使用LangGraph在Python中構建智能體工作流

本文詳細介紹瞭如何使用LangGraph在Python中構建完整的智能體工作流，從單次模型調用到具有持久對話記憶的工具使用智能體。

引言

大多數AI智能體設置能良好處理單輪問答：接收問題，調用模型，返回答案。但更困難的問題很快出現：智能體可能需要查詢數據庫、記住之前消息的上下文，或讓用户清楚瞭解模型的決定過程。如果不為每個用例構建自定義管道，解決這些挑戰往往會讓實現變得複雜。

LangGraph為處理這些問題提供了清晰的結構。智能體被表示為圖，節點是工作單元，邊定義下一步執行什麼，共享狀態對象在每個步驟中攜帶完整消息歷史。模型在節點內運行，因此每個推理步驟、工具調用和響應都成為圖狀態的一部分。這使得整個執行流程可見、可檢查，並可供後續任何節點使用。

理解狀態、節點和邊

每個LangGraph圖由三個組件構建：

• 狀態（State）：一個TypedDict，作為整個圖的共享內存。每個節點從中讀取並寫入更新。字段如果不更新則保持不變。
• 節點（Nodes）：普通的Python函數。節點接收當前狀態作為參數，並返回要更新的字段字典。使用add_node註冊。
• 邊（Edges）：定義執行順序。add_edge(A, B)表示A完成後運行B。add_conditional_edges允許基於路由函數分支。

通過歸約器（reducer）可以處理字段的累積。例如，使用operator.add可以使列表字段追加而非替換。LangGraph的MessagesState使用add_messages歸約器，支持消息去重和排序。

管理對話歷史

MessagesState是一個內置狀態類型，包含一個messages字段，使用add_messages歸約器。每次節點返回新消息時，它們會被追加到現有列表。我們可以擴展該狀態以添加其他字段（如客户ID）。

在節點中調用模型

核心節點函數將當前消息列表傳遞給模型並附加其響應。使用ChatOpenAI（或任何LangChain聊天模型）並返回AIMessage。系統消息可以在每次調用時設置而不存儲在狀態中。

註冊工具並路由工具調用

使用@tool裝飾器定義工具，然後用bind_tools綁定到模型。ToolNode負責執行工具調用，tools_condition作為條件邊，根據模型輸出是否有tool_calls路由到工具節點或結束。從工具節點返回模型節點的邊形成閉環，使模型能根據工具結果生成最終答案。

追蹤推理循環

當模型使用工具時，實際過程比最終輸出更復雜：模型先產生帶有tool_calls的AIMessage，工具節點執行並返回ToolMessage，模型再次調用後生成最終回答。這是標準的ReAct模式，每次工具使用需要兩次模型調用。

設置與安裝

安裝所需包：pip install langgraph langchain-openai python-dotenv，創建.env文件存放OpenAI API密鑰。

本文從零開始構建圖，涵蓋所有步驟，為構建更復雜的智能體工作流奠定基礎。