LangGraph 实战：用 Python 打造有状态智能体
LangGraph是一个专为构建有状态、多节点执行流程的AI智能体系统设计的Python框架，它将状态机（State Machine）与图结构（Graph）相结合，使得开发者能够直观地用"节点+边"来描述执行逻辑和状态转移。
本文首先概述LangGraph的核心特点及设计理念，然后以"智能客服"场景为例，演示其基本用法和典型代码。
摘要
- •状态驱动与有向图：LangGraph 通过
State（通常用TypedDict定义）贯穿整个执行流程，所有节点读取并更新状态局部；有向图（Graph）则定义了节点之间的控制流 ([LangChain AI][1])。 - •节点与边：每个Node表示一个执行单元（如 LLM 调用、工具函数、决策逻辑），Edge则可携带条件实现分支或循环，使流程更灵活可控 ([DEV Community][2])。
- •可循环的工作流：区别于传统的 DAG（有向无环图），LangGraph 支持循环结构（cycles），更适合实现多轮决策与重试机制 ([Medium][3])。
- •与 LangChain 深度集成：所有 LangChain 的
Runnable（例如Chain、Tool、LLM 模型）都可直接作为节点使用，复用生态组件，增强扩展性 ([LangChain AI][1])。 - •持久化与可视化：可接入 LangSmith 进行调用跟踪与日志记录，也可通过
graph.get_graph().draw()利用 NetworkX 和 matplotlib 输出流程图，便于调试与监控 ([LangChain][4])。
一、为何需要 LangGraph？
- 复杂流程可视化：对话、任务执行、工具调用等往往需要多步交互和条件判断，传统端到端调用缺乏透明度和可控性；LangGraph 用图结构清晰呈现每一步逻辑 ([Medium][5])。
- 有状态管理：在多轮对话或长流程中，维护上下文与中间结果至关重要；LangGraph 将所有上下文统一存放在
State，节点只需专注局部更新，简化状态传递 ([LangChain AI][1])。
- 有状态管理：在多轮对话或长流程中，维护上下文与中间结果至关重要；LangGraph 将所有上下文统一存放在
- 支持循环与分支：企业级智能体常常需要重试、分支判断或任务迭代，LangGraph 原生支持带条件的循环边（cycles）和分支边（conditional edges），实现更强的流程控制 ([Medium][3])。
- 生态复用：构建在 LangChain 之上，可复用其丰富的模型、检索、工具等组件，更快上手并保持一致的开发体验 ([LangChain AI][1])。
二、核心概念
| 概念 | 说明 |
|---|---|
| State | 全局状态，由TypedDict定义，包含历史消息、中间结果等；每个节点接收并返回部分状态更新。 |
| Node | 执行单元，可以是调用LLM、执行函数、判断逻辑等；输入当前State，输出新的状态片段。 |
| Edge | 状态转移路径，可添加条件函数，实现if/else分支或循环控制。 |
| Graph | 有向图结构，将多个节点和边连接成完整工作流，编译后产生可执行graph.invoke(state)方法。 |
工作原理：
LangGraph会根据图的拓扑与边的判断函数，自动执行对应节点，并将各节点的状态更新按定义合并到全局State中，直至到达指定的终点（Finish Point） ([DEV Community][2])。
三、示例：智能客服 Agent
下面以"智能客服"为例，展示如何用 LangGraph 构建一个能够判断是否调用外部"工具"并返回结果的简单对话流程。
3.1 环境依赖
pip install langchain_core langgraph dotenv langchain langchain_community openai langchain-openai.env文件中：
OPENAI_API_BASE=https://api.deepseek.com/v1 OPENAI_API_KEY=sk-xxxxxx LANGSMITH_TRACING=true LANGSMITH_ENDPOINT="https://api.smith.langchain.com" LANGSMITH_API_KEY="lsv2_pt_xxxxx" LANGSMITH_PROJECT="pr-gripping-yak-45"3.2 定义状态
from typing import TypedDict, List from langchain_core.messages import BaseMessage #%% 3. 定义对话状态结构 class AgentState(TypedDict): messages: List[BaseMessage] # 对话历史 agent_outcome: str # 下一步决策：tool 或 final tool_response: str # 工具调用结果3.3 定义节点
#%% 4. 初始化大模型 llm = ChatOpenAI(model_name="deepseek-chat", verbose=True) #%% 5. 节点函数定义 defagent_decision_node(state: AgentState) -> dict: last_message = state["messages"][-1].content prompt = ChatPromptTemplate.from_template( "请判断用户的意图：\n" "用户输入：{input}\n\n" "如果需要调用工具，请回答 tool；否则回答 final。" ) decision = llm.invoke(prompt.format_messages(input=last_message)).content.strip().lower() print(f"\n[Agent Decision] outcome = {decision}") return {"agent_outcome": decision if decision in ("tool", "final") else"final"} deftool_node(_: AgentState) -> dict: return {"tool_response": "明天晴，气温25°C，适合出行。"} deffinal_node(state: AgentState) -> dict: # 获取工具的响应，或者默认消息 reply = state.get("tool_response", "很高兴为您服务！") # 获取当前时间戳，作为元数据 timestamp = datetime.now().strftime("%Y-%m-%d %H:%M:%S") # 可以添加额外的元数据，例如，用户的原始输入 user_input = state["messages"][-1].content # 打印出回复信息及其附加内容 print(f"回复: {reply}, 时间: {timestamp}, 用户输入: {user_input}") # 返回包含原始消息和回复的消息记录 return { "messages": state["messages"] + [AIMessage(content=reply)], "metadata": { "timestamp": timestamp, "user_input": user_input, "reply_length": len(reply), } }3.4 构建并编译图
