使用LangGraph构建你的第一个AI Agent-附完整代码

AI Agent 指的是有能力主动思考和行动的智能体，能够以类似人类的方式工作，通过大模型来"理解"用户需求，主动"规划"以达成目标，使用各种"工具"来完成任务，并最终"行动"执行这些任务。

从模型到 Agent

在 Agent 出现之前，我们将 AI 模型建为独立且互不关联的组件------一个模型用于理解文本，一个模型用于生成代码，还有一个模型用于处理图像。

这种碎片化的方法

迫使用户手动管理工作流程
导致在不同系统之间切换时上下文信息消失
需要为每个流程步骤集成 ai 模型

Agent 的出现就是为了解决这一碎片问题。

与处理孤立任务的传统模型不同，Agent 能够管理各种功能，同时保持对整个任务的全面理解，它通过赋予大型语言模型 (LLMs) 访问工具和知识来扩展其能力，使模型能够连贯执行一系列操作。

使用 LangGraph 构建 AI 代理

现在让我们使用 LangGraph来构建一个文本分析 agent。

LangGraph 是 LangChain 生态系统中的一个开源框架，专门用于构建基于大型语言模型（LLM）的复杂应用程序。它通过图结构（Graph）将应用逻辑组织为有向图，提供灵活的流程控制和状态管理能力，适用于开发多智能体（Multi-Agent）、多步骤、动态交互的智能系统。

该 Agent 将根据文章内容，进行归纳分类，提取重要元素并给出摘要信息。

开发环境准备

复制代码

Python：3.11+

1. 导入必要的库

复制代码

pip install langgraph langchain langchain-openai python-dotenv

2. import 准备

javascript 复制代码

import os
from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage

StateGraph 管理代理组件之间的信息流
PromptTemplate 创建一致的指令
ChatOpenAI 连接到 OpenAI 的字符模型，为 agent 提供思维支持

3. 定义 State 类，记录 Agent 数据

定义一个名为 'State' 的 TypedDict，用于结构化个工具方法的状态数据

python 复制代码

from typing import TypedDict, List

# 定义一个名为 'State' 的TypedDict，用于结构化表示状态数据
class State(TypedDict):
    text: str  # 存储原始输入文本
    classification: str  # 分类结果（例如类别标签）
    entities: List[str]  # 存储提取的实体列表（如命名实体）
    summary: str  # 存储文本的摘要版本

4. 创建 llm 对象

ini 复制代码

llm = ChatOpenAI(model="qwen-plus", temperature=0, api_key="",
                 base_url="")

temperature 参数很重要

temperature=0：专注、确定性的响应
temperature=1：更加多样化、更具创造力的输出
temperature=2：天马行空、有时语无伦次的想法

api_key 是访问 AI 服务（如 OpenAI、DeepSeek 等）的身份凭证，用于：

身份验证：确保请求来自授权用户。
权限控制：限制调用接口的范围（如仅允许特定模型或功能）。
计费与监控：跟踪 API 调用次数、费用和使用模式。

base_url 是访问 AI 服务的连接，不同 AI 服务商的 base_url 不一样。

5. 添加 agent 功能

现在，我们将为 Agent 构建专用工具方法，每个工具分别处理特定的任务类型。

分类功能

首先，是我们的分类功能：

python 复制代码

def classification_node(state: State):
    """
    将文本分类到预定义的类别中。

    参数:
        state (State): 包含待分类文本的当前状态字典

    返回:
        dict: 包含"分类"键的字典，值为分类结果

    分类类别:
        - 新闻: 事实性报道当前事件
        - 博客: 个人或非正式的网络写作
        - 研究: 学术或科学内容
        - 其他: 不符合上述类别的内容
    """

    # 创建提示模板，要求模型将文本分类到指定类别
    prompt = PromptTemplate(
        input_variables=["text"],
        template="将以下文本分类到以下类别之一：新闻、博客、研究、其他。\n\n文本：{text}\n\n类别："
    )

    # 使用状态中的文本格式化提示并包装为HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 调用语言模型进行分类
    classification = llm.invoke([message]).content.strip()

