AI开发之LangGraph教程2~入门

概述这篇教程主打零基础上手带大家用 LangGraph 从零搭建一款自带上下文记忆、支持自定义工具调用的智能聊天机器人。我们都知道原生大语言模型 LLM 天生无状态、无记忆单独只能做简单单次问答既记不住多轮聊天上下文也没法自主完成数学计算、数据查询这类实操任务。而 LangGraph 就是专门解决这两个痛点的框架它可以给 LLM 搭建标准化工作流程、持久保存对话记忆、自动判断什么时候该调用外部工具、工具执行完再把结果交给大模型整理成自然语言回复。本教程会把所有底层关键知识点用大白话讲透包含状态、归约函数、状态图、节点、实线普通边、虚线条件边、工具绑定、条件分支判断、多轮对话记忆原理同时提供完整可运行代码学完就能理解 LangGraph 智能体的核心底层逻辑。一、前置必懂基础知识点1. LLM 核心短板大模型本身没有任何记忆存储能力每一次问答都是独立全新的一次运算。它不会主动保存聊天记录、记不住上一轮对话想要实现连贯聊天必须每次请求都把完整历史消息全部发给大模型。2. LangGraph 核心五大基础概念State 状态可以理解成机器人的专属记事本专门用来存放全局数据本项目里主要存所有轮次的聊天消息。Reducer 归约函数用来规定状态数据的更新规则。本项目用的add_messages是官方内置归约器规则是新消息追加到列表末尾绝不覆盖旧聊天记录这是实现多轮记忆的核心。StateGraph 状态图整个机器人的流程总设计师负责把一个个功能节点串联起来规定先执行谁、后执行谁、遇到分支该怎么走。Node 节点独立的功能执行单元相当于机器人的一个个 “工种”chatbot节点负责调用大模型生成思考和回复tools节点负责执行具体的工具函数加法、乘法计算Edge 边分两种对应流程图实线、虚线实线 普通无条件边代码里add_edge()创建是固定必走流程没有选择余地走完这个节点必然跳到下一个指定节点。比如程序启动必然进聊天节点、工具执行完必然跳回聊天节点。虚线 条件分支边代码里add_conditional_edges()创建是二选一判断流程。由自定义判断函数should_continue决定走向大模型需要调用工具就走工具节点只是普通闲聊就直接结束对话。3. 工具调用是什么大模型擅长语言理解但不擅长精准数学计算、实时数据查询等硬性任务。我们可以自定义工具函数交给大模型调用大模型会自动识别用户需求、自动触发工具、框架自动执行运算最后把结果整理成人话回复用户。本教程内置两个工具三数连加、三数连乘。二、项目整体运行流程完整流程图逻辑START 程序入口→ 【实线】→chatbot 聊天节点→ 【虚线条件分支】分支一无需工具 → 直达END流程结束分支二需要工具 → 【虚线】→tools 工具节点→ 【实线】→ 回流到chatbot聊天节点由大模型整理工具结果后再结束流程三、安装依赖运行代码前先安装必备库pip install -U langgraph langchain-openai typing-extensions四、完整可运行代码from typing import Annotated from typing_extensions import TypedDict from langchain_openai import ChatOpenAI from langchain_core.tools import tool from langgraph.graph import StateGraph, START, END from langgraph.graph.message import add_messages from langgraph.prebuilt import ToolNode # 自行替换个人API配置 API_KEY 请填入自己的大模型API密钥 BASE_URL https://dashscope.aliyuncs.com/compatible-mode/v1 MODEL_NAME qwen3.6-plus # 自定义工具函数 tool def add_three_numbers( a: Annotated[int, 第一个数], b: Annotated[int, 第二个数], c: Annotated[int, 第三个数] ) - int: 将三个数相加并返回结果。 result a b c print(f[Tool] 计算 {a} {b} {c} {result}) return result tool def multiply_three_numbers( a: Annotated[int, 第一个数], b: Annotated[int, 第二个数], c: Annotated[int, 第三个数] ) - int: 将三个数相乘并返回结果。 result a * b * c print(f[Tool] 计算 {a} * {b} * {c} {result}) return result # 定义全局状态 class State(TypedDict): 定义图的状态结构。 messages: 消息列表使用 add_messages 归约器 - 作用新消息追加到列表不覆盖历史对话 - 解决LLM无状态短板实现多轮聊天记忆 messages: Annotated[list, add_messages] # 定义节点功能函数 def chatbot(state: State): 聊天机器人节点 把完整的历史对话消息全部传给LLM获取模型响应 return {messages: [llm.invoke(state[messages])]} def should_continue(state: State) - str: 条件判断函数控制虚线分支走向 检测最后一条模型回复是否携带工具调用指令 - 有工具调用返回 tools走工具节点 - 无工具调用返回 END直接结束对话 messages state[messages] last_message messages[-1] if hasattr(last_message, tool_calls) and