LangGraph是一个功能非常强大的大语言模型本地应用构建框架。不只是包含了各种基于大语言模型构建本地应用 的工具，更重要的是，他积累了非常多使用大语言模型构建本地应用的经验，并且将这些经验总结成了非常多的案 例，让大家可以直接使用。

但是，LangGraph并不是一个独立的框架，他是LangChain框架的一个生态组件。所以，如果脱离LangChain来介 绍LangGraph，那纯粹是耍流氓。因此后面的内容，是预设大家有LangChain的基础的，并且最好是看过我之前分 享的LangChain视频。

课程目标:

• 理解LangGraph与LangChain
• 理解Agent智能体
• 理解智能体编排
• 如何部署LangChain应用

一、LangGraph到底是干什么的?

LangChain ，官网地址:https://python.langchain.com/docs/introduction/ 是一个用于开发由大语言模型LLM提 供支持的应用程序的框架。简单来说，就是一个用LLM快速构建本地应用的框架。当前最新的版本是V0.3。后续内 容也以这个版本为准。

在LangChain中，除了LangChain外，还有LangGraph、LangSmith等一系列的生态组件。

其中，LangChain是整个生态的基础。LangSmith主要是针对LangChain的应用进行测试、监控和分析的平台。 LangGraph则是基于LangChain的应用程序开发框架，它可以帮助开发者更方便地构建和管理复杂的应用程序。

LangGraph的官网地址:https://langchain-ai.github.io/langgraph/ 。 从⻚面左侧的菜单可以看到，使用 LangGraph构建应用的标准流程是这样:

• Prebuilt agents:第一步，构建Agent智能体。这是LangGraph应用的基础
• LangGraph framework:第二步，构建LangGraph应用。主要是以Graph图的方式将多个Agent智能体整合
• 成一个整体。这也是LangGraph最核心的部分
• LangGraph Platform:第三步，通过LangGraph Platform平台部署应用。这是一个商业化的平台，可以以标
• 准化的形式部署LangGraph应用，并提供测试、监控、分析等功能。

其实，对于LangGraph框架，如果你把这几个部分都搞清楚了，那么，整个LangGraph框架，你也就通了一大半

了。

对于构建应用来说，前两步必不可少。而第三步则通常不是一个必须选项。所以接下来我们重点介绍前两个部分。

这一章先来介绍第一步，构建智能体。这对于LangGraph来说，是一个非常重要的部分。因为LangGraph是基于 Agent的，所以构建Agent是LangGraph的基础。

这里的Agent智能体，其实本质上就是将大语言模型的各种功能，封装成独立的整体。Agent构建完成后，未来我 们有什么问题，直接交给Agent处理就行了。不用过多关注Agent的细节。而与大模型交互这个事情，LangChain 框架已经实现了非常多的核心功能，所以，这一部分也是和langChain联系非常紧密的一个部分。

二、快速体验LangChain与LangGraph

LangGraph和LangChain都是用于构建和管理大型语言模型应用的工具，它们都提供了一种简单易用的方式来构建 和管理复杂的应用程序。只不过，LangChain更关注于应用程序的整体流程，而LangGraph更关注于如何处理特定 的任务。

关于LangGraph的细节，在后溪章节中会详细介绍。 这里，我们先用最简单直白的方式来对比一下LangChain和 LangGraph在和大语言模型做交互时的基础思想有什么区别。

要使用LangGraph，首先需要安装LangGraph的依赖库

pip install langgraph
## 后面的案例中会用到langchain,所以同时也安装下langchain的依赖

pip install langchain
pip install langchain_community

实际上，从依赖库的安装过程就能看到，LangGraph是依赖于LangChain库的。 然后，先从基础的访问大模型的API开始。比较一下LangChain和LangGraph的访问大模型的API的区别。

使用LangChain访问大模型最基础的方式是使用init_chat_model创建一个ChatModel，大模型对象。通过这个大模型对象完成与大模型的交互

import os

from config.load_key import load_key

# 制定OpenAI的API_KEY。

if not os.environ.get("OPENAI_API_KEY"):

os.environ["OPENAI_API_KEY"] = load_key("OPENAI_API_KEY")

from langchain.chat_models import init_chat_model

# 创建访问OpenAI的Model。

# model = init_chat_model("gpt-4o-mini",model_provider="openai")

# openai在国内是无法直接访问的，需要科学上网。这里指定base_url是因为使用的是openai的国内代理， 2233.ai。

model = init_chat_model("gpt-4o- mini",model_provider="openai",base_url="https://api.gptsapi.net/v1")

model.invoke("你是谁?能帮我解决什么问题?")

然后，使用LangGraph访问基础大模型的方式是这样的:

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(

    model=model,

tools=[],

    prompt="You are a helpful assistant",

)

agent.invoke({"messages":[{"role":"user","content":"你是谁?能帮我解决什么问题?"}]})

而如果要个大模型提供一些自定义的辅助工具，使用LangChain方式是这样的:

import datetime

from langchain.tools import tool

from config.load_key import load_key

from langchain_community.chat_models import ChatTongyi # 构建阿里云百炼大模型客户端

llm = ChatTongyi(

    model="qwen-plus",

    api_key=load_key("BAILIAN_API_KEY"),

)

# 定义工具 注意要添加注释 @tool

def get_current_date():

"""获取今天日期"""

return datetime.datetime.today().strftime("%Y-%m-%d") # 大模型绑定工具

llm_with_tools = llm.bind_tools([get_current_date]) # 工具容器

all_tools = {"get_current_date": get_current_date} # 把所有消息存到一起

query = "今天是几月几号"

messages = [query]

# 询问大模型。大模型会判断需要调用工具，并返回一个工具调用请求 ai_msg = llm_with_tools.invoke(messages) print(ai_msg)

messages.append(ai_msg)

# 打印需要调用的工具

print(ai_msg.tool_calls)

if ai_msg.tool_calls:

    for tool_call in ai_msg.tool_calls:

        selected_tool = all_tools[tool_call["name"].lower()]

        tool_msg = selected_tool.invoke(tool_call)

        messages.append(tool_msg)

llm_with_tools.invoke(messages).content

使用LangGraph后，使用的方式是这样的

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(

    model=llm,

    tools=[get_current_date],

    prompt="You are a helpful assistant",

)

agent.invoke({"messages":[{"role":"user","content":"今天是几月几号"}]})

三、章节小结

从这个案例大概可以简单的感受到，LangGraph的一部分核心功能就是要在LangChain的基础上，以Agent智能体 的方式，提供更简单实用的功能封装，从而让我们可以更方便的使用LangChain的功能。 当然，Agent的功能封装远不止这个案例中这么简单。通过LangGraph的Agent功能，可以将与大大模型交互的各 种基础功能统一封装成独立的Agent，而不用过多关注Agent内部的实现细节。 接下来，有了Agent之后，LangGraph还通过Graph图的方式，可以将多个Agent智能体串联起来，实现更加复杂 的应用。 例如，我们之前实现了一个查询今天日期的Agent，接下来可以再实现航班信息的Agent，将这两个Agent串联起 来，就可以完成一个出行规划的复合任务。

这些在后面章节会逐步介绍。后续持续更新
为了方便大家复制，代码尽量不使用图片