版权所有，免费学习，禁止抄袭，举报有奖。
LangGraph开发AI Agent实践（人工智能技术丛书）【行情 报价 价格 评测】-京东
这本书示例案例非常丰富，配套下载资源中还赠送了邓立国Agent开发入门必读书《AI Agent智能体开发实践》的配套源码与全文试读。
所有示例和案例代码都能正确运行，有问题找书中配套的读者微信群。
学习LangGraph架构开发，不要弄得很复杂，先搭建开发环境，把本书所有示例案例都运行正确，再回头记下书中的LangGraph架构原理、实战案例的业务需求与实现方法。
内容简介、前言
第1篇 基础篇
第1章 LangGraph基础技术 2
LangGraph作为LangChain生态体系下的图结构智能体开发框架，核心定位是为复杂多步骤智能体任务提供高效的流程建模与执行能力。其核心设计思路是通过可视化的节点（智能体功能单元）与边（任务流转逻辑）组合，实现智能体的状态管控、分支决策及循环执行，完美适配智能体开发中推理链优化、复杂任务拆解、多智能体协同等核心场景。与传统的智能体开发框架相比，LangGraph的核心竞争力体现在动态工作流编排、状态持久化存储及多智能体协作效率上，其关键技术组件包含节点（功能落地载体）、边（逻辑控制核心）、状态（数据缓存中心）与条件分支（智能决策机制）。相较于侧重线性流程的LangChain、侧重数据索引的LlamaIndex等框架，LangGraph在智能体复杂流程管控、动态适配能力及多智能体协同效能上具备显著优势，为智能体从原型开发到生产部署提供了全流程技术支撑。
1.1
1.2
1.3
1.4
1.5 本章小结 8
本章从智能体开发视角，对LangGraph框架的基础技术进行了系统阐述，明确了其作为LangChain生态下图结构智能体框架的核心定位—以图结构为技术核心，专为解决智能体复杂多步骤任务而设计，通过节点、边、状态、条件分支四大核心组件的协同工作，实现智能体的动态流程管控、状态持久化与多智能体协同。
本章重点分析了LangGraph在智能体开发中的核心技术优势，包括持久化执行、人机协同、全维度记忆管理、可视化调试等，这些优势使其能够有效解决智能体开发中的状态管理、流程管控、故障排查等核心痛点，适配多样化的智能体应用场景。同时，详细介绍了LangGraph的图架构组件、监控干预组件、工具集成组件的功能与应用，为智能体的技术实现提供了清晰的组件参考。
通过与CrewAI、OpenAI Swarm两款主流智能体框架的对比，明确了LangGraph的差异化优势与适用场景，为开发者的技术选型提供了实用参考。本章内容为后续基于LangGraph进行智能体开发、流程建模、组件集成及生产部署，奠定了坚实的理论基础与技术支撑。
第2章 开发环境搭建 9
任何希望将AI Agent落实到具体项目，首先要解决“用什么写”和“怎么写”这两个问题。在本章中，我们将指导读者完成Agent开发环境搭建，内容包括Miniconda的安装、PyTorch的安装、PyCharm的安装、LLM（阿里云百炼Qwen3）的调用以及创建一个基础聊天机器人。通过这些内容的讲解，读者将掌握Agent开发环境的搭建方法。
2.2
2.3
2.4 本章小结 26
本章系统地介绍了大模型Agent开发的环境配置，为解决“用什么写”和“怎么写”奠定了基础。本书选用Python3作为核心语言，因其具备成熟的科学计算生态、与主流深度学习框架的深度集成以及低教学成本三大优势。为克服原生Python的环境管理难题，本章推荐使用Miniconda发行版，其开箱即用的科学计算库、强大的环境隔离能力和跨平台一致性为开发提供了极大便利。随后，本章还阐述了PyTorch框架因其动态计算图带来的灵活性与高效性。
通过指导读者完成从Miniconda安装、PyTorch环境安装、PyCharm安装与使用，到Qwen3模型在线API调用等全流程，本章旨在让读者初步掌握搭建一个功能完备且高效的Agent开发环境的具体方法，为后续的开发铺平道路。
最后实现一个基础聊天机器人：基于LangGraph搭建状态机框架，定义对话状态与节点，对接DeepSeek模型构建基础对话流程。通过这个简洁示例，清晰呈现了从环境搭建到功能落地的完整流程，帮助读者快速掌握LangGraph集成大模型开发聊天机器人的核心方法。
