Large Language Models (LLMs) 擅长推理，但现实世界的应用往往需要有状态、多步骤的工作流。这就是 LangGraph 的用武之地——它让你可以通过由 LLM 驱动的节点图来构建智能工作流。

但如果你想把这些工作流暴露为 APIs，让其他应用（或用户）可以调用呢？这时候 FastAPI 就派上用场了——一个轻量级、高性能的 Python Web 框架。

在这篇指南中，你将学习如何将 LangGraph 工作流封装在 FastAPI 中，变成一个生产就绪的 endpoint。

为什么选择 LangGraph + FastAPI？

  • • LangGraph：创建多步骤、有状态的 LLM 工作流（例如，多智能体推理、数据处理）。
  • • FastAPI：轻松将这些工作流暴露为 REST APIs，以便与 Web 应用、微服务或自动化流水线集成。
  • • 结合两者：构建可从任何地方访问的可扩展 AI 智能体。

1. 项目设置

创建一个新项目文件夹并安装依赖：

mkdir langgraph_fastapi_demo && cd langgraph_fastapi_demo
python -m venv .venv
source .venv/bin/activate  # 在 Windows 上：.venv\Scripts\activate
pip install fastapi uvicorn langgraph langchain-openai python-dotenv

创建一个 .env 文件来存储你的 API 密钥：

OPENAI_API_KEY=你的_openai_密钥_在此

2. 构建一个简单的 LangGraph 工作流

让我们构建一个简单的 LangGraph，它接收用户的问题并返回 AI 生成的答案。

# workflow.py
from langgraph.graph import StateGraph, START, END
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage
import os
from dotenv import load_dotenv

load_dotenv()
llm = ChatOpenAI(model="gpt-4o")  # 可以切换到 gpt-4o-mini 以降低成本
# 定义状态
defanswer_question(state: dict) -> dict:
    user_input = state["user_input"]
    response = llm.invoke([HumanMessage(content=user_input)])
return {"answer": response.content}
# 构建图
workflow = StateGraph(dict)
workflow.add_node("answer", answer_question)
workflow.add_edge(START, "answer")
workflow.add_edge("answer", END)
graph = workflow.compile()

这个图：

  • • 接收 user_input
  • • 将其发送到 GPT-4o
  • • 返回 AI 生成的响应

3. 让它生产就绪

在向全世界开放之前，让我们为真实用例加固它。

错误处理与重试

LLM APIs 可能会失败或超时。用 try/except 包装调用：

from tenacity import retry, wait_exponential, stop_after_attempt

@retry(wait=wait_exponential(multiplier=1, min=2, max=10), stop=stop_after_attempt(3))
defsafe_invoke_llm(message):
return llm.invoke([HumanMessage(content=message)])
defanswer_question(state: dict) -> dict:
    user_input = state["user_input"]
try:
        response = safe_invoke_llm(user_input)
return {"answer": response.content}
except Exception as e:
return {"answer": f"错误：{str(e)}"}
输入验证

我们不想让别人发送巨大的数据负载。添加 Pydantic 约束：

from pydantic import BaseModel, constr

classRequestData(BaseModel):
    user_input: constr(min_length=1, max_length=500)  # 限制输入大小
日志记录

添加日志以提高可见性：

import logging
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)

defanswer_question(state: dict) -> dict:
    logger.info(f"收到输入：{state['user_input']}")
    response = safe_invoke_llm(state['user_input'])
    logger.info("已生成 LLM 响应")
return {"answer": response.content}

4. 使用 FastAPI 暴露工作流

现在，让我们将这个工作流封装在 FastAPI 中。

# main.py
from fastapi import FastAPI
from workflow import graph, RequestData

app = FastAPI()

@app.post("/run")
asyncdefrun_workflow(data: RequestData):
    result = graph.invoke({"user_input": data.user_input})
return {"result": result["answer"]}

运行服务器：

uvicorn main:app --reload

5. 测试 API

你可以使用 curl 测试：

curl -X POST "http://127.0.0.1:8000/run" \
     -H "Content-Type: application/json" \
     -d '{"user_input":"什么是 LangGraph？"}'

或者在浏览器中打开 http://127.0.0.1:8000/docs —— FastAPI 会自动为你生成 Swagger UI！

这个交互式 UI 让你直接在浏览器中测试你的 endpoint。

6. 扩展与部署

为生产环境做准备的几个步骤：

  • • 异步执行：FastAPI 是异步原生的。对于多个 LLM 调用，让函数变成异步的。

  • • 工作进程：使用多进程运行以实现并发：

    uvicorn main:app --workers 4

  • • Docker 化：

    FROM python:3.11-slim
WORKDIR /app
COPY . .
RUN pip install -r requirements.txt
CMD ["uvicorn", "main:app", "--host", "0.0.0.0", "--port", "8000"]

  • • 认证：使用 API 密钥或 JWT tokens 来保护 endpoints（第二部分即将推出）。

7. 架构概览

以下是整体连接方式：

POST /run




Client
FastAPI
LangGraph
OpenAI_API
Response

这个简单的架构让你可以将任何 LangGraph 变成一个 API。

  1. 结论

通过几个简单的步骤，我们：

  • • 构建了一个 LangGraph 工作流
  • • 使用 FastAPI 将其暴露为 REST API
  • • 添加了生产就绪的功能（验证、重试、日志）
  • • 为可扩展的 AI 微服务奠定了基础

