本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。
最近乱七八糟的事太多，今天来点偏技术实战的，带大家用LangChain & LangGraph快速入门用编程创建智能体，用LangSmith进行追踪，Agent-Chat构建Agent UI。
基本概念
相信大家相比于LangGraph，LangChain能更熟悉一些，毕竟LangChain出现的更早，下面先来简单介绍下这两个框架。
LangChain：它是一个开发AI应用的基础框架，主要提供了开发AI应用的各种接口和工具，例如调用大模型的统一接口，提供了搜索、文档处理、向量数据库处理等工具，可以方便我们非常快速调用实现功能，加快开发速度，否则我们还得自己去封装。除此之外，LangChain还提供了链式调用（Chains）、记忆管理和提示词模版等基础功能。
官网地址：
LangGraph：它更高级一些，它在LangChain上面，是一个基于LangChain的工作流编排框架，可以处理复杂的工作流编排和多智能体编排。所以从名字上也可以看出来，LangChain还是停留在链式（Chain）的调用，而LangGraph则是把复杂的智能体工作流抽象成一个图（Graph）了。LangGraph的核心功能包含了有状态的工作流处理、条件分支、循环、并行执行、检查点（Checkpoints）和状态管理等处理。
官网地址：
PS：可能有些人对于上面提到的LangGraph状态管理这个概念有些模糊，在此补充解释下。状态简单理解，就是工作流执行过程中需要保存和传递的数据，每个步骤的结果都会保存，后续步骤可以访问前面步骤的结果和数据，如果某个步骤失败，可以从失败点重新开始。
实战
接下来带大家实战一个项目，让大家快速入门LangChain & LangGraph生态。这里，我们开发工具就选择用Curosr了。
1、创建空项目，用cursor打开
第一步，我们在外头创建一个空项目文件夹，这里我选择叫【lang-demo】，然后用Cursor打开该文件夹。
2、创建虚拟环境
为了和其他python项目的环境进行隔离，我们用cursor的终端，使用conda命令先创建一个虚拟环境，这里我创建的虚拟环境叫clx，然后进入到该虚拟环境中。（注意，建议python版本要3.11以上，因为后续需要安装langgraph-cli[inmem]，最低版本要求3.11）。
ini
conda create -n clx python=3.12
conda activate clx
如何判断是不是已经进入到了上面创建的虚拟环境中呢？进入后，终端的命令行前会有虚拟环境的名称。
3、创建requirements.txt，安装依赖
项目中创建requirements.txt文件，内容如下：
然后在cursor终端输入命令安装依赖，命令如下：
pip3 install -r requirements.txt4、创建环境变量文件
接下来创建【.env】文件，里面配置各处申请的key。内容如下：
其中deepseek的API Key申请参照：
TAVILY的API Key申请参照：
LangSmith的API Key申请参照：
5、使用cursor生成一个LangChain & LangGraph的demo
对，你没看错，这里不是给大家讲我本地的项目如何做的，而是让大家用Cursor去给自己生成一个，并调试通，所以最后每个人的Demo肯定是不一样的。我生成Demo的Prompt如下：
bash
请给我生成一个LangChain和LangGraph的Demo，要求如下：
1、尽可能多的用上【requirements.txt】和【.env】的技术内容进行设计。
2、Demo尽量简单，适合学习用，方便理解。
3、需要包含【README.md】文件，对项目结构和核心代码进行说明。
4、包含运行Demo的快捷入口文件。然后就看Cursor发挥了，第一次生成后肯定跑不通，需要不停的让cursor进行调试，因为是Demo性质的，相对简单，逻辑也不会太复杂，一般在10轮Prompt交互之内即可得到Cursor创建的可正确运行的项目。
最后给大家演示下，给我生成的项目是什么功能：
给我生成了一个【run_demo.py】入口文件，
用python命令运行：
我选择【1】，然后输入我的问题：天空为什么是蓝色的
然后根据我的问题，Demo会识别主题是我的问题是一个简单的问答【general_chat】，调用模型给我回复了答案。除此之外，还对数据进行了分析，最后生成了一个可视化图表。
图表：
然后，我继续测试，换一个问题，问一个需要联网搜索的，例如我提问：请帮我搜索今天的热点AI新闻有哪些。然后他就会识别为【Search】主题，给我联网搜索生成结果，对数据进行分析后生成可视化图表。
到这里，我的Demo就演示完了，然后呢，如何方便你快速了解项目呢，当然从让其生成的【README.md】文件了。
Readme中介绍了项目的基本功能。
对项目的调用流程进行了说明。
说明了项目在哪使用了LangChain，都做了什么，并且对应的代码是多少行。
还说明了项目哪里使用了LangGraph，都做了什么，并且对应的代码是多少行。
具体不详细介绍了，给我生成的Readme中已经写的很详细了，完全可以看懂，下面总结说明下，给我生成的Demo代码哪些地方用到了LangChain，哪些地方用到了LangGraph。
LangChain相关：
- 使用LangChain中ChatDeepSeek与模型进行交互。
- 集成LangChain中TavilySearch工具进行搜索。
- 使用langchain_core.messages统一消息格式。
LangGraph相关：
- 进行状态管理。
- 进行工作流编排。
- 进行状态传递。
到此为止，给大家演示了Cursor给我生成的LangChain&LangGraph Demo。
6、Langgraph-cli和LangSmith的使用
下面我们继续，在控制台安装库langgraph-cli，方便后续调试和用LangSmith来追踪我们的项目。安装命令如下：
arduino
pip3 install -U "langgraph-cli[inmem]"安装后输入下面命令启动项目：
langgraph dev启动后会发现有三个重要的路径，其中第一个和第三个是可以打开的。
第一个是项目API的Endpoint，打开后显示Not Found，这是正常的。因为默认没有这个get请求，不会重定向到任何地方，但是既然有结果返回，说明API的Endpoint是通的。
第三个可以打开，打开后是LangGraph的API文档说明，并且可以在线测试API，这里就不给大家演示了，很简单。
但是第二个需要特殊说明，我们路径可以打开，但是获取不到项目的内容，这个肯定是不正常的。
smith.langchain.com/studio/?bas...
