {"messages": AIMessage(content='今天天气晴朗，23度，适合外出打羽毛球。')}


def joke(state: State):
    """讲笑话"""
    history_msgs = ""
    for msg in state['messages']:
        history_msgs += f"{msg['role']}:{msg['content']}\n"
    prompt = '请根据用户最新的对话信息讲个笑话：\n' + history_msgs
    output = llm.invoke(prompt)
    return {"messages": output}


def user_intention(state: State):
    """意图识别"""
    history_msgs = ""
    for msg in state['messages']:
        history_msgs += f"{msg['role']}:{msg['content']}\n"
    prompt = INTENTION_PROMPT.replace("{{messages}}", history_msgs)
    print('意图识别'.center(60, '-'))
    print(prompt)
    structure_llm = llm.with_structured_output(IntentionOutput)
    output = structure_llm.invoke(prompt)
    final_intention = output.intention
    if final_intention not in ("查询天气", "讲笑话", "闲聊"):
        final_intention = '闲聊'
    return {"intention": final_intention}


def intention_conditional_edge(state: State):
    if state['intention'] == '查询天气':
        return 'get_weather'
    elif state['intention'] == '讲笑话':
        return 'joke'
    else:
        return 'chatbot'


# 添加节点到状态图

graph_builder.add_node('user_intention', user_intention)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_node('get_weather', get_weather)
graph_builder.add_node('joke', joke)

graph_builder.add_edge(START, 'user_intention')
graph_builder.add_conditional_edges('user_intention', intention_conditional_edge, [
    'chatbot', 'get_weather', 'joke'])
graph_builder.add_edge('chatbot', END)
graph_builder.add_edge('get_weather', END)
graph_builder.add_edge('joke', END)

# 编译状态图
graph = graph_builder.compile()

# with open("/tmp/b.png", 'wb') as f:
#     f.write(graph.get_graph().draw_mermaid_png())

if __name__ == "__main__":
    round1 = graph.invoke(
        {"messages": [{"role": "user", "content": "我很开心，讲个好笑的事情吧"}]})
    print(round1)

更多示例请参考官方文档。

编排可视化

可通过LangGraph Studio来进行可视化,操作步骤：

1. 安装必要包

1
2
3
# Python >= 3.11 is required.

pip install --upgrade "langgraph-cli[inmem]"

2. 创建langgraph.json

项目结构如下：

1
2
3
lg_demo/
  - chat_demo.py(内容如上)
  - langgraph.json

langgraph.json内容：

1
2
3
4
5
6
7
8
9
{
  "dependencies": [
    "."
  ],
  "graphs": {
    "agent": "./chat_demo.py:graph"
  }
}

3. 运行

1
DEEPSEEK_API_KEY=<your key>  langgraph dev

会得到如下信息：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

INFO:langgraph_api.cli:

        Welcome to

╦  ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬
║  ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤
╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴  ┴ ┴

- 🚀 API: http://127.0.0.1:2024
- 🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024
- 📚 API Docs: http://127.0.0.1:2024/docs

This in-memory server is designed for development and testing.
For production use, please use LangGraph Cloud.

如果浏览器无法正常打开https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024， 可尝试使用Firefox浏览器。

4. 示例

下图为最终可视化效果，包含每个节点及其流向（来自LangGraph Studio）：

5. 客户端调用

你也可以通过python sdk进行调用，示例代码：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31

from langgraph_sdk import get_sync_client

client = get_sync_client(url="http://localhost:2024")

for chunk in client.runs.stream(
    None,  # Threadless run
    "agent",  # Name of assistant. Defined in langgraph.json.
    input={
        "messages": [
            {
                "role": "user",
                "content": "今天南京天气好吗？适合外出吗？",
            },
            {
                "role": "assistant",
                "content": "今天天气晴朗，23度，适合外出打羽毛球。"
            },
            {
                "role": "user",
                "content": "那你给我讲个天气相关的笑话吧"
            }
        ],
    },
    stream_mode="messages",
):
    print(f"Receiving new event of type: {chunk.event}...")
    print(chunk.data)
    print("\n\n")


个人感受

  1. 如果为了演示，可以尝试上面可视化部分。
  2. 如果集成至已有服务，可单独使用LangGraph服务编排。