    # 返回分类结果字典
    return {"classification": classification}

此函数使用提示模板向我们的 AI 模型发出清晰的指令。该函数获取当前状态（包含我们正在分析的文本）并返回其分类。

实体提取功能

接下来是我们的实体提取功能：

ini 复制代码

def entity_extraction_node(state: State):
    # 从文本中识别并提取命名实体（按人物、组织、地点分类）

    # 创建实体提取提示模板，要求返回逗号分隔的实体列表
    prompt = PromptTemplate(
        input_variables=["text"],
        template="从以下文本中提取所有实体（人物、组织、地点）。以逗号分隔列表形式返回结果。\n\n文本：{text}\n\n实体："
    )

    # 使用文本格式化提示并包装为HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 调用模型获取响应，清理空白并拆分为列表
    entities = llm.invoke([message]).content.strip().split(", ")

    # 返回包含实体列表的字典
    return {"entities": entities}

此函数处理文档并返回关键实体列表，例如重要名称、组织和地点。

摘要功能

最后，我们的摘要功能

python 复制代码

def summarize_node(state: State):
    # 创建摘要提示模板，要求用一句话总结输入文本

    # 使用模板创建链式处理流程（提示模板 → 语言模型）
    summarization_prompt = PromptTemplate.from_template(
        """用一句话总结以下文本。\n\n文本：{text}\n\n摘要："""
    )

    # 构建处理链：提示模板 → 语言模型
    chain = summarization_prompt | llm

    # 执行处理流程，传入文本进行摘要生成
    response = chain.invoke({"text": state["text"]})

    # 返回包含摘要结果的字典
    return {"summary": response.content}

此功能将文档提炼为要点的简明摘要。

这些技能相结合，使我们的代理能够理解内容类型、识别关键信息并创建易于理解的摘要------每个功能都遵循相同的模式：获取当前状态、进行处理，并将有用信息返回给下一个功能

7. 创建状态图对象

makefile 复制代码

# 创建状态图对象
workflow = StateGraph(State)

# 添加处理节点到流程图
workflow.add_node("classification_node", classification_node)  # 分类节点
workflow.add_node("entity_extraction", entity_extraction_node)  # 实体提取节点
workflow.add_node("summarization", summarize_node)  # 摘要生成节点

# 设置流程入口点并定义执行路径
workflow.set_entry_point("classification_node")  # 设置初始执行节点
workflow.add_edge("classification_node", "entity_extraction")  # 分类 → 实体提取
workflow.add_edge("entity_extraction", "summarization")  # 实体提取 → 摘要生成
workflow.add_edge("summarization", END)  # 摘要生成 → 流程结束

# 编译工作流为可执行应用
app = workflow.compile()

OK，到之类我们就已经构建了一个完整的用于文章归纳总结摘要的 Agent，它能够按照协调的顺序完成从分类到实体提取再到摘要的整个过程，使其能够理解文本类型、识别重要实体、创建摘要，然后完成整个流程。

8. 实战一下

现在让我们用示例文本测试我们的代理：

ini 复制代码

# 测试用例：关于Anthropic的MCP技术说明文本
sample_text = """
Anthropic的MCP（Model Context Protocol）是一个开源的强大工具，允许应用程序与各种系统的API进行无缝交互。
"""

# 创建初始状态对象
state_input = {"text": sample_text}

# 执行完整工作流处理
result = app.invoke(state_input)

# 输出处理结果
print("分类结果:", result["classification"])
print("\n实体列表:", result["entities"])
print("\n摘要内容:", result["summary"])

运行结果

less 复制代码

分类结果: 研究

理由：该文本提到了Anthropic的MCP（Model Context Protocol），并描述了其功能和特性。这种内容通常与技术研究、创新工具或方法相关，因此分类为"研究"较为合适。如果该文本出现在具体的产品新闻或个人观点分享的语境下，也可能属于其他类别，但从当前表述来看，"研究"是最贴切的分类。

实体列表: ['Anthropic', 'MCP', 'Model Context Protocol']

摘要内容: Anthropic的MCP是一个开源工具，可实现应用程序与系统API的无缝交互。

最后

随着大模型能力的不断突破，未来 AI Agent 将深度融入社会生产与生活，成为数字化转型的核心驱动力。开发者与企业需关注场景适配性、数据安全和人机协作，以最大化其价值。