深入浅出LangGraph AI Agent智能体开发教程（八）—LangGraph底层API实现ReACT智能体

前言

本系列前七篇文章：

通过上期分享我们掌握了利用LangGraph搭建条件分支图、条件循环图等复杂图的能力，本期分享我们深入利用LangGraph底层API实现多轮问答机器人,并复现create_react_agent方法的ReACT图结构智能体。

本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写的，力求帮助大家体系化快速掌握LangChain&LangGraph AI Agent智能体开发的技能！笔者的LangChain系列教程暂时更完，后面也会实时补充工作实践中的额外知识点，建议大家在学习LangGraph分享前先学习LangChain的基本使用技巧。大家感兴趣可以关注笔者掘金账号和系列专栏。更可关注笔者同名微信公众号: 大模型真好玩 , 每期分享涉及的代码均可在公众号私信: LangChain智能体开发获得。

一、LangGraph多轮对话机器人搭建

首先通过使用LangGraph底层API搭建多轮对话机器人来学习如何将大语言模型作为节点加入到LangGraph图中。

构建图的第一步首先要定义图的结构化状态State，代码如下。使用TypedDict创建具有特定键值类型的字典类来规范状态结构，其中messages键是一个列表，我们通过Annotated注解指定使用add_messages函数来处理消息的累积更新。

python 复制代码

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages


class State(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(State)

大家可能对这里使用的add_messages函数感到好奇，这个函数有什么作用呢? 为什么不用append直接向消息列表中增加消息呢？因为LangGraph图运行时有一套单独的逻辑，直接使用append有可能产生bug, 且不易调试。add_messages是LangGraph预定义的一个函数，核心逻辑是合并两个消息列表，默认状态为仅附加。add_messages函数接收两个参数，一个是消息的基本列表（比如上述的messages），另一个是要合并到基本列表中的消息列表（或单个消息）。值得注意的是: LangGraph对每条消息都使用ID进行编号，如果add_messages合并的列表中包含ID相同的消息，add_messages默认行为是使用要合并列表中的新消息替换掉基本列表中相同ID的消息。

第二步要添加一个大模型节点，我们命名为chatbot，同时定义边连接开始节点START与大模型节点chatbot。这里初始化大模型使用我们之前讲到的init_chat_model方法，大家不熟悉可参考系列文章深入浅出LangGraph AI Agent智能体开发教程（二）---LangGraph预构建图API快速创建Agent

python 复制代码

from langchain.chat_models import init_chat_model
from langgraph.constants import START

model = init_chat_model(
    model="deepseek-chat",
    model_provider="deepseek",
    api_key='你注册的deepseek api key'
)

def chatbot(state: State):
    return {"messages": [model.invoke(state["messages"])]}

# 添加节点
graph_builder.add_node("chatbot", chatbot)

# 添加边
graph_builder.add_edge(START, "chatbot")

以上代码构造的图结构如下，是不是非常简单：

第三步编译创建好的图，并通过graph.invoke()向图结构发送请求，图结构运行完成后返回最终的state, 我们可以通过state['messages']获取本次图运行的消息列表，也可通过state['messages'][-1]得到图结构最后的输出:

python 复制代码

graph = graph_builder.compile()
final_state = graph.invoke({"messages": ["你好，我叫陈明，好久不见。"]})
print(final_state['messages'])

单轮对话的例子我们已经完成，多轮对话也不在话下。LangGraph多轮对话的原理和LangChain一样，也是通过构造消息列表实现多轮对话的功能，大家可参考文章深入浅出LangChain AI Agent智能体开发教程（四）---LangChain记忆存储与多轮对话机器人搭建，这里不再赘述, 修改代码如下:

python 复制代码

from langchain_core.messages import AIMessage, HumanMessage
messages_list = [
    HumanMessage(content="你好，我叫大模型真好玩，好久不见。"),
    AIMessage(content="你好呀！我是苍老师，是一名女演员。很高兴认识你！"),
    HumanMessage(content="请问，你还记得我叫什么名字么？"),
]
final_state = graph.invoke({"messages": messages_list})
print(final_state['messages'])

二、LangGraph底层API复现create_react_agent预构建图

上述分享我们掌握了将大模型接入LangGraph底层图结构的方法，对今天的分享来说以上内容只是开胃小菜，本期分享的终极目标是使用LangGraph 底层 API 复现高级API create_react_agent 预构建ReACT图。

定义图状态: 第一步还是定义图状态，它同样只包含一个消息列表，需要用到add_messages方法。

python 复制代码

from typing import (
    Annotated,
    TypedDict,
)

from langgraph.graph import StateGraph
from langgraph.graph.message import add_messages


class AgentState(TypedDict):
    messages: Annotated[list, add_messages]

graph_builder = StateGraph(AgentState)