#%% 6. 构建 LangGraph 工作流 def build_graph(): workflow = StateGraph(AgentState) workflow.add_node("agent", agent_decision_node) workflow.add_node("tool", tool_node) workflow.add_node("final", final_node) workflow.set_entry_point("agent") workflow.set_finish_point("final") workflow.add_conditional_edges("agent", lambda st: st["agent_outcome"], {"tool": "tool", "final": "final"}) workflow.add_edge("tool", "final") return workflow.compile() # 编译一次，供全局使用 graph = build_graph()3.5 调用测试
#%% 7. 运行测试 def test_run(): init_state = {"messages": [HumanMessage(content="请问明天天气如何？")]} result = graph.invoke(init_state) print("\n对话记录:") for msg in result["messages"]: print(f"[{msg.type}]: {msg.content}")通过修改判断逻辑、替换工具节点为真实 API、或在State中增加更多字段（如意图、对话轮次等），即可快速扩展为更复杂的客服或业务流程 ([LangChain AI][1], [Medium][5])。
四、可视化与调试
LangGraph支持将工作流导出为NetworkX图结构，便于通过matplotlib进行流程图可视化，同时也支持生成Mermaid或PNG格式的图示。此外，LangGraph可无缝集成LangSmith，实现对智能体执行过程的可视化调试与追踪。
4.1 流程图生成
#%% 8. 使用 Mermaid 可视化工作流 def visualize_workflow_with_mermaid(graph): mermaid_code = graph.get_graph().draw_mermaid() # 获取 Mermaid 格式代码 # 通过 IPython 显示 Mermaid 图 display(Markdown(f"```mermaid\n{mermaid_code}\n```"))输出结果：
__start__
agent
tool
final
__end__
4.2 LangSmith 集成调试
通过 LangSmith 记录执行过程：
#%% 9. LangSmith 追踪（可选） defrun_with_langsmith(input_state): if"LANGSMITH_API_KEY"in os.environ: @traceable deftraced_fn(state): return graph.invoke(state) result = traced_fn(input_state) print("\n[Traced] 对话记录:") for msg in result["messages"]: print(f"[{msg.type}]: {msg.content}") else: print("\n跳过 LangSmith 集成：未设置 LANGSMITH_API_KEY") #%% 10. 主入口 if __name__ == "__main__": visualize_workflow_with_mermaid(graph) # test_run() run_with_langsmith({"messages": [HumanMessage(content="北京天气怎么样？")]})在LangSmith控制台中可查看：
- 各节点执行耗时
- 状态变更历史
- 条件边判断结果
五、拓展与实践建议
- 高级决策：将
agent_decision_node替换成 OpenAI Functions，实现更丰富的意图识别与工具选择 ([LinkedIn][6])。
- 高级决策：将
- 多工具调用：在
State中维护工具队列，实现同时调用多个服务（搜索、计算、翻译等）。
- 多工具调用：在
- 持久化存储：集成数据库或持久化层（如 Redis、Postgres），保存长期会话或任务进度。
- 监控与回溯：接入 LangSmith，开启 Trace 跟踪，实时查看节点执行时间及状态变更 ([LangChain][4])。
- 多 Agent 协作：构建多角色智能体（如 Planner、Executor、Evaluator），通过图的形式串联，形成协作式智能系统 ([arXiv][7])。
六、小结
本文通过智能客服示例，演示了LangGraph的基本使用流程：
- • 定义全局
State，存放上下文与中间结果 - • 编写节点（
Node）实现决策、工具调用、回复生成 - • 用有向图（
Graph）组织节点与条件边 - • 编译并调用流程，结合
NetworkX可视化
LangGraph使得复杂、有状态的AI智能体开发变得模块化、可视化且易于维护，是构建企业级对话系统和多智能体工作流的利器。
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！2026 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👇👇
2026 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”！
)