第3章 构建带工具与记忆功能的聊天机器人 27
在本章中，我们将通过添加工具使用能力来增强上一章最后实现的基础聊天机器人，使其能够访问外部信息源，回答更广泛的问题。同时，为了构建有状态、可持续交互的智能体核心能力，我们将使用LangGraph的MemorySaver类，在这个基础聊天机器人中实现轻量级、可持久化的状态记忆功能，使其能自动保存对话历史、执行步骤、状态数据，让智能体记住用户信息、上下文和执行结果，彻底解决无记忆交互的碎片化问题。
3.1 环境准备 27
3.2 实战案例：使用工具和记忆增强 28
3.3 案例代码解析 30
3.4 本章小结 33
通过本章学习，掌握LangGraph工具调用与记忆功能的使用方法，同时学会Qwen-plus与LangGraph的适配技巧，解决“国产大模型+工具调用+有状态交互”的开发需求。
在本章实战案例中，我们成功地增强了聊天机器人，使其具备了使用外部工具的能力。通过集成Tavily搜索API，我们的聊天机器人现在可以：自动调用搜索工具获取相关信息，处理搜索结果并生成基于这些信息的回答。这种增强极大地扩展了聊天机器人的能力范围，使其不再局限于模型的训练数据。
记忆功能是构建企业级智能体的必备能力，后续可基于此扩展持久化记忆、长文本记忆、多智能体共享记忆等高级功能，同时可灵活切换其他国产大模型，无须重构记忆相关代码。
第4章 构建自定义RAG检索Agent 35
在前3章中，我们已经系统学习了LangGraph的核心原理、基础架构、核心组件及开发环境搭建，明确了解决大模型“知识过时、幻觉生成”问题的核心价值，以及LangGraph在构建多步骤、状态化AI智能体中的独特优势。
本章将立足实战，从零开始构建一个可直接运行、可扩展的自定义RAG检索智能体，把前两章的理论知识转化为实际应用。通过本章节的学习，你将掌握文档加载、文本分割、向量嵌入与存储的完整流程，熟练运用LangGraph的Graph API（状态、节点、边、条件边）定义智能体的执行逻辑，最终实现一个能够“智能判断是否需要检索、按需调用知识库、精准生成回答”的RAG智能体。
本章核心目标：
- 掌握RAG检索智能体的完整技术栈与实现流程。
- 熟练运用文档加载器、文本分割器、嵌入模型与向量存储构建私有知识库。
- 深入理解LangGraph核心组件（状态、节点、边、条件边）的实战应用。
- 独立完成自定义RAG检索智能体的开发、测试与优化。
本章适合具备基础Python编程能力、了解LangChain与LangGraph基础概念的读者，所有代码均提供完整注释与运行说明，可直接复制调试，同时兼顾理论讲解与实战细节，帮助读者夯实技术基础。
4.1 核心概念与环境准备 35
4.1.1 核心概念 36
4.1.2 环境准备 36
4.2 从零构建自定义RAG检索Agent 37
4.2.1 步骤1：导入依赖与初始化配置 38
4.2.2 步骤2：构建私有知识库（PDF文档加载与向量存储） 43
4.2.3 步骤3：定义LangGraph状态（State） 44
4.2.4 步骤4：定义LangGraph节点（Node） 45
4.2.5 步骤5：构建LangGraph流程图（边+条件边） 49
4.2.6 步骤6：运行Agent并测试 52
4.3 代码运行说明与常见问题排查 56
4.4 核心知识点实战落地对应表 57
4.5 扩展优化方向 58
4.6 本章小结 59
本章围绕基于LangGraph构建自定义RAG检索智能体展开实战，从理论复盘、环境准备、分步开发，到问题排查、扩展优化，完整覆盖了RAG智能体的开发全流程，实现了从“理论认知”到“实战落地”的跨越。
通过本章实战，读者不仅掌握了RAG核心流程（文档加载→文本分割→向量存储→检索→生成）的具体实现方法，还熟练运用了LangGraph的State、Node、Edge、Conditional Edge等核心组件，构建了具备智能决策能力的状态化AI智能体。同时，本章针对通义千问Qwen模型的适配、依赖版本的兼容性、常见问题的排查等细节进行了详细说明，确保读者能够顺利完成代码调试与运行。
