为什么选择 LangGraph？

在 AI 世界中，检索增强生成（RAG）系统已广泛用于处理简单查询，生成上下文相关回答。

但随着 AI 应用复杂度不断提升，我们迫切需要一种能执行多步推理、保持状态和具备动态决策能力的智能体系统。

这正是 LangGraph 登场的舞台：

💡 LangGraph 是 LangChain 的高级扩展，支持具备状态管理与循环控制能力的多角色智能体。

✨ LangGraph 的核心优势

LangGraph 通过无缝管理图结构、状态和智能体协作，重新定义了 AI 应用的开发方式：

LangGraph 的结构概念图（包括节点、状态与边的关系）

✅ 功能亮点：

•状态自动管理：跨轮对话中持续保留上下文•多工具调度协调：多角色、多工具之间高效协作•循环计算能力：支持反复推理与修正•灵活+可扩展+稳定：适用于原型验证到企业部署

🔨 项目目标示例

我们将通过一个实战案例来构建智能体：

💬 根据用户每月电费计算太阳能节省效果的 AI 助手。

📌 应用场景：

•可部署在太阳能销售网站上•与访客互动、收集数据、给出节省建议•同时辅助销售线索筛选，实现业务转化

🧱 开发步骤详解

🚦 第 1 步：导入必要的库

from langchain_core.tools import toolfrom langchain_community.tools.tavily_search importTavilySearchResultsfrom langchain_core.prompts importChatPromptTemplatefrom langchain_core.runnables importRunnablefrom langchain_aws importChatBedrockimport boto3from typing importAnnotatedfrom typing_extensions importTypedDictfrom langgraph.graph.message importAnyMessage, add_messagesfrom langchain_core.messages importToolMessagefrom langchain_core.runnables importRunnableLambdafrom langgraph.prebuilt importToolNode, tools_condition

🧮 第 2 步：定义节能计算工具

@tooldef compute_savings(monthly_cost:float)->float:"""工具功能：根据用户每月电费计算切换到太阳能后的潜在节省。
参数:        monthly_cost (float):用户当前每月电费支出（单位：美元）
返回:        dict:包含以下内容的字典：-'number_of_panels':预计所需太阳能板数量-'installation_cost':安装费用估算-'net_savings_10_years':安装后10年内的净节省金额"""def calculate_solar_savings(monthly_cost):# 计算的基础假设值        cost_per_kWh =0.28# 每度电（千瓦时）价格（美元）        cost_per_watt =1.50# 每瓦安装成本（美元）        sunlight_hours_per_day =3.5# 平均每日日照时长（小时）        panel_wattage =350# 单块太阳能板功率（瓦）        system_lifetime_years =10# 系统使用年限
# 用户每月用电量（kWh）        monthly_consumption_kWh = monthly_cost / cost_per_kWh
# 系统所需功率（千瓦）        daily_energy_production = monthly_consumption_kWh /30        system_size_kW = daily_energy_production / sunlight_hours_per_day
# 计算面板数量和安装成本        number_of_panels = system_size_kW *1000/ panel_wattage        installation_cost = system_size_kW *1000* cost_per_watt
# 年节省金额与10年净收益        annual_savings = monthly_cost *12        total_savings_10_years = annual_savings * system_lifetime_years        net_savings = total_savings_10_years - installation_cost
return{"number_of_panels": round(number_of_panels),"installation_cost": round(installation_cost,2),"net_savings_10_years": round(net_savings,2)}
# 返回计算结果return calculate_solar_savings(monthly_cost)

📈 工具返回结果：

•所需太阳能板数量•安装成本估算•十年期净节省金额

🧩 第 3 步：状态管理与错误处理

处理工具执行异常

def handle_tool_error(state)-> dict:"""工具执行出错时的错误处理函数。
参数:        state (dict):当前 AI 智能体的状态，包含消息内容和工具调用信息。
返回:        dict:包含每个出错工具对应错误消息的字典。"""# 从状态中提取错误信息    error = state.get("error")
# 获取最近一条消息中的工具调用记录    tool_calls = state["messages"][-1].tool_calls
# 返回包含错误提示的 ToolMessage 列表，每个消息关联一个 tool_call_idreturn{"messages":[ToolMessage(                content=f"Error: {repr(error)}\n 请修复错误。",                tool_call_id=tc["id"],)for tc in tool_calls]}

创建带回退机制的工具节点

def create_tool_node_with_fallback(tools: list)-> dict:"""创建包含错误回退机制的工具节点。
参数:        tools (list):要包含在节点中的工具列表。
返回:        dict:一个支持错误处理回退的工具节点。"""returnToolNode(tools).with_fallbacks([RunnableLambda(handle_tool_error)],        exception_key="error")

🧠 第 4 步：定义状态结构与助手类

状态结构State

classState(TypedDict):    messages:Annotated[list[AnyMessage], add_messages]

助手类 Assistant

classAssistant:def __init__(self, runnable:Runnable):# 初始化，接收定义好流程的 runnable 对象self.runnable = runnable
def __call__(self, state:State):whileTrue:# 使用当前状态调用 runnable            result =self.runnable.invoke(state)
# 如果没有工具调用结果，或者内容为空，则重新请求有效输出ifnot result.tool_calls and(not result.contentor isinstance(result.content, list)andnot result.content[0].get("text")):                messages = state["messages"]+[("user","请返回有效输出。")]                state ={**state,"messages": messages}else:break# 成功获取有效结果，退出循环
# 返回最终消息状态return{"messages": result}