这个设置可以支持从聊天机器人到文档处理器再到 AI SaaS 产品的各种应用。

下一步是什么？

我计划推出本教程的第二部分，但我想听听你的意见。

👉 你希望我接下来讲哪一个？

  • • 流式响应（实时聊天）
  • • 认证与安全性
  • • Docker 与云部署
  • • 错误监控与可观察性

大模型算是目前当之无愧最火的一个方向了，算是新时代的风口！有小伙伴觉得，作为新领域、新方向人才需求必然相当大，与之相应的人才缺乏、人才竞争自然也会更少，那转行去做大模型是不是一个更好的选择呢？是不是更好就业呢？是不是就暂时能抵抗35岁中年危机呢？

答案当然是这样，大模型必然是新风口！

那如何学习大模型 ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。但是具体到个人，只能说是：

最先掌握AI的人，将会比较晚掌握AI的人有竞争优势。
这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

但现在很多想入行大模型的人苦于现在网上的大模型老课程老教材，学也不是不学也不是，基于此我用做产品的心态来打磨这份大模型教程，深挖痛点并持续修改了近100余次后，终于把整个AI大模型的学习路线完善出来！

在这里插入图片描述

在这个版本当中：

您只需要听我讲，跟着我做即可，为了让学习的道路变得更简单，这份大模型路线+学习教程已经给大家整理并打包分享出来, 😝有需要的小伙伴，可以 扫描下方二维码领取🆓↓↓↓

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全咨料，放心领取）👈

​

一、大模型经典书籍（免费分享）

AI大模型已经成为了当今科技领域的一大热点，那以下这些大模型书籍就是非常不错的学习资源。

在这里插入图片描述

二、640套大模型报告（免费分享）

这套包含640份报告的合集，涵盖了大模型的理论研究、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。(几乎涵盖所有行业)
在这里插入图片描述

三、大模型系列视频教程（免费分享）

在这里插入图片描述

四、2025最新大模型学习路线（免费分享）

我们把学习路线分成L1到L4四个阶段，一步步带你从入门到进阶，从理论到实战。

img

L1阶段:启航篇丨极速破界AI新时代

L1阶段：了解大模型的基础知识，以及大模型在各个行业的应用和分析，学习理解大模型的核心原理、关键技术以及大模型应用场景。

img

L2阶段：攻坚篇丨RAG开发实战工坊

L2阶段：AI大模型RAG应用开发工程，主要学习RAG检索增强生成：包括Naive RAG、Advanced-RAG以及RAG性能评估，还有GraphRAG在内的多个RAG热门项目的分析。

img

L3阶段：跃迁篇丨Agent智能体架构设计

L3阶段：大模型Agent应用架构进阶实现，主要学习LangChain、 LIamaIndex框架，也会学习到AutoGPT、 MetaGPT等多Agent系统，打造Agent智能体。

img

L4阶段：精进篇丨模型微调与私有化部署

L4阶段：大模型的微调和私有化部署，更加深入的探讨Transformer架构，学习大模型的微调技术，利用DeepSpeed、Lamam Factory等工具快速进行模型微调，并通过Ollama、vLLM等推理部署框架，实现模型的快速部署。

img

L5阶段：专题集丨特训篇 【录播课】

img

全套的AI大模型学习资源已经整理打包，有需要的小伙伴可以微信扫描下方二维码，免费领取

👉CSDN大礼包🎁：全网最全《LLM大模型学习资源包》免费分享（安全资料，放心领取）👈

​

# fastapi # 人工智能 # 自然语言处理 # RAG
Logo
2048 AI社区

有“AI”的1024 = 2048，欢迎大家加入2048 AI社区

更多推荐

cover

【必藏】企业知识库系统+大模型集成，可接入Deepseek从零到一构建智能知识问答平台

avatar 2048 AI社区

​​【本地化需求】FLUX.1 Kontext中文支持优化：解决“中英文指令效果差”的终极方案？​

​在AI绘画领域，FLUX.1 Kontext凭借其等核心优势，已成为众多创作者的“心头好”。但不少中文用户在实际使用时发现了一个“隐藏痛点”——​！比如输入“穿红色汉服的少女，站在樱花树下”，生成的角色可能变成“穿蓝色外套的路人”，甚至服装、场景都与中文描述无关；而同样的内容用英文指令（如“A girl in red Hanfu standing under cherry blossom tre

avatar 2048 AI社区

强大的开源文档问答工具-Kotaemon

Kotaemon是一个基于RAG架构的开源文档问答工具，支持与文档的智能交互。它采用模块化设计，整合了多种AI技术和向量数据库，提供混合检索、多模态处理和本地化部署能力。核心功能包括文档索引、智能问答和知识管理，适用于企业、教育和个人场景。项目优势在于可扩展的架构、直观的Web界面和丰富的开发者支持，但也面临资源消耗大、配置复杂等挑战。通过二次开发可增强分布式部署、多语言支持和安全功能，是构建定制

avatar 2048 AI社区