LangChain的升级版：用 LangGraph 打造AI Agent 助手

最新推荐文章于 2025-07-18 10:51:15 发布

黑夜路人（heiyeluren）

最新推荐文章于 2025-07-18 10:51:15 发布

阅读量1k

点赞数 19

CC 4.0 BY-SA版权

分类专栏： AI人工智能文章标签：人工智能 langchain

本文链接：https://blog.csdn.net/heiyeshuwu/article/details/147285955

AI人工智能专栏收录该内容

44 篇文章

订阅专栏

作为LangChain的升级版，LangGraph主要是能够处理更复杂场景的大模型交互，为Agent助力，本文快速告诉如何使用LangGraph。

1. LangGraph是什么

想象一下，你正在搭建一个乐高积木城堡。如果只用基础积木块，你确实能搭出一个简单的结构。但如果你想要一个有护城河、吊桥和多个塔楼的复杂城堡，那么仅靠随意堆叠积木是很难实现的——你需要一个设计图和一些特殊的连接件。

在AI应用开发中也是如此。当我们只需要一个简单的AI助手回答问题时，用传统的方法就够了。但当我们想要构建一个能够思考、记忆、使用工具、甚至与人类协作的复杂AI系统时，我们就需要更强大的框架——这就是LangGraph的用武之地。

1.1 LangGraph：AI应用的"乐高高级版"

LangGraph就像是AI开发的"乐高高级版"，它让你能够轻松地将不同的AI组件（比如大语言模型、搜索工具、数据库等）连接起来，形成一个复杂但有序的系统。在这个系统中：

每个组件就像一个乐高积木，可以独立工作
组件之间的连接方式是可以自由设计的，甚至可以形成循环
系统会记住之前的状态和历史，就像人类记忆一样
整个流程可以精确控制，确保AI按照我们期望的方式工作

换句话说，LangGraph是一个让复杂AI系统变得可行且可控的工具包，特别适合那些需要AI完成多步骤、需要记忆和推理的复杂任务。

1.2 LangGraph和LangChain：一家人但分工不同

如果你了解AI开发，可能听说过LangChain。那么LangGraph和LangChain是什么关系呢？它们其实是"一家人"，都来自同一家公司（LangChain Inc.），但它们的职责不同。

想象一个厨房：LangChain提供各种厨具和食材（如锅、刀、肉、菜等基础组件），而LangGraph则是菜谱和烹饪流程的设计者，告诉你如何组合这些工具和食材，按什么顺序操作，何时需要循环尝试等等。

它们的主要区别是：

特点	LangChain	LangGraph
主要功能	提供各种AI组件和集成	设计AI组件之间的协作和流程
适合做什么	简单的问答、搜索、数据处理	复杂的多步骤任务、多智能体系统
控制精度	较粗（像积木的搭建）	更精细（像电路的设计）
状态管理	基础的状态传递	完整的状态管理系统
使用难度	对初学者友好	需要一定的设计思维

