《LangGraph》57个小项目带你从入门到入坟《四》（代码全开源，一键运行）

LangGraph 流式输出学习总结

> github链接：https://github.com/hzqjgthy/LangGraph_TL （求star）

本文档总结了 7 个脚本中关于 LangGraph 和 LangChain 流式输出的核心知识点。

📚 目录

1. 基础知识
2. 脚本概览
3. 核心知识点详解
4. 实战案例
5. 最佳实践

1. 基础知识

1.1 环境配置

所有脚本都使用了以下基础配置：

fromlangchain.chat_modelsimportinit_chat_modelfromdotenvimportload_dotenvimportos load_dotenv(override=True)# 初始化模型llm=init_chat_model(model="deepseek-chat",model_provider="deepseek",api_key=os.getenv("DEEPSEEK_API_KEY"),base_url=os.getenv("DEEPSEEK_URL"),temperature=0,)

1.2 核心依赖库

• langchain/langchain_core: LLM 框架
• langgraph: 构建 Agent 工作流
• sqlalchemy: 数据库 ORM 操作
• requests: HTTP 请求（API 调用）
• pydantic: 数据验证和模型定义

2. 脚本概览

3. 核心知识点详解

3.1 OpenWeather API 集成 (test_29.py)

功能：查询城市天气信息

代码要点：

defget_weather(loc):url="https://api.openweathermap.org/data/2.5/weather"params={"q":loc,# 城市名称（英文）"appid":"YOUR_API_KEY","units":"metric",# 摄氏度"lang":"zh_cn"# 简体中文}response=requests.get(url,params=params)returnjson.dumps(response.json())

注意事项：

• 中国城市需使用英文名称（如 Beijing, Shanghai）
• API Key 需要从 OpenWeather 网站注册获取
• 返回值为 JSON 字符串格式

3.2 LangGraph Agent 基础 (test_30.py)

3.2.1 工具定义

使用@tool装饰器定义工具，并使用 Pydantic 模型定义参数：

classWeatherLoc(BaseModel):location:str=Field(description="城市名称")@tool(args_schema=WeatherLoc)defget_weather(location):"""查询当前天气"""# 实现代码

3.2.2 数据库集成

使用 SQLAlchemy 定义数据模型：

fromsqlalchemyimportcreate_engine,Column,Integer,String,Floatfromsqlalchemy.ormimportsessionmaker,declarative_base Base=declarative_base()classWeather(Base):__tablename__='weather_11'city_id=Column(Integer,primary_key=True)city_name=Column(String(50))temperature=Column(Float)# ... 其他字段

数据库连接：

DATABASE_URI='mysql+pymysql://user:password@host:3306/database?charset=utf8mb4'engine=create_engine(DATABASE_URI)Base.metadata.create_all(engine)Session=sessionmaker(bind=engine)

3.2.3 创建 Agent

fromlanggraph.prebuiltimportcreate_react_agent tools=[fetch_real_time_info,get_weather,insert_weather_to_db,query_weather_from_db]graph=create_react_agent(llm,tools=tools)

3.2.4 可视化

png_bytes=graph.get_graph(xray=True).draw_mermaid_png()withopen("graph_30.png","wb")asf:f.write(png_bytes)

3.2.5 非流式调用

response=graph.invoke({"messages":["北京今天的天气怎么样？"]})print(response["messages"][-1].content)

3.3 LangChain 流式输出基础 (test_31.py)

异步流式输出：

asyncdefstream_function():chunks=[]asyncforchunkinllm.astream("你好，请你详细的介绍一下你自己。"):chunks.append(chunk)print(chunk.content,end="|",flush=True)# chunk 可以累加combined=chunks[0]+chunks[1]+chunks[2]print(combined)asyncio.run(stream_function())

关键点：

• 使用astream()方法进行异步流式输出
• 每个 chunk 包含部分响应内容
• chunk 对象支持+操作符进行累加
• 需要asyncio.run()来执行异步函数

3.4 LangGraph 流式输出模式

LangGraph 提供了 5 种流式输出模式：

3.5 同步流式输出 (test_32.py)

3.5.1 values 模式

特点：返回每个步骤后的完整状态

defprint_stream(stream):forsub_streaminstream:# sub_stream 是字典，包含 messages 字段message=sub_stream["messages"][-1]message.pretty_print()input_message={"messages":["你好，南京现在的天气怎么样？"]}print_stream(graph.stream(input_message,stream_mode="values"))

