用 LangGraph 构建第一个 AI 智能体完全指南（一）

在构建第一个商业 AI 智能体三个月后，一切都在客户演示期间崩溃了。

本应无缝的自主工作流变成了令人尴尬的循环 ------ 反复请求澄清问题，决策前后矛盾。客户虽保持礼貌，但明显感到失望。如果分析失败原因，会发现可能从根本上就误解了智能体架构 ------ 构建了一个过于复杂的系统，决策边界模糊，没有清晰的推理路径。

这次失败彻底改变了工作方法，并成为了阐释这类系统的基础。一旦理解了核心原则，构建高效的智能体将变得出奇简单。

认识 AI 智能体 AI 智能体是具备以下能力的系统：（1）分步思考问题，（2）按需调用外部工具，（3）通过行动反馈持续优化。

与仅响应提示的聊天机器人不同，智能体会主动采取行动完成任务。这就好比：前者只能回答你关于数据的问题，而后者能真正帮你分析数据。

从模型到智能体在智能体出现前，我们构建的 AI 解决方案是孤立割裂的组件 ------ 一个模型用于理解文本，另一个生成代码，还有一个处理图像。

这种碎片化模式存在三大问题：（1）用户需手动管理工作流，（2）跨系统传递时上下文会丢失，（3）每个流程步骤都需定制化集成。

而智能体彻底改变了这一范式。

不同于处理单一任务的传统模型，智能体可协调多种能力，同时保持对整体任务的全局理解。

智能体不仅执行指令，还能根据过程中获取的信息自适应调整下一步决策，类似人类的工作方式。

AI 智能体的核心优势我们通过一个具体任务理解智能体的能力：分析 Medium 上的文章。

传统 AI 将其拆解为孤立步骤 ------ 摘要生成、关键词提取、内容分类、洞察提炼 ------ 每个步骤都需要人工明确协调。

其局限性不仅在于模型孤立工作，更在于你必须手动编排整个流程，显式管理步骤间的知识传递，并根据中间结果独立判断是否需要额外操作。

与之相对，基于智能体的方案能自主执行每个步骤，且不偏离整体目标。

智能体智能的三大基石 AI 智能体基于三大核心原则：

状态管理：智能体的工作记忆，用于跟踪已获取的信息和目标

决策制定：智能体根据当前知识判断合理的行动路径

工具调用：智能体知晓用何种工具解决具体问题

用 LangGraph 构建 AI 智能体现在已了解 AI 智能体的定义和价值，接下来我们用LangGraph（LangChain 用于构建健壮 AI 智能体的框架）开发一个实例。

很多人喜欢 LangGraph 的原因在于，它允许将智能体的思考和行动映射为图结构：每个节点代表一种能力（如网页搜索或代码生成），节点间的连接（边）控制信息流。

刚开始构建智能体时，这种可视化方式能让人豁然开朗 ------ 终于能直观看到智能体的思考过程。

第一个智能体：Medium 文章分析器我们来看如何用 LangGraph 创建一个文本分析智能体。

这个智能体将实现以下功能：阅读文章、理解主题、提取关键要素、生成简洁摘要 ------ 本质上是你的个人研究助理。

环境搭建首先，你需要配置开发环境。

步骤 1 --- 创建项目目录：

bash 复制代码

mkdir ai_agent_project
cd ai_agent_project

步骤 2 --- 创建并激活虚拟环境：

bash 复制代码

# Windows系统
python -m venv agent_env
agent_env\Scripts\activate

# macOS/Linux系统
python3 -m venv agent_env
source agent_env/bin/activate

步骤 3 --- 安装必要的依赖包：

复制代码

pip install langgraph langchain langchain-openai python-dotenv

步骤 4 --- 配置 OpenAI API：

这里使用 GPT-4o mini 作为智能体的核心，但你可以替换为任意偏好的大语言模型。若你还没有 API 密钥：

访问 OpenAI 官网创建账户
导航至 API Keys 页面
点击 "Create new secret key"
复制生成的 API 密钥

步骤 5 --- 创建.env 文件：

bash 复制代码

# Windows系统
echo OPENAI_API_KEY=your-api-key-here > .env

# macOS/Linux系统
echo "OPENAI_API_KEY=your-api-key-here" > .env

将your-api-key-here替换为你实际的 OpenAI API 密钥。

步骤 6 --- 创建测试文件test_setup.py：

python 复制代码

import os
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI

# 加载环境变量
load_dotenv()

# 初始化ChatOpenAI实例
llm = ChatOpenAI(model="gpt-4o-mini")

# 测试环境配置
response = llm.invoke("Hello! Are you working?")
print(response.content)

步骤 7 --- 运行测试：

复制代码

python test_setup.py