简单来说：LangChain提供了积木，LangGraph告诉你如何把这些积木连接成复杂而有序的系统。它们不是替代关系，而是互补关系，通常会一起使用。

2. LangGraph能做什么

2.1 LangGraph的杀手锏功能

LangGraph比普通的AI框架强在哪里？它有几个独特的优势：

1. 循环思考能力：普通的AI系统像流水线一样单向运行，而LangGraph支持循环，允许AI多次思考、改进答案，就像人类解决复杂问题时会反复思考一样。

2. 状态记忆：LangGraph能保持对话的上下文和状态，不会"健忘"，这对长期交互至关重要。想象一下，你的AI助手能记住一周前的对话细节！

3. 精细控制：就像游戏手柄上的精确按键，LangGraph让你能精确控制AI的每一步行为，而不是简单地"一键生成"。

4. 人机协作：LangGraph设计了智能的人机协作机制，AI可以起草内容让人类审核，或者在关键决策点请求人类帮助。

5. 多智能体协作：如果把AI比作工人，LangGraph就像是一个让多个专业工人高效协作的工厂主管，每个"工人"负责自己擅长的部分。

2.2 真实世界中的应用案例

LangGraph并不是纸上谈兵，它已经在多个大公司得到了应用，带来了显著的效果提升：

LinkedIn的AI招聘助手：使用LangGraph构建的这个系统，能通过自然对话帮助招聘人员找到最匹配的候选人，大大提高了招聘效率。

Uber的代码助手：Uber用LangGraph建立了一个AI代码助手网络，自动处理大规模代码迁移和测试生成，让程序员专注于更有创造性的工作。

Klarna的客服机器人：基于LangGraph的AI客服为8500万用户提供支持，将问题解决时间缩短了80%！想象一下，原本需要50分钟解决的问题，现在只需10分钟。

AppFolio的决策助手：房产管理公司AppFolio的AI助手帮助管理者做出更快、更准的决定，准确率提高了2倍，每周节省10多小时的工作时间。

这些案例表明，LangGraph不只是一个技术玩具，而是能在实际业务中创造巨大价值的工具。无论是客服、内容创作、决策支持还是流程自动化，LangGraph都能显著提升效率和质量。

3. LangGraph怎么工作

3.1 图结构：AI的"路线图"

LangGraph的核心是"图"的概念，但这不是我们平常说的图表，而是一种表示连接关系的数学结构。想象一个城市的地铁线路图：

每个站点是一个"节点"（在LangGraph中，节点可能是一个AI模型、一个工具或一个函数）
连接站点的线路是"边"（决定了信息如何从一个节点流向另一个）
乘客可以沿着不同的线路在站点之间移动（就像数据和状态在节点之间流动）

LangGraph让你设计这样的"路线图"，决定AI系统中的各个组件如何连接和交互。与普通的线性流程不同，LangGraph支持分支、循环和并行处理，就像一个复杂的地铁网络，而不是简单的A到B的单线。

3.2 状态管理：AI的"记忆系统"

想象你的大脑如何工作：你不仅能接收新信息，还能将它与记忆中的内容联系起来。AI系统也需要这样的能力，这就是LangGraph的状态管理发挥作用的地方。

LangGraph的状态管理就像一个智能的记事本，它：

记录所有重要信息（对话历史、中间结果、用户偏好等）
在不同组件之间传递这些信息
确保信息不会被意外修改（默认情况下是"只读"的）
允许有条件地更新信息
支持"时间旅行"（回到之前的状态）

这种状态管理让AI系统能够维持连贯的对话，记住上下文，并基于历史做出更好的决策——就像一个有良好记忆力的助手。

3.3 控制流：AI的"决策树"

普通的AI应用像是一条直线，而LangGraph的控制流更像一棵树或一张网，有多个可能的路径：

条件分支：基于某些条件选择不同的路径（如"如果用户问的是产品问题，走A路径；如果是技术问题，走B路径"）
循环：允许重复执行某些步骤，直到达到特定条件（如"继续优化回答，直到确信它是正确的"）
并行执行：同时执行多个任务（如"同时搜索多个数据源"）
嵌套图：在大图中包含小图，就像程序中的函数调用（如"执行一个完整的研究子流程"）

这种灵活的控制流让AI系统能够处理复杂的、不确定的情境，而不仅仅是简单的预定义流程。

4. 实践：用LangGraph打造智能客服机器人

理论讲完了，现在让我们动手实践，用LangGraph打造一个智能客服机器人。这个机器人能够：

回答用户的常见问题
搜索最新信息
在需要时请求人工支持
记住与用户的对话历史

我们梳理整个业务流程：

4.1 准备工作

首先，我们需要安装必要的包并设置环境：

# 安装需要的库
!pip install -U langgraph langchain langchain_deepseek

# 导入必要的模块
import os
from typing import TypedDict, List, Dict, Any
from langchain_deepseek import ChatDeepseek  # 使用Deepseek模型替代
from langchain.schema import HumanMessage, AIMessage
from langchain.tools import Tool
from langchain_core.messages import BaseMessage, FunctionMessage
from langgraph.graph import StateGraph, END