输出结构：

{"messages":[HumanMessage(...),AIMessage(...),ToolMessage(...)]}

3.5.2 updates 模式

特点：返回每个节点的增量更新

defprint_stream_updates(stream):forsub_streaminstream:# sub_stream 结构: {节点名称: {messages: [消息]}}fornode_name,node_datainsub_stream.items():print(f"---{node_name.upper()}节点 ---")if"messages"innode_data:formessageinnode_data["messages"]:message.pretty_print()print_stream_updates(graph.stream(input_message,stream_mode="updates"))

输出结构：

{"agent":{"messages":[AIMessage(...)]},"tools":{"messages":[ToolMessage(...)]}}

节点类型：

• agent: LLM 的决策或响应
• tools: 工具执行结果

3.6 异步流式输出 (test_33.py)

3.6.1 异步 values 模式

asyncdefstream_function():asyncforchunkingraph.astream(input={"messages":["你好，成都的天气怎么样？"]},stream_mode="values"):message=chunk["messages"][-1].pretty_print()asyncio.run(stream_function())

3.6.2 异步 updates 模式

asyncdefstream_function_2():inputs={"messages":[("human","你好，乌鲁木齐的天气怎么样？")]}asyncforchunkingraph.astream(inputs,stream_mode="updates"):fornode,valuesinchunk.items():print(f"接收到的更新节点: '{node}'")message=values["messages"][0]message.pretty_print()asyncio.run(stream_function_2())

同步 vs 异步：

• 同步(stream): 阻塞式，适合简单脚本
• 异步(astream): 非阻塞，适合高并发场景

3.7 messages 模式流式输出 (test_34.py)

特点：记录每个消息中的增量 token，实现逐字输出

asyncdefstream_function():asyncformsg,metadataingraph.astream({"messages":["你好，帮我查询一下数据库中北京的天气数据"]},stream_mode="messages"):# 只输出非 HumanMessage 的内容ifmsg.contentandnotisinstance(msg,HumanMessage):print(msg.content,end="|",flush=True)# 处理 AIMessageChunkifisinstance(msg,AIMessageChunk):iffirst:gathered=msg first=Falseelse:gathered=gathered+msg# 累加 chunk# 输出工具调用信息ifmsg.tool_call_chunks:print(gathered.tool_calls)asyncio.run(stream_function())

适用场景：

• 实时显示 LLM 生成的文本
• 类似 ChatGPT 的打字机效果
• 需要逐 token 处理的场景

3.8 astream_events 事件流 (test_35.py)

特点：事件驱动的流式输出，提供更细粒度的控制

3.8.1 基础用法

asyncdefstream_function():asyncforeventingraph.astream_events({"messages":["北京的天气怎么样"]},version="v2"):kind=event["event"]print(f"{kind}:{event['name']}----------------{event['data']}")asyncio.run(stream_function())

3.8.2 提取 AIMessageChunk

asyncdefstream_function():asyncforeventingraph.astream_events({"messages":["北京的天气怎么样"]},version="v2"):kind=event["event"]# 过滤聊天模型流事件ifkind=="on_chat_model_stream":chunk=event["data"]["chunk"]# 输出文本内容ifchunk.content:print(chunk.content,end="",flush=True)# 输出工具调用信息elifchunk.tool_calls:fortool_callinchunk.tool_calls:iftool_call.get('name'):print(f"\n[调用工具:{tool_call['name']}]\n")asyncio.run(stream_function())

事件类型：

• on_chat_model_stream: 聊天模型输出流
• on_tool_start: 工具开始执行
• on_tool_end: 工具执行结束
• 其他更多事件类型…

优势：

• 精细控制每个事件的处理
• 可以区分模型响应和工具调用
• 适合复杂的 UI 交互场景

4. 实战案例

4.1 多城市天气查询与存储

需求：查询多个城市天气并存储到数据库

response=graph.invoke({"messages":["帮我查一下北京、上海、哈尔滨三个城市的天气，并存储到数据库"]})

Agent 执行流程：

1. 解析用户意图（需要查询 3 个城市）
2. 并行调用get_weather工具 3 次
3. 提取天气数据中的关键字段
4. 调用insert_weather_to_db工具 3 次存储数据
5. 返回执行结果

4.2 数据库天气对比分析

需求：从数据库读取天气数据并进行对比分析

response=graph.invoke({"messages":["帮我分析一下数据库中北京和哈尔滨城市天气的信息，做详细对比"]})