读者需要重点掌握以下核心要点。
- RAG与LangGraph的联动逻辑：LangGraph通过状态管理和节点决策，实现RAG流程的智能化调度，解决了传统RAG流程固定、缺乏灵活性的问题。
- 核心组件的实战落地：每个组件（如文本分割器、向量存储、LangGraph节点）的参数配置和代码实现，需结合实际场景灵活调整，确保智能体的性能和准确性。
- 问题排查能力：掌握API密钥、依赖版本、PDF加载、向量库等常见问题的排查方法，是实战开发中不可或缺的能力。
- 扩展优化思维：基础版本的智能体可根据生产需求，从模型、知识库、功能、部署四个维度进行优化，提升智能体的实用性和可扩展性。
本章的实战成果是一个可直接运行、可扩展的RAG检索智能体，读者可在此基础上，结合自身需求（如多文档检索、多轮对话、生产部署）进行二次开发，真正将RAG与LangGraph技术应用到实际项目中。下一章，我们将进一步探索LangGraph的高级用法，实现更复杂的多智能体协作场景，提升AI智能体的能力边界。
第2篇 开发篇
第5章 构建智能体工作流 62
在智能体系统中，工作流（Workflow）是任务执行的骨架，决定了信息如何在不同组件（如LLM、工具、记忆模块、其他智能体）之间流转。LangGraph作为基于状态图（State Graph）的工作流构建框架，支持从简单线性流到复杂多智能体协同系统的灵活建模。本章将以DeepSeek和Qwen作为大语言模型（LLM），系统讲解三类典型的LangGraph工作流的设计方法，涵盖线性工作流设计、非线性工作流（分支与动态路由）以及多智能体协作模式三个核心部分。
5.1
5.1.1 技术背景与核心概念 62
5.1.2 环境依赖 63
5.1.3 线性工作流设计的核心步骤 64
5.1.4 进阶优化与扩展 67
5.1.5 文档摘要工作流的完整程序实现 68
5.2
5.2.1 LangGraph非线性工作流核心概念解析 72
5.2.2 环境准备 73
5.2.3 技术详解与案例实现 73
5.2.4 非线性工作流完整案例实现 79
5.3
5.3.1 多智能体协作原理 83
5.3.2 多智能体协作核心组件 85
5.3.3 多智能体协作模式分类 85
5.3.4 实战案例：多智能体数据分析协作系统 86
5.3.5 进阶扩展：决策调度模式优化（可选） 90
5.3.6 多智能体数据分析协作系统实现 92
5.4 本章小结 100
LangGraph提供了强大的多智能体协作框架，通过图结构组织复杂的交互逻辑，支持状态管理和检查点机制，适合构建需要多步骤、多角色协作的智能应用。本章的多智能体数据分析协作系统案例展示了如何设计智能体协作系统，构建一个自动化数据分析系统，包含4个智能体，协作完成用户需求→数据获取→分析→可视化→报告生成的全流程。
在实际应用中，可以根据具体需求调整智能体数量、交互逻辑和状态结构，构建更复杂的智能体协作系统。
第6章 集成外部工具与API 101
LangGraph作为LangChain生态下的图结构智能体框架，核心优势在于通过状态管理和节点流转实现复杂任务的分步执行，其与外部工具/API的集成是扩展智能体能力边界的关键。本章基于DeepSeek/Qwen LLM，结合完整的实战案例，详解RESTful API调用、数据库操作、自定义工具开发三个核心技术点。
6.1
6.1.1 调用RESTful API：与外部服务交互 102
6.1.2 天气查询（调用OpenWeatherMap API） 103
6.1.3 天气查询程序代码解析 107
6.2
6.2.1 数据库连接与操作：结构化数据交互 115
6.2.2 案例：用户信息管理（MySQL数据库操作） 116
6.2.3 案例代码解析 129
6.3
6.3.1 自定义工具开发：满足个性化需求 134
6.3.2 自定义工具开发案例：实时多工具协同智能助手 135
6.3.3 案例代码解析 144
6.4 本章小结 155
