LangGraph实践-构建AI工作流:创建一本大模型应用开发书籍

如果你想使用dify，coze以及n8n构建你的工作流，那基本上非常轻松，拖拽组件即可完成，但是因为基本上都是低代码平台，因此你可以操作的空间非常小，当然据我了解n8n是可以支持js或者python添加节点的，这为工作流的灵活性开了窗口，使可以会写代码的人有了自由发挥的空间，但是如果全流程想要代码实现，那就得用LangGraph这样的框架去实现了。

LangGraph 是由 LangChain 团队开发的一个开源框架，专为构建有状态、多智能体（Multi-Agent）的 AI 应用而设计。它通过图结构（Graph）来定义和协调复杂的工作流，特别适合需要循环、分支、持久化状态管理和人工干预的场景。

LangGraph 的核心特点

1、图结构（Graph-Based）

• 采用有向图（Directed Graph）模型，由节点（Nodes）和边（Edges）组成：
- • 节点：代表任务单元（如调用 LLM、执行工具函数、数据库查询等）。
- • 边：定义节点间的流转逻辑，支持条件分支和循环。
• 相比传统的线性链（Chain）结构，LangGraph 可以处理更复杂的动态流程，如多轮对话、迭代优化、多智能体协作。

2、状态管理（State Management）

• 提供全局共享状态（State），支持跨节点数据传递和持久化存储。
• 支持断点续跑（Checkpointing），即使任务中断也能恢复执行。

3、循环与分支（Loops & Conditional Flows）

• 允许 AI 代理根据中间结果动态调整执行路径（如反复优化答案直至满意）。
• 适用于RAG（检索增强生成）、代码优化、多轮决策等场景。

4、人类在环（Human-in-the-Loop）

• 支持人工干预，如审核 AI 决策、修改中间结果，适用于医疗、法律等专业领域。

5、多智能体协作（Multi-Agent Systems）

• 可构建分工明确的 AI 代理团队（如"规划代理"制定策略，"执行代理"调用工具。

6、与 LangChain 无缝集成

• 可直接复用 LangChain 的 Chains、Tools 和 Memory 组件，同时提供更强大的流程控。

LangGraph 的典型应用场景

• 复杂问答系统（如带多轮优化的客服机器人）。
• 代码生成与测试（如自动生成代码并迭代优化）。
• 金融风控 & 数据分析（如动态调整决策流程）。
• 多智能体协作（如多个 AI 代理协同完成任务）。
• 医疗诊断辅助（结合专家审核的 AI 决策系统。

LangGraph vs. Dify/Coze/n8n

维度	LangGraph	Dify	Coze	n8n
架构	基于图结构（节点+边），支持循环/分支，专为多Agent协作设计	低代码AI应用开发平台，支持RAG & 复杂工作流	零代码对话式AI开发，拖拽式流程编排	节点式工作流自动化，支持跨系统集成
状态管理	全局State + 持久化存储，支持断点续跑	会话级上下文管理	对话状态跟踪	无原生状态管理，需外部存储
使用场景	复杂决策流（多轮优化、Agent协作）	企业级AI应用（知识库/RAG）	轻量级对话机器人（客服/社交）	跨系统自动化（数据同步/API调用）
学习成本	高（需Python编码，理解图结构）	中（需技术背景，熟悉LLM）	低（零代码，适合非技术用户）	中（需API/逻辑理解）
开源/商业	开源（MIT协议）	开源（部分企业功能付费）	部分开源（Apache 2.0）	完全开源（可持续使用协议）

选型建议

1. LangGraph：
- • 适用：需要复杂AI工作流（如多Agent协作、动态路由、循环优化）的开发团队。
- • 优势：灵活性强，支持持久化状态，适合金融、医疗等专业领域。
1. Dify：
- • 适用：企业级AI应用（如知识库问答、多模型集成），需私有化部署。
- • 优势：低代码开发，支持RAG，适合技术团队快速构建AI应用。
1. Coze：
- • 适用：快速搭建对话机器人（如抖音/飞书集成），适合中小团队或个人开发者。
- • 优势：零代码体验，内置字节生态插件，部署简单。
1. n8n：
- • 适用：非AI自动化（如数据同步、API调用），技术团队自托管需求。
- • 优势：开源免费，扩展性强，支持1000+第三方服务集成。