Agent 执行流程：

1. 调用query_weather_from_db查询北京天气
2. 调用query_weather_from_db查询哈尔滨天气
3. LLM 对比分析温度、天气状况等数据
4. 生成详细的对比报告和出行建议

4.3 实时信息检索

需求：获取最新的互联网信息

response=graph.invoke({"messages":["你知道 Claude 3.5 发布的 computer use 吗？请用中文回复"]})

Agent 执行流程：

1. 识别需要实时信息
2. 调用fetch_real_time_info工具搜索
3. 解析搜索结果
4. 生成中文回答

5. 最佳实践

5.1 流式输出选择指南

5.2 工具设计原则

1. 明确的文档字符串：描述工具功能、参数、返回值
2. 使用 Pydantic 模型：定义清晰的参数结构
3. 错误处理：捕获异常并返回友好的错误信息
4. 返回标准格式：统一返回 JSON 字符串或字典

5.3 数据库操作最佳实践

@tool(args_schema=QueryWeatherSchema)defquery_weather_from_db(city_name:str):session=Session()try:# 执行查询weather_data=session.query(Weather).filter(Weather.city_name==city_name).first()ifweather_data:return{"city_name":weather_data.city_name,"temperature":weather_data.temperature,# ... 其他字段}else:return{"messages":[f"未找到城市 '{city_name}' 的天气信息。"]}exceptExceptionase:return{"messages":[f"查询失败，错误原因：{e}"]}finally:session.close()# 确保关闭会话

关键点：

• 使用try-except-finally确保资源释放
• 每次操作创建新的 session
• 使用merge()实现插入或更新
• 发生错误时rollback()

5.4 流式输出性能优化

1. 使用异步：对于 I/O 密集型操作
2. 批量处理：减少网络往返次数
3. 合理的 flush：print(..., end="", flush=True)
4. 避免过度打印：只输出必要信息

5.5 消息类型总结

6. 常见问题

6.1 为什么使用英文城市名称？

OpenWeather API 只支持英文城市名称。对于中国城市：

• 北京 → Beijing
• 上海 → Shanghai
• 哈尔滨 → Harbin

6.2 如何处理 API Key？

使用环境变量：

fromdotenvimportload_dotenv load_dotenv(override=True)api_key=os.getenv("OPENWEATHER_API_KEY")

.env文件示例：

OPENWEATHER_API_KEY=your_key_here DEEPSEEK_API_KEY=your_key_here DEEPSEEK_URL=https://api.deepseek.com

6.3 流式输出没有实时显示？

确保：

1. 使用flush=True参数
2. 不要使用print()的缓冲
3. 在 Jupyter Notebook 中可能需要IPython.display

6.4 数据库连接失败？

检查：

1. 数据库服务是否运行
2. 连接字符串是否正确
3. 用户权限是否足够
4. 防火墙设置

7. 技术栈总结

7.1 核心框架

• LangChain: LLM 应用开发框架
• LangGraph: 构建多步骤 Agent 工作流
• SQLAlchemy: Python SQL 工具包和 ORM

7.2 外部服务

• OpenWeather API: 天气数据服务
• Serper API: Google 搜索 API 代理
• DeepSeek: 大语言模型服务
• MySQL: 关系型数据库

7.3 Python 标准库

• asyncio: 异步 I/O
• requests: HTTP 库
• json: JSON 处理
• os: 操作系统接口

8. 学习路径建议

1. 第一步：运行test_29.py理解 API 调用基础
2. 第二步：运行test_30.py理解 Agent 的构建和工具集成
3. 第三步：运行test_31.py理解基础流式输出
4. 第四步：运行test_32.py和test_33.py对比同步/异步流式输出
5. 第五步：运行test_34.py理解 messages 模式的实时输出
6. 第六步：运行test_35.py掌握事件驱动的高级流式输出

9. 扩展阅读

• LangChain 官方文档
• LangGraph 官方文档
• OpenWeather API 文档
• SQLAlchemy 官方文档
• Pydantic 官方文档

10. 总结

本系列脚本从基础的 API 调用到复杂的 Agent 流式输出，全面展示了 LangGraph 的核心功能：

✅工具集成：如何定义和使用工具
✅数据库操作：SQLAlchemy ORM 的最佳实践
✅流式输出：5 种不同模式的适用场景
✅异步编程：提升并发性能
✅事件驱动：精细控制 Agent 执行流程

掌握这些知识点后，可以构建功能强大的 LLM 应用，实现复杂的多步骤推理、工具调用和实时交互。