本章聚焦LangGraph框架与外部工具、API的集成方法，揭示了这一集成对拓展智能体能力边界的核心价值。LangGraph依托状态管理和节点流转实现复杂任务分步执行，本章基于DeepSeek/Qwen大语言模型，从三大核心技术维度展开系统讲解：首先，围绕RESTful API调用，以OpenWeatherMap天气查询为例，详解了智能体与外部服务的交互逻辑及对应Python代码实现；其次，针对数据库操作，结合MySQL用户信息管理案例，阐述了结构化数据的交互方法；最后，聚焦自定义工具开发，通过实时多工具协同智能助手案例及代码解析，说明如何满足个性化业务需求。本章内容兼具技术原理与实操案例，清晰呈现了LangGraph集成外部工具的核心流程，为基于该框架开发功能丰富的智能体应用提供了可落地的技术参考。
第7章 状态管理与持久化 156
LangGraph作为面向多智能体、工作流编排的图计算框架，核心优势在于显式的状态管理和可中断/可恢复的执行能力。本章将从状态机实现、存储方案、异常恢复三个核心维度展开技术解析，并结合通义千问（Qwen）实现可运行的实战案例。
7.1.1 技术详解 156
7.1.2 实战案例：智能客服对话状态机 157
7.1.3 案例代码解析 161
7.2.1 本地与云端存储方案技术详解 164
7.2.2 实战案例：本地文件存储+阿里云OSS云端存储 165
7.2.3 案例代码解析 186
7.3.1 异常恢复与断点续跑技术详解 188
7.3.2 实战案例：带异常恢复的数据分析工作流 189
7.3.3 案例代码解析 193
7.4 本章小结 196
本章围绕LangGraph的状态管理与持久化核心能力展开，系统解析了三大关键模块。状态机实现作为基础，依托StateGraph、节点、边等核心组件，通过TypedDict定义状态载体，实现增量更新与确定性执行，案例中构建的智能客服对话状态机直观呈现了这一逻辑。本地与云端存储方案通过Checkpointer机制实现状态持久化，本地文件存储适配开发调试，云端OSS、Redis等方案满足分布式生产需求，写作助手案例（即7.2.2小节实现的案例）验证了双存储方案的实用性。异常恢复与断点续跑基于检查点快照实现，支持异常捕获与精准恢复，数据分析工作流案例展示了从异常模拟到修复续跑的完整流程。这三者协同保障了LangGraph在长流程、分布式场景下的稳定性与可靠性，为多智能体工作流编排提供了坚实的状态支撑，案例均结合通义千问实现，具备较强的落地适配性。
第8章 智能体（Agent）集成 197
本章将详细讲解LangChain Agent集成到LangGraph中的方法、构建智能体主管、实现多智能体协作，以及处理工具调用与输出解析，并提供基于通义千问（Qwen）的、可运行的实战代码。
8.1.1 技术详解 197
8.1.2 实战案例：财务分析Agent节点 198
8.1.3 案例代码解析 201
8.2.1 技术详解 202
8.2.2 实战案例：多领域智能体主管 203
8.2.3 案例代码解析 208
8.3.1 技术详解 210
8.3.2 实战案例：电商客服多智能体协作 210
8.3.3 案例代码解析 216
8.4.1 技术详解 217
8.4.2 实战案例：智能工具调用与输出解析 218
8.4.3 案例代码解析 224
8.5 本章小结 226
本章围绕LangGraph版本智能体集成展开，系统阐述四大核心技术方向及实践路径。
首先，将LangChain Agent封装为LangGraph特殊节点，核心在于统一状态结构适配输入输出，实现Agent功能与图工作流的无缝融合；其次，智能体主管作为多智能体系统核心，通过任务分类、分发与结果汇总，依托LLM实现智能决策，提升系统扩展性；再次，多智能体协作工作流需明确职责边界与依赖关系，通过状态共享实现任务拆分与结果整合，支持串行或并行协作模式；最后，工具调用与输出解析需标准化工具定义，借助容错解析器保障参数提取准确性，将结构化输出转换为友好的自然语言。
整体而言，本章通过基于通义千问的可运行案例，构建了从单Agent集成到多Agent协作、从工具调用到结果呈现的完整技术体系，为复杂智能体系统开发提供了实用框架与实践参考。
第3篇 实战应用篇
