使用LangGraph在Python中构建智能体工作流

本文详细介绍了如何使用LangGraph在Python中构建完整的智能体工作流，从单次模型调用到具有持久对话记忆的工具使用智能体。

引言

大多数AI智能体设置能良好处理单轮问答：接收问题，调用模型，返回答案。但更困难的问题很快出现：智能体可能需要查询数据库、记住之前消息的上下文，或让用户清楚了解模型的决定过程。如果不为每个用例构建自定义管道，解决这些挑战往往会让实现变得复杂。

LangGraph为处理这些问题提供了清晰的结构。智能体被表示为图，节点是工作单元，边定义下一步执行什么，共享状态对象在每个步骤中携带完整消息历史。模型在节点内运行，因此每个推理步骤、工具调用和响应都成为图状态的一部分。这使得整个执行流程可见、可检查，并可供后续任何节点使用。

理解状态、节点和边

每个LangGraph图由三个组件构建：

• 状态（State）：一个TypedDict，作为整个图的共享内存。每个节点从中读取并写入更新。字段如果不更新则保持不变。
• 节点（Nodes）：普通的Python函数。节点接收当前状态作为参数，并返回要更新的字段字典。使用add_node注册。
• 边（Edges）：定义执行顺序。add_edge(A, B)表示A完成后运行B。add_conditional_edges允许基于路由函数分支。

通过归约器（reducer）可以处理字段的累积。例如，使用operator.add可以使列表字段追加而非替换。LangGraph的MessagesState使用add_messages归约器，支持消息去重和排序。

管理对话历史

MessagesState是一个内置状态类型，包含一个messages字段，使用add_messages归约器。每次节点返回新消息时，它们会被追加到现有列表。我们可以扩展该状态以添加其他字段（如客户ID）。

在节点中调用模型

核心节点函数将当前消息列表传递给模型并附加其响应。使用ChatOpenAI（或任何LangChain聊天模型）并返回AIMessage。系统消息可以在每次调用时设置而不存储在状态中。

注册工具并路由工具调用

使用@tool装饰器定义工具，然后用bind_tools绑定到模型。ToolNode负责执行工具调用，tools_condition作为条件边，根据模型输出是否有tool_calls路由到工具节点或结束。从工具节点返回模型节点的边形成闭环，使模型能根据工具结果生成最终答案。

追踪推理循环

当模型使用工具时，实际过程比最终输出更复杂：模型先产生带有tool_calls的AIMessage，工具节点执行并返回ToolMessage，模型再次调用后生成最终回答。这是标准的ReAct模式，每次工具使用需要两次模型调用。

设置与安装

安装所需包：pip install langgraph langchain-openai python-dotenv，创建.env文件存放OpenAI API密钥。

本文从零开始构建图，涵盖所有步骤，为构建更复杂的智能体工作流奠定基础。