组合使用建议

• AI + 自动化：Dify（AI核心） + n8n（流程自动化）。
• 复杂Agent系统：LangGraph（逻辑编排） + Coze（前端交互）。

如需更详细的功能对比或部署指南，可参考各平台的官方文档或社区讨论。

LangGraph实战

用LangGraph开发一个工作流，用于创建一本大模型应用的书籍。

要开始使用 LangGraph，首先需要安装必要的包：
pip install langchain langgraph langchain-community

如果你想使用可视化和监控功能，还需要安装 LangSmith：
pip install langsmith

然后就是登录https://smith.langchain.com/，创建一个项目，然后generate key，点击复制这个key，填到代码中对应这个key下os.environ["LANGCHAIN_API_KEY"] = "your_langsmith_api_key" # 替换为你的 API Key

最后就是下载安装ollama，然后通过ollama安装llama3.2模型：

yaml 复制代码

➜  ~ ollama run llama3.2
pulling manifest
pulling dde5aa3fc5ff: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 2.0 GB
pulling 966de95ca8a6: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 1.4 KB
pulling fcc5a6bec9da: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 7.7 KB
pulling a70ff7e570d9: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏ 6.0 KB
pulling 56bb8bd477a5: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏   96 B
pulling 34bb5ab01051: 100% ▕████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████████▏  561 B
verifying sha256 digest
writing manifest
success
>>>

安装完成之后，我们可以测试一下，那我的测试语句就是：

vbnet 复制代码

>>> who are you
I'm an artificial intelligence model known as Llama. Llama stands for "Large Language Model Meta AI."
>>>

证明模型是安装成功的，接下来开始写代码。

现在我贴出代码：

python 复制代码

import os
import time
import requests
from typing import Dict, List, Any, TypedDict
from langgraph.graph import StateGraph

# Ollama 配置
OLLAMA_API_BASE = "http://localhost:11434/api" # ollama提供访问模型的地址
DEFAULT_MODEL = "llama3.2" # 这就是我们刚才安装的llama模型，注意必须是3.2

# LangSmith 配置
os.environ["LANGCHAIN_TRACING_V2"] = "true"
os.environ["LANGCHAIN_API_KEY"] = "your_langsmith_api_key"  # 替换为你的 API Key
os.environ["LANGCHAIN_PROJECT"] = "课程创建-LangGraph"

# Ollama API 调用函数
def generate_with_ollama(prompt, model=DEFAULT_MODEL, temperature=0.5, max_tokens=2000):
    """使用 Ollama API 生成内容"""
    try:
        response = requests.post(
            f"{OLLAMA_API_BASE}/generate",
            json={
                "model": model,
                "prompt": prompt,
                "temperature": temperature,
                "stream": False
            }
        )
        
        if response.status_code == 200:
            result = response.json()
            return result.get("response", "")
        else:
            print(f"Ollama API 返回错误状态码: {response.status_code}")
            return f"API调用失败，状态码: {response.status_code}"
    except Exception as e:
        print(f"调用 Ollama API 出错: {e}")
        return f"内容生成失败，请检查 Ollama 服务。错误: {e}"

# 课程结构定义
course_structure = {
    "课程名称": "大模型应用开发从入门到放弃",
    "章节": [
        {
            "章节名称": "大模型应用开发具备技术栈",
            "简介": "介绍大模型应用开发必须掌握和了解的基础知识和工具",
            "学习目标": ["理解大模型应用开发的基本概念", "掌握大模型应用的基础开发流程"]
        },
        {
            "章节名称": "大模型应用实战",
            "简介": "用大模型+LangGraph框架开发一个hello world示例",
            "学习目标": ["夯实大模型的基础理论", "掌握大模型应用开发的基础框架"]
        }
    ]
}

# 提示词模板
prompt_templates = {
    "概念理解": """
    你是一位大模型应用开发专家，正在为《{course_name}》课程的《{chapter_name}》章节创建概念理解学习材料。
    
    章节介绍: {chapter_intro}
    学习目标: {chapter_goals}
    
    请创建一份全面的概念理解材料，包含核心概念定义、背景知识、相关概念联系等。
    输出格式使用 Markdown，确保标题层级正确，内容应该全部使用中文。
    """,
    
    "实践应用": """
    你是一位大模型应用开发专家，正在为《{course_name}》课程的《{chapter_name}》章节创建实践应用学习材料。
    
    章节介绍: {chapter_intro}
    学习目标: {chapter_goals}
    
    请创建一份全面的实践应用材料，对大模型应用开发提供一个完整的实践案例。
    输出格式使用 Markdown，确保标题层级正确，内容应该全部使用中文。
    """,