4.2 定义我们的系统状态

首先，我们需要定义系统要记住什么信息：

# 定义系统状态类型 - 想象这是AI的"记事本"
class AgentState(TypedDict):
    # 对话历史记录
    messages: List[BaseMessage]
    # 可用工具列表
    tools: List[Tool]
    # 是否需要人工客服介入
    need_human: bool
    # 工具调用结果
    tool_result: Dict[str, Any]

4.3 创建智能体节点

接下来，我们定义系统的主要组件：

# 初始化Deepseek大语言模型
# 注意: 需要设置你的API密钥
# os.environ["DEEPSEEK_API_KEY"] = "你的API密钥"
model = ChatDeepseek(model="deepseek-chat", temperature=0)

# 定义搜索工具 - 简化版，实际应用中可能连接真实搜索API
def search_tool(query: str) -> str:
    """搜索产品信息库获取最新信息"""
    # 这里是简化的实现，实际应用中应该连接到真实的知识库或搜索API
    if "价格" in query:
        return "我们目前有三种套餐：基础版（99元/月）、专业版（299元/月）和企业版（999元/月）。每种套餐的具体功能对比可以在官网查看。"
    elif "退款" in query:
        return "我们提供30天无理由退款保证。如需退款，请提供订单号和购买邮箱，我们会在3个工作日内处理。"
    elif "配送" in query:
        return "我们的实体产品通常在支付确认后24小时内发货，大部分地区可在3-5天内送达。特殊地区可能需要更长时间。"
    else:
        return "抱歉，没有找到关于这个问题的具体信息。你可以换个问法，或者咨询人工客服获取更多帮助。"

# 将搜索功能包装成工具
tools_list = [
    Tool(
        name="search_product_info",
        func=search_tool,
        description="用于查询产品价格、政策、配送等信息的工具"
    )
]

# 定义AI客服智能体节点
def agent_customer_service(state: AgentState) -> Dict:
    """AI客服核心节点，负责理解用户问题并决定下一步行动"""
    messages = state["messages"]
    tools = state["tools"]
    
    # 构建系统提示语
    system_prompt = """
    你是一个专业的在线客服助手。请按照以下准则工作：
    
    1. 用友好、专业的口吻回答用户问题
    2. 对于产品信息类的问题，使用"search_product_info"工具获取最新、准确的答案
    3. 如果遇到复杂问题、投诉或特殊请求，请判断是否需要转接人工客服
    4. 回答要简洁明了，避免不必要的啰嗦
    5. 不要编造信息，如果不确定，就使用工具查询或建议转人工
    
    记住：你的目标是高效解决用户问题，提供良好的客户体验！
    """
    
    # 调用大语言模型
    response = model.predict_messages(
        messages,
        system=system_prompt,
        tools=tools
    )
    
    # 根据模型回复决定下一步行动
    if hasattr(response, 'tool_calls') and response.tool_calls:  # 模型决定使用工具
        tool_call = response.tool_calls[0]
        return {
            "messages": messages + [response],
            "next": "tool_executor",  # 下一步执行工具
            "tool_to_use": tool_call.name,
            "tool_input": tool_call.args
        }
    elif any(keyword in response.content.lower() for keyword in ["人工客服", "转人工", "真人", "专员"]):  # 需要人工介入
        return {
            "messages": messages + [response],
            "need_human": True,
            "next": "human_intervention"  # 下一步转人工
        }
    else:  # 直接回答用户
        return {
            "messages": messages + [response],
            "next": END  # 结束流程
        }

# 定义工具执行节点
def tool_executor(state: AgentState) -> Dict:
    """执行工具调用并返回结果"""
    tool_to_use = state["tool_to_use"]
    tool_input = state["tool_input"]
    
