使用LangGraph在Python中構建智慧體工作流

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

引言

大多數AI智慧體設定能良好處理單輪問答：接收問題，呼叫模型，返回答案。但更困難的問題很快出現：智慧體可能需要查詢資料庫、記住之前訊息的上下文，或讓使用者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。智慧體被表示為圖，節點是工作單元，邊定義下一步執行什麼，共享狀態物件在每個步驟中攜帶完整訊息歷史。模型在節點內執行，因此每個推理步驟、工具呼叫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圖由三個元件構建：

• 狀態（State）：一個TypedDict，作為整個圖的共享記憶體。每個節點從中讀取並寫入更新。欄位如果不更新則保持不變。
• 節點（Nodes）：普通的Python函式。節點接收當前狀態作為引數，並返回要更新的欄位字典。使用add_node註冊。
• 邊（Edges）：定義執行順序。add_edge(A, B)表示A完成後執行B。add_conditional_edges允許基於路由函式分支。

透過歸約器（reducer）可以處理欄位的累積。例如，使用operator.add可以使列表欄位追加而非替換。LangGraph的MessagesState使用add_messages歸約器，支援訊息去重和排序。

管理對話歷史

MessagesState是一個內建狀態型別，包含一個messages欄位，使用add_messages歸約器。每次節點返回新訊息時，它們會被追加到現有列表。我們可以擴充套件該狀態以新增其他欄位（如客戶ID）。

在節點中呼叫模型

核心節點函式將當前訊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。系統訊息可以在每次呼叫時設定而不儲存在狀態中。

註冊工具並路由工具呼叫

使用@tool裝飾器定義工具，然後用bind_tools繫結到模型。ToolNode負責執行工具呼叫，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。

追蹤推理迴圈

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，模型再次呼叫後生成最終回答。這是標準的ReAct模式，每次工具使用需要兩次模型呼叫。

設定與安裝

安裝所需包：pip install langgraph langchain-openai python-dotenv，建立.env檔案存放OpenAI API金鑰。

本文從零開始構建圖，涵蓋所有步驟，為構建更復雜的智慧體工作流奠定基礎。