🧱 第 5 步：使用 AWS Bedrock 配置 LLM

def get_bedrock_client(region):return boto3.client("bedrock-runtime", region_name=region)
def create_bedrock_llm(client):returnChatBedrock(        model_id='anthropic.claude-3-sonnet-20240229-v1:0',        client=client,        model_kwargs={'temperature':0},        region_name='us-east-1')
llm = create_bedrock_llm(get_bedrock_client(region='us-east-1'))

✅ 确保你已设置 AWS 凭证，否则助手无法访问 Bedrock 模型。

🧭 第 6 步：定义助手工作流程

对话提示模板

primary_assistant_prompt =ChatPromptTemplate.from_messages([("system",'''你是 Solar Panels Belgium 的客户支持助手。你需要向用户获取以下信息：-每月电费支出
如果无法识别，请请求用户澄清，切勿胡乱猜测。收集完毕后，请调用相应工具。'''),("placeholder","{messages}"),])

工具绑定与执行流定义

# 定义助手会使用的工具part_1_tools =[    compute_savings]
# 将工具绑定到助手的工作流程中part_1_assistant_runnable = primary_assistant_prompt | llm.bind_tools(part_1_tools)

🔄 第 7 步：构建 LangGraph 图结构

在这一步中，我们使用 LangGraph 来构建 AI 助手的图结构，控制它如何处理用户输入、调用工具并在不同阶段之间流转。

builder =StateGraph(State)builder.add_node("assistant",Assistant(part_1_assistant_runnable))builder.add_node("tools", create_tool_node_with_fallback(part_1_tools))
builder.add_edge(START,"assistant")# 从助手开始builder.add_conditional_edges("assistant", tools_condition)# 根据输入跳转到工具builder.add_edge("tools","assistant")# 工具执行后返回助手
memory =MemorySaver()graph = builder.compile(checkpointer=memory)

▶️ 第 8 步：运行 AI 助手

import uuid
# 示例用户问题列表tutorial_questions =['hey','can you calculate my energy saving',"my montly cost is $100, what will i save"]
# 创建唯一线程 ID，用于会话追踪thread_id = str(uuid.uuid4())
# 配置上下文config ={"configurable":{"thread_id": thread_id,}}
# 存储已打印事件（防止重复）_printed =set()
# 模拟与助手的对话流for question in tutorial_questions:    events = graph.stream({"messages":("user", question)}, config, stream_mode="values")foreventin events:        _print_event(event, _printed)

✅ 总结

通过以上 8 个步骤，你成功构建了一个支持多轮交互、状态记忆、错误处理与工具调度的智能太阳能节能助手。

🎯 LangGraph 的价值体现在：

•高度模块化与逻辑清晰的图式结构•灵活调用工具，响应用户个性化需求•支持真实业务场景（如能源、客服、营销）部署

💡 不论是构建客服智能体、节能顾问，还是更复杂的 AI 应用，LangGraph 都为你提供强大的基础设施和开发范式。

最后

为什么要学AI大模型

当下，⼈⼯智能市场迎来了爆发期，并逐渐进⼊以⼈⼯通⽤智能（AGI）为主导的新时代。企业纷纷官宣“ AI+ ”战略，为新兴技术⼈才创造丰富的就业机会，⼈才缺⼝将达 400 万！

DeepSeek问世以来，生成式AI和大模型技术爆发式增长，让很多岗位重新成了炙手可热的新星，岗位薪资远超很多后端岗位，在程序员中稳居前列。

与此同时AI与各行各业深度融合，飞速发展，成为炙手可热的新风口，企业非常需要了解AI、懂AI、会用AI的员工，纷纷开出高薪招聘AI大模型相关岗位。

最近很多程序员朋友都已经学习或者准备学习 AI 大模型，后台也经常会有小伙伴咨询学习路线和学习资料，我特别拜托北京清华大学学士和美国加州理工学院博士学位的鲁为民老师给大家这里给大家准备了一份涵盖了AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频 全系列的学习资料，这些学习资料不仅深入浅出，而且非常实用，让大家系统而高效地掌握AI大模型的各个知识点。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

AI大模型系统学习路线

在面对AI大模型开发领域的复杂与深入，精准学习显得尤为重要。一份系统的技术路线图，不仅能够帮助开发者清晰地了解从入门到精通所需掌握的知识点，还能提供一条高效、有序的学习路径。

但知道是一回事，做又是另一回事，初学者最常遇到的问题主要是理论知识缺乏、资源和工具的限制、模型理解和调试的复杂性，在这基础上，找到高质量的学习资源，不浪费时间、不走弯路，又是重中之重。

AI大模型入门到实战的视频教程+项目包

看视频学习是一种高效、直观、灵活且富有吸引力的学习方式，可以更直观地展示过程，能有效提升学习兴趣和理解力，是现在获取知识的重要途径

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

海量AI大模型必读的经典书籍（PDF）

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

600+AI大模型报告（实时更新）

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

AI大模型面试真题+答案解析

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】