last_message.tool_calls: return tools return END # 搭建状态图工作流 # 注册可用工具列表 tools [add_three_numbers, multiply_three_numbers] # 初始化大模型并绑定自定义工具 llm ChatOpenAI( modelMODEL_NAME, base_urlBASE_URL, api_keyAPI_KEY, temperature0, timeout60, request_timeout60 ).bind_tools(tools) # 创建状态图构建器 graph_builder StateGraph(State) # 向图中添加两个核心节点 graph_builder.add_node(chatbot, chatbot) graph_builder.add_node(tools, ToolNode(tools)) # 添加实线普通边固定流程跳转 graph_builder.add_edge(START, chatbot) graph_builder.add_edge(tools, chatbot) # 添加虚线条件边二一分支判断 graph_builder.add_conditional_edges(chatbot, should_continue, {tools: tools, END: END}) # 编译状态图生成可执行程序 graph graph_builder.compile() # 辅助工具函数 def display_graph(): 控制台打印ASCII版流程图直观查看实线虚线结构 try: print(\n图结构:) print(graph.get_graph().draw_ascii()) except Exception: pass def stream_graph_updates(user_input: str): 流式接收用户输入执行图流程并输出回复 for event in graph.stream({messages: [(user, user_input)]}): for node_name, value in event.items(): if node_name chatbot: if messages in value: last_msg value[messages][-1] if hasattr(last_msg, content) and last_msg.content: print(f助手: {last_msg.content}) # 主交互程序 def main(): print( * 60) print(LangGraph 入门实战带工具调用的智能聊天机器人) print(模型: 阿里云通义千问) print( * 60) display_graph() print(\n可用工具:) print( - add_three_numbers: 三个数连加计算) print( - multiply_three_numbers: 三个数连乘计算) print(\n输入 quit / exit / q 即可退出程序) print( * 60 \n) while True: try: user_input input(用户: ).strip() if user_input.lower() in [quit, exit, q]: print(再见!) break if not user_input: continue stream_graph_updates(user_input) print() except KeyboardInterrupt: print(\n再见!) break except Exception as e: print(f发生错误: {e}) if __name__ __main__: main()五、逐模块核心知识点精讲1. 工具函数模块tool装饰器把普通 Python 函数标记为大模型可识别的工具大模型能自动读取函数说明、参数含义Annotated注解给参数加文字描述方便大模型理解每个参数该填什么内容工具内部实现具体业务逻辑专门处理大模型不擅长的精准计算。2. 状态 State 模块TypedDict固定状态的数据结构规定只能有messages这一个字段messages: Annotated[list, add_messages]第一层list对话消息用列表存储第二层add_messages归约函数强制新消息追加不覆盖保住全程聊天记忆。3. chatbot 聊天节点每次执行都会把state[messages]完整历史消息一次性传给 LLM正因为 LLM 无状态只有传全部历史模型才能看懂上下文、连贯回复。4. should_continue 条件判断函数专门用来匹配流程图虚线分支读取模型最后一条回复判断有没有tool_calls工具调用标记有标记就走工具节点没标记直接结束对话是整个分支流程的核心控制器。5. 状态图搭建bind_tools(tools)把自定义工具绑定给大模型让模型知道自己有哪些技能可以调用ToolNodeLangGraph 内置工具节点不用自己写执行逻辑自动解析工具调用、执行函数、返回结果实线边固定流转虚线边动态判断流转组合成完整智能体工作流。六、运行实测三种场景普通闲聊走虚线直达 END用户你好介绍一下自己助手直接文字回复不触发任何工具流程直接结束。三数乘法触发工具分支用户计算 4 乘以 6 乘以 7框架自动走虚线跳到工具节点执行乘法运算再实线回流到聊天节点大模型整理结果后回复。多轮带记忆对话第一轮问加法第二轮接着问 “再算一遍”机器人能记住上一轮数字依靠 State add_messages 实现上下文关联。七、核心知识点总结LangGraph 用State add_messages 归约器补齐 LLM 无状态缺陷实现多轮对话记忆实线普通边是固定流程虚线条件边是智能判断分支工具调用完整闭环用户提问→模型识别需求→触发工具→执行运算→返回模型→整理自然语言回复所有节点、流程、分支都由 StateGraph 统一编排结构清晰方便后期扩展更多工具、更多分支逻辑。