有一定软件基础能力的人很容易可以判断出来，因为下面这个路径跨域了，smith平台是不可能获取你本地服务API EndPoint的，访问不了很正常。
smith.langchain.com/studio/?bas...
所以为了解决这个问题，我们需要改一下启动的命令，使用下面命令启动：
css
langgraph dev --tunnel这次启动后大家可以看到，路径更长了，而且并不是之前本地的ip了，而是换成公网可访问的cloudflare的地址。
smith.langchain.com/studio/?bas...
这样，langsmith平台就可以正常地加载了。加载后大家可以看到，你也的业务流程完全变成了可追踪的可视化工作流。
然后，我就可以输入问题，在这个平台上进行调试，例如在对应的传递参数的地方，我提问：天为什么会下雨，在此平台就可以连接到你本地的工程，进行可视化调试和输出了。
并且可以切换到【Trace】选项卡查看其运行轨迹，进行追踪。
除此之外，现在你把这个页面关闭。然后再次进入到LangSmith的主页，点击【Tracing Projects】，也可以看到之前运行追踪的记录。
这意味着什么呢？这意味着只要你用【langgraph dev】启动了你本地的工程，你在何处访问你的项目，都会自动进行行为追踪并且在LangSmith平台上进行查看。
解惑：
大家通过我上面的操作，是不是感觉很神奇，都会存在这种疑问，不是一直在讲LangChain吗，怎么突然来了LangSmith，它是干嘛的，感觉像可以追踪行为用的，那我的项目，又是何时与LangSmith平台进行的联系呢？
LangSmith：其实我不用过多解释，通过上面的演示大家也能够感受到。LangSmith大家理解成一个在线监控和调试平台即可，提供了在线调试Debug（上面演示的工作流在线输入为什么会下雨的例子，可看到流程中每一步的结果）、Trace追踪（上面例子中的调用链路，可追溯）、还有生产监控Monitoring（上线后追踪用户真实交互，方便后续优化智能体）和评估Evaluation（支持对不用的Prompt/模型/AB测试/质量等进行评估）。
那如何建立的联系呢，大家最早在上面还有印象吧，让大家在【.env】中配置了LangSmith的相关信息，而且Tracing还设置为了True。
在生成的代码逻辑中，通过这些参数，就让你的工程与LangSmith平台关联上了。
代码中引入追踪的注解，在想追踪的方法上添加注解皆可
官网写的更是详细如何接入，包括未给大家演示的评估Evaluation功能，在此不详细解释了。
到这里，才算是，LangChain、LangGraph和LangSmith讲完了。
7、扩展部分：agent-chat UI的使用
这一部分属于拓展部分，刚才我们写的Agent事实上是没有UI的。LangChain生态也是想到了这一点，所以官方还推出了一个Agent-Chat开源项目，可以快速构筑UI，关联到我们刚才本地创建的智能体。
项目地址：
使用和安装也是非常的简单，官网上写的很清楚，先clone项目到本地，然后进入到项目目录后，通过【pnpm install】进行安装，通过【pnpm dev】启动该项目。
启动成功后，即可通过3000端口进行访问。访问后，主页面上配置启动本地服务地址、项目ID与LangSmith API Key即可连接到本地启动的智能体。
配置成功后，我们就可以正常提问了，例如我下面问的：地球为什么是圆的。给我正常响应，并且在后台工程中也进行了数据分析和生成了图表。
总结下今天的内容，我们从0创建了一个空的项目，并且借助于Cursor，让其给我们生成了一个LangChain和LangGraph的Demo，除此之外，我们还关联到了LangSmith平台进行调试和追踪，最后通过Agent-Chat快速构建了UI去使用。
学习资源推荐
如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。
本文较长，建议点赞收藏。更多AI大模型应用开发学习视频及资料，在智泊AI。