    # 查找要使用的工具
    tool = next((t for t in state["tools"] if t.name == tool_to_use), None)
    
    if tool:
        # 执行工具调用
        result = tool.invoke(tool_input)
        
        # 创建工具响应消息
        tool_message = FunctionMessage(
            name=tool_to_use,
            content=result
        )
        
        # 返回带有工具结果的新状态
        return {
            "messages": state["messages"] + [tool_message],
            "tool_result": {
                "name": tool_to_use,
                "input": tool_input,
                "output": result
            },
            "next": "agent_customer_service"  # 结果返回给智能客服继续处理
        }
    else:
        # 工具不存在的情况
        error_message = FunctionMessage(
            name="system",
            content="请求的工具不存在或暂时不可用"
        )
        
        return {
            "messages": state["messages"] + [error_message],
            "next": "agent_customer_service"  # 返回智能客服处理异常情况
        }

# 定义人工介入节点
def human_intervention(state: AgentState) -> Dict:
    """处理需要人工客服介入的情况"""
    # 在实际应用中，这里可能会调用客服中心API或排队系统
    intervention_message = AIMessage(
        content="您好，您的问题需要更专业的解答。我已经为您转接人工客服，请稍等片刻，很快会有专业客服接入对话。您的等待对我们很重要，感谢您的耐心！"
    )
    
    # 在实际系统中，这里可能还会记录用户信息、问题分类等，方便人工客服快速了解情况
    
    return {
        "messages": state["messages"] + [intervention_message],
        "next": END  # 流程结束，等待人工接入
    }

4.4 将一切连接起来

现在，我们将这些节点组合成一个完整的工作流：

# 创建客服系统的工作流图
customer_service_system = StateGraph(AgentState)

# 添加节点到图中
customer_service_system.add_node("agent_customer_service", agent_customer_service)
customer_service_system.add_node("tool_executor", tool_executor)
customer_service_system.add_node("human_intervention", human_intervention)

# 定义节点之间的连接关系
customer_service_system.set_entry_point("agent_customer_service")  # 入口点是智能客服节点
customer_service_system.add_edge("agent_customer_service", "tool_executor")  # 智能客服可以调用工具
customer_service_system.add_edge("agent_customer_service", "human_intervention")  # 智能客服可以请求人工介入
customer_service_system.add_edge("tool_executor", "agent_customer_service")  # 工具执行完后回到智能客服

# 编译图，生成可执行的客服助手
customer_service_assistant = customer_service_system.compile()

4.5 试试看！

让我们用几个不同的问题测试我们的客服助手：

# 测试1：询问产品价格
initial_state_price = {
    "messages": [HumanMessage(content="你们的产品价格是多少？有什么区别？")],
    "tools": tools_list,
    "need_human": False,
    "tool_result": {}
}

# 运行客服助手
result_price = customer_service_assistant.invoke(initial_state_price)

# 打印对话结果
print("=== 价格咨询测试 ===")
for message in result_price["messages"]:
    if isinstance(message, HumanMessage):
        print(f"用户: {message.content}")
    elif isinstance(message, AIMessage):
        print(f"客服: {message.content}")
    elif isinstance(message, FunctionMessage):
        print(f"系统 ({message.name}): {message.content}")
print("\n")

# 测试2：复杂问题需要人工
initial_state_complex = {
    "messages": [HumanMessage(content="我上周买的产品出了问题，已经联系了三次都没人解决，我要投诉并申请退款！")],
    "tools": tools_list,
    "need_human": False,
    "tool_result": {}
}

# 运行客服助手
result_complex = customer_service_assistant.invoke(initial_state_complex)

# 打印对话结果
print("=== 复杂问题测试 ===")
for message in result_complex["messages"]:
    if isinstance(message, HumanMessage):
        print(f"用户: {message.content}")
    elif isinstance(message, AIMessage):
        print(f"客服: {message.content}")
    elif isinstance(message, FunctionMessage):
        print(f"系统 ({message.name}): {message.content}")