    "知识评估": """
    你是一位大模型应用开发专家，正在为《{course_name}》课程的《{chapter_name}》章节创建知识评估学习材料。
    
    章节介绍: {chapter_intro}
    学习目标: {chapter_goals}
    
    请创建一份全面的知识评估材料，对大模型应用查出的结果进行评估。
    输出格式使用 Markdown，确保标题层级正确，内容应该全部使用中文。
    """
}

# 1. 章节生成节点
def chapter_generator(state: Dict[str, Any]) -> Dict[str, Any]:
    """生成课程章节"""
    print("章节生成节点开始执行...")
    # 简化版：直接使用预定义的章节
    chapters = course_structure["章节"]
    
    # 返回更新后的完整状态
    updated_state = state.copy()
    updated_state["章节列表"] = chapters
    print(f"章节生成完成，返回状态键: {list(updated_state.keys())}")
    return updated_state

# 2. 学习对象生成节点
def learning_object_generator(state: Dict[str, Any]) -> Dict[str, Any]:
    """为每个章节生成学习对象"""
    print("学习对象生成节点开始执行...")
    print(f"接收到的状态键: {list(state.keys())}")
    
    chapters = state["章节列表"]
    learning_objects = []
    
    for chapter in chapters:
        chapter_name = chapter["章节名称"]
        
        # 创建基础学习对象
        chapter_objects = {
            "章节名称": chapter_name,
            "学习对象": [
                {"类型": "概念理解", "内容": f"本节介绍{chapter_name}的核心概念，帮助学习者建立基础认知。"},
                {"类型": "实践应用", "内容": f"通过实际案例演示{chapter_name}的应用方法，提升实战能力。"},
                {"类型": "知识评估", "内容": f"包含与{chapter_name}相关的自测题，帮助学习者检验学习效果。"}
            ]
        }
        
        learning_objects.append(chapter_objects)
    
    # 返回更新后的完整状态
    updated_state = state.copy()
    updated_state["章节学习对象"] = learning_objects
    print(f"学习对象生成完成，返回状态键: {list(updated_state.keys())}")
    
    return updated_state

# 3. 内容增强节点
def content_enhancer(state: Dict[str, Any]) -> Dict[str, Any]:
    """使用 Ollama 生成详细内容"""
    print("开始内容增强...")
    print(f"当前状态键: {list(state.keys())}")
    
    # 检查章节列表是否存在
    if "章节列表" not in state:
        print("错误: 状态中没有找到'章节列表'")
        return state
    
    chapter_list = state["章节列表"]
    learning_objects_list = state.get("章节学习对象", [])
    
    # 创建映射以便后续查找
    learning_objects_map = {}
    for lo in learning_objects_list:
        chapter_name = lo.get("章节名称", "")
        if chapter_name:
            learning_objects_map[chapter_name] = lo.get("学习对象", [])
    
    # 存储增强后的章节内容
    enhanced_chapters = []
    
    # 处理每个章节
    for chapter in chapter_list:
        try:
            # 提取章节信息
            chapter_name = chapter["章节名称"]
            chapter_intro = chapter.get("简介", "无介绍")
            
            # 处理学习目标
            chapter_goals = chapter.get("学习目标", [])
            if isinstance(chapter_goals, list):
                chapter_goals = "\n".join([f"- {goal}" for goal in chapter_goals])
            
            # 创建增强章节对象
            enhanced_chapter = {
                "章节名称": chapter_name,
                "章节介绍": chapter_intro,
                "学习目标": chapter_goals,
                "学习对象": []
            }
            
            # 获取学习对象类型
            learning_objects = []
            if chapter_name in learning_objects_map:
                chapter_objects = learning_objects_map[chapter_name]
                learning_objects = [obj["类型"] for obj in chapter_objects]
            
            # 如果没有定义学习对象，使用默认列表
            if not learning_objects:
                learning_objects = ["概念理解", "实践应用", "知识评估"]
            
            # 为每个学习对象生成内容
            for obj_type in learning_objects:
                # 创建提示词
                prompt = prompt_templates.get(obj_type, "").format(
                    course_name=course_structure["课程名称"],
                    chapter_name=chapter_name,
                    chapter_intro=chapter_intro,
                    chapter_goals=chapter_goals
                )
                