定义模型和工具： 智能体构建的三大要素：提示词，模型和工具，我们这里先准备模型和工具函数, 模型同样使用deepseek-chat，工具函数访问心知天气API获得当前城市的天气情况。注意需要手动调用model.bind_tools方法绑定大模型和工具函数。LangGraph定义工具函数并绑定模型的方法与LangChain一致，前面内容已经详细分享过。大家不熟悉可参考深入浅出LangChain AI Agent智能体开发教程（五）---LangChain接入工具基本流程

python 复制代码

from langchain.chat_models import init_chat_model
from langchain_core.tools import tool
from pydantic import BaseModel, Field
import requests

# 定义工具
class WeatherQuery(BaseModel):
    loc: str = Field(description="城市名称")


@tool(args_schema=WeatherQuery)
def get_weather(loc):
    """
        查询即时天气函数
        :param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
        :return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"
        返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
    """
    url = "https://api.seniverse.com/v3/weather/now.json"
    params = {
        "key": "你注册的心知天气api key",
        "location": loc,
        "language": "zh-Hans",
        "unit": "c",
    }
    response = requests.get(url, params=params)
    temperature = response.json()
    return temperature['results'][0]['now']

# 定义模型
model = init_chat_model(
    model='deepseek-chat',
    model_provider='deepseek',
    api_key='你注册的deepseek api key'
)

tools = [get_weather]
model = model.bind_tools(tools)

定义节点和边: ReACT图结构包含两个节点，一个用于调用模型call_model，一个用于使用工具ToolNode。call_model节点函数中给大模型提供提示词，使其具备调用天气函数的能力。ToolNode函数我们首次利用LangGraph三层结构中中间层的ToolNode节点。大家可以看结构图进行定位:

ReACT图结构除了两个节点外，还需要大模型来判断是直接输出结果还是调用工具函数，很显然需要一个判断条件来构造条件分支图。这里还需要定义should_continue方法返回条件来判断结束还是调用工具，如果大模型节点返回结果中包含tool_calls键，则说明要调用相关函数，否则结束。添加代码如下:

python 复制代码

from langchain_core.messages import SystemMessage
from langgraph.prebuilt import ToolNode

def call_model(
    state: AgentState,
):
    system_prompt = SystemMessage(
        "你是一个AI助手，可以依据用户提问产生回答，你还具备调用天气函数的能力"
    )
    response = model.invoke([system_prompt] + state["messages"])
    return {"messages": [response]}

tool_node = ToolNode(tools)

def should_continue(state: AgentState):
    messages = state["messages"]
    last_message = messages[-1]
    if not last_message.tool_calls:
        return "end"
    else:
        return "continue"

定义图： 定义好所有的节点和判断条件后，我们参考ReACT图来定义并编译图。将call_model和tool_node节点加入图中并关联相应边，随后调用graph.compile方法编译可执行图。

python 复制代码

from langgraph.graph import StateGraph, START, END
graph = StateGraph(AgentState)

graph.add_node("agent", call_model)
graph.add_node("tools", tool_node)

graph.add_edge(START, "agent")
graph.add_edge("tools", "agent")
graph.add_conditional_edges(
    "agent",
    should_continue,
    {
        "continue": "tools",
        "end": END,
    },
)

graph = graph.compile()

执行ReACT代理: 这部分代码简单不加赘述，执行结果如下，我们可以看到图成功调用了工具函数并返回结果，一个自定义的ReACT图就完成啦！

python 复制代码

final_state = graph.invoke({"messages": ["请问上海天气如何?"]})
print(final_state['messages'])

三、总结

本期内容分享如何使用底层API构建多轮对话机器人和复现ReACT图结构智能体。通过定义状态、添加模型节点和工具节点，结合条件分支图实现ReACT图的工具调用与决策循环，并通过天气助手实例演示完整的开发流程，帮助大家掌握LangGraph的灵活性与强大功能。目前的图结构还有很多需要优化的点，例如如何让智能体优雅的保存记忆，如何实现智能体的流式调用提升交互体验等等，我们下期内容继续分享，大家期待一下吧~

本系列分享预计会有20节左右的规模，保证大家看完一定能够掌握LangChain&LangGraph的开发能力，大家感兴趣可关注笔者掘金账号和专栏，更可关注笔者的同名微信公众号：大模型真好玩 ，本系列分享的全部代码均可在微信公众号私信笔者: LangChain智能体开发 免费获得。