本项目旨在构建一个多智能体协作式客户支持聊天机器人，基于LangGraph构建状态化、可追踪、可调试的工作流，利用通义千问（Qwen）作为核心大语言模型（LLM）提供语义理解与生成能力，并通过Gradio提供直观的Web交互界面。
9.1 需求分析与工作流设计 228
9.2 架构设计 229
9.3 初始化模型 231
9.4 构建图结构~定义节点的逻辑 232
9.5 连接节点～转向边缘 234
9.6 LangSmith追踪 235
9.7 聊天机器人项目完整实现 237
9.8 本章小结 244
本章实现了一个基于LangGraph与通义千问（Qwen-Turbo）的无递归客户支持聊天机器人系统。系统采用状态驱动的有向图架构，将对话流程清晰划分为意图识别、分类处理与响应生成三个阶段。通过定义SupportState统一管理对话状态，并封装5个职责单一的节点函数（意图识别、FAQ回答、技术问题处理、投诉响应、转人工），确保逻辑解耦与可维护性。节点间通过条件边实现动态路由：意图识别结果决定后续处理路径，所有路径最终单向终止于END节点，避免循环，保障单次推理的安全性与确定性。系统深度集成LangSmith追踪能力，通过环境变量全局启用追踪，并在图执行时使用tracing_v2_enabled上下文管理器，实现对完整执行链路（包括输入、状态变更、模型调用）的自动记录，为调试、监控与效果评估提供可视化支持。前端采用Gradio快速构建交互界面，结合DashScope云端大模型API，实现低延迟、低成本的智能客服响应。整体设计体现了模块化、可观测、可扩展的工程思想，为多智能体协作与复杂工作流系统奠定了坚实基础。
本章将实现基于LangGraph构建一个具备多轮交互、工具集成、记忆机制的旅行规划助手智能体，LLM使用通义千问，并用Gradio实现Web交互界面，提供可落地的完整项目实现方案。
10.1 核心技术栈 245
10.2 核心功能模块 246
10.3 LangGraph状态机设计 247
10.4 技术实现架构 247
10.5 实现基础LangGraph对话流，支持简单行程生成 251
10.6 集成至少3个外部工具（天气、酒店、景点） 262
10.7 添加记忆机制与用户偏好存储 269
10.8 智能体完整实现程序 274
10.9 本章小结 295
本章围绕旅行规划智能体的核心实现展开，完整搭建了一套基于LangGraph状态机的智能行程生成系统。在核心层面，通过定义TravelPlanState状态字典实现对话流的状态驱动流转，结合通义千问LLM完成行程的个性化生成，同时封装高德地图API实现天气、酒店、景点三类实时数据的获取，覆盖全量地级市的城市识别与数据适配。
在技术架构上，系统采用分层设计，从Gradio交互层到LangGraph状态机层、LLM层、工具执行层、API对接层及数据存储层，各模块解耦且具备容错机制，如API调用超时/失败时的降级策略、LLM响应异常时的默认行程返回。在交互能力上，支持行程修改与多轮对话，通过user_id实现会话隔离，复用工具调用结果与历史状态；同时基于SQLite构建用户偏好存储模块，持久化保存出行风格、预算等信息，实现跨会话的个性化适配。
整体而言，该系统兼顾了功能性与健壮性，既通过动态 API 调用保证行程数据的实时性，又借助状态机与记忆机制优化多轮交互体验，为智能旅行规划场景提供了可扩展、高容错的技术实现方案。
该项目面向电商平台的退款客服场景，旨在构建一套自动化+人工审核相结合的智能退款处理系统，解决传统退款流程中人工成本高、处理效率低、规则执行不统一的问题。
11.1 开发环境 297
11.2 LLM调用 297
11.3 项目架构设计 299
11.3.1 config/settings（配置模块） 299
11.3.2 tools/（外部工具调用模块） 300
11.3.3 agents/（智能体核心模块） 301
11.3.4 graph/（LangGraph定义） 302
11.3.5 Interface/（交互界面） 305
11.3.6 main.py（项目入口） 306
11.4 案例综合实现 307
11.5 本章小结 316