                # 使用 Ollama 生成内容
                enhanced_content = generate_with_ollama(prompt)
                
                # 添加到章节对象
                enhanced_chapter["学习对象"].append({
                    "类型": obj_type,
                    "内容": enhanced_content
                })
            
            # 添加到增强章节列表
            enhanced_chapters.append(enhanced_chapter)
            
        except Exception as e:
            print(f"处理章节时发生错误: {e}")
    
    # 更新状态
    updated_state = state.copy()
    updated_state["章节增强内容"] = enhanced_chapters
    
    return updated_state

# 4. Markdown 写入节点
def markdown_writer(state: Dict[str, Any]) -> Dict[str, Any]:
    """保存章节与学习对象到本地 Markdown 文件"""
    course_name = course_structure["课程名称"]
    enhanced_chapters = state.get("章节增强内容", [])
    
    # 创建输出目录
    output_dir = f"course_langgraph_chapter_1"
    os.makedirs(output_dir, exist_ok=True)
    
    # 创建索引文件
    index_path = os.path.join(output_dir, "课程索引.md")
    with open(index_path, "w", encoding="utf-8") as f:
        f.write(f"# {course_name}\n\n")
        f.write("## 课程章节\n\n")
        
        for chapter in enhanced_chapters:
            chapter_name = chapter["章节名称"]
            chapter_intro = chapter["章节介绍"]
            chapter_goals = chapter["学习目标"]
            
            # 写入章节信息
            f.write(f"### {chapter_name}\n\n")
            f.write(f"{chapter_intro}\n\n")
            f.write("**学习目标**:\n")
            if isinstance(chapter_goals, list):
                for goal in chapter_goals:
                    f.write(f"- {goal}\n")
            else:
                f.write(f"{chapter_goals}\n")
            
            # 创建章节目录
            chapter_dir = os.path.join(output_dir, chapter_name)
            os.makedirs(chapter_dir, exist_ok=True)
            
            # 添加学习对象链接
            f.write("\n**学习内容**:\n")
            
            # 写入每个学习对象
            for obj in chapter["学习对象"]:
                obj_type = obj["类型"]
                obj_content = obj["内容"]
                
                # 写入文件链接
                obj_filename = f"{obj_type}.md"
                obj_path = os.path.join(chapter_dir, obj_filename) 
                f.write(f"- [{obj_type}](./{chapter_name}/{obj_filename})\n")
                
                # 创建学习对象文件
                with open(obj_path, "w", encoding="utf-8") as obj_file:
                    obj_file.write(f"# {chapter_name} - {obj_type}\n\n")
                    obj_file.write(obj_content)
            
            f.write("\n")
    
    return state

# 创建工作流图
builder = StateGraph(Dict[str, Any])

# 添加节点
builder.add_node("章节生成", chapter_generator)
builder.add_node("学习对象生成", learning_object_generator)
builder.add_node("内容增强", content_enhancer)
builder.add_node("Markdown写入", markdown_writer)

# 设置起点
builder.set_entry_point("章节生成")

# 添加边（连接节点）
builder.add_edge("章节生成", "学习对象生成")
builder.add_edge("学习对象生成", "内容增强")
builder.add_edge("内容增强", "Markdown写入")

# 编译图
workflow = builder.compile(debug=True)

# 执行工作流
if __name__ == "__main__":
    # 初始状态为空
    state = {}
    
    # 添加运行标识
    run_id = f"run_{int(time.time())}"
    
    print(f"开始执行课程生成流程，运行ID: {run_id}")
    print(f"可在 LangSmith 查看详细执行记录: https://smith.langchain.com/projects/课程创建-LangGraph")
    
    # 执行工作流
    result = workflow.invoke(state)
    
    print(f"执行完成! 课程内容已生成。")

结果展示

生成的章节目录结构图：

我们点击书籍索引文件：

随便点击一个章节下的小结，我们点击大模型应用开发具备技术栈章下面的概念理解小节：

然后我们再看下实践应用小节：

非常完美的实现了一个简化版本的AI工作流。

小结

LangGraph 是构建复杂、有状态AI工作流的强大工具，尤其适合需要循环、多智能体协作和人工干预的场景。相比 Dify/Coze/n8n，它更适合开发者需要精细化控制的AI应用。

希望接下来大家也尝试写出自己的AI工作流，助力工作提效或者个人成长！

历史大模型系列文章：