本章围绕电商客服退款处理场景，构建了基于LangGraph 1.0.5与通义千问的智能体系统，实现了退款请求的自动化解析、流程路由、工具调用与人机协同处理。
在环境层面，项目基于Python 3.10+搭建，核心依赖LangGraph 1.0.5实现工作流管理、Gradio提供Web交互、DashScope对接通义千问LLM，通过requirements.txt统一依赖版本，确保跨环境兼容性。LLM调用采用.env文件管理API密钥，结合降级方案，无有效密钥时仍可通过模拟数据运行，提升项目可用性。
在框架设计上，采用模块化架构，分为配置、工具、智能体、工作流、交互界面五大核心模块。通过LangGraph的TypedDict状态定义与节点化设计，串联起请求解析、流程路由、工具调用、人工审核、方案生成全流程，实现“自动处理+人工干预”的灵活分支逻辑，既保证简单退款的高效自动化，又兼顾复杂场景的可控性。
项目实施以解决电商退款客服痛点为核心，通过标准化规则与LLM语义理解能力，降低人工处理成本、统一退款决策标准。最终实现小额未发货请求全自动处理、大额/已发货请求人工审核、不合规请求直接拒绝的分层处理模式，既提升了退款处理效率，又优化了用户与客服的双向体验，为电商平台客服智能化升级提供了可落地的解决方案。
本项目是一套基于LangGraph框架构建的智能股票分析系统，集成了实时行情获取、技术指标计算、LLM分析预测、可视化图表生成等能力，通过Gradio提供友好的交互界面，可用于金融教学演示或个人投资辅助分析。
12.1 项目概述 318
12.2 开发环境 319
12.3 LLM调用与配置方案 320
12.4 项目架构设计 321
12.5 智能体核心模块（LangGraph定义） 323
12.6 交互界面与项目入口 324
12.7 项目扩展 324
12.8 项目落地 325
12.9 股票趋势预测智能分析系统 325
12.10 本章小结 335
本章围绕LangGraph股票分析智能体项目展开，系统讲解了从项目设计、环境搭建到功能实现与落地的全流程。该项目以“自动化股票技术分析与可视化”为核心目标，基于LangGraph框架构建模块化智能体工作流，整合数据采集、指标计算、LLM分析、可视化展示等功能，为用户提供低门槛的股票分析工具，兼具技术实践与教学参考价值。
在开发层面，本章详细梳理了Python基础环境配置与核心依赖安装，重点解决了LangGraph状态管理（采用TypedDict适配字典格式要求）、LLM调用（阿里云百炼HTTPAPI封装）等关键问题，通过节点函数解耦实现单一职责，以线性工作流串联数据采集到报告生成的全环节。
在架构设计上，项目采用分层架构模式，从底层的配置依赖层、支撑性的工具调用层，到核心的智能体编排层，再到顶层的Gradio交互层，各模块职责清晰、协同高效。同时，本章提供了架构设计图、部署方案及扩展方向，为项目迭代优化（如多市场支持、量化策略集成）提供指导。
项目扩展性上，可从功能增强和性能优化的角度进行扩展：
1. 功能增强
- 多市场支持：新增港股、美股数据采集接口，适配不同市场的股票代码规则。
- 多指标扩展：添加MACD、KDJ、布林带等更多技术指标的计算。
- 量化策略集成：加入均线金叉死叉、RSI超买超卖等量化策略的判断逻辑。
- 历史回测功能：支持指定时间区间的历史数据回测，验证分析模型的有效性。
- 多模型支持：集成多个LLM模型（如Claude、GPT-3.5），实现多模型对比分析。
2. 性能优化
- 缓存机制：对已采集的股票数据进行本地缓存，避免重复请求。
- 异步优化：将LangGraph工作流改为异步执行，提升并发处理能力。
- 模型本地化：部署本地开源大模型（如Llama 3、Qwen-7B），脱离对云端API的依赖。
通过本章学习，不仅能够掌握LangGraph智能体开发的核心方法，还能理解LLM与外部工具（数据采集、可视化）的集成逻辑，形成了可复用的金融领域智能应用开发模板，为后续复杂智能体项目实践奠定基础。
来自 “ ITPUB博客 ” ，链接：https://blog.itpub.net/18841117/viewspace-3181284/ ，如需转载，请注明出处，否则将追究法律责任。
