12 节课解锁 AI Agents，让AI替你打工（四）：框架之实践篇

由于本章节内容较多，将会拆分成两篇文章进行讲解。第一篇是理论篇，主要介绍Agentic框架机器对比、核心概念和原理；第二篇是实战篇，将通过实际案例演示如何使用LangGraph构建聊天机器人，并探讨其在实际应用中的优势。

本篇为实战篇。

5. LangGraph实战

5.1 安装

在终端中运行以下命令安装LangGraph：

复制代码

1pip install -U langgraph

5.2 创建基础聊天机器人

1. 导入库

javascript 复制代码

1from typing import Annotated

2from typing_extensions import TypedDict

3from langgraph.graph import StateGraph, START, END

4from langgraph.graph.message import add_messages

2. 定义状态结构

arduino 复制代码

1class State(TypedDict):

2    messages: Annotated[list, add_messages]

3

4graph_builder = StateGraph(State)

3. 初始化LLM

ini 复制代码

1from langchain_anthropic import ChatAnthropic

2

3llm = ChatAnthropic(model="claude-3-5-sonnet-20240620")

4. 创建聊天机器人节点

arduino 复制代码

1def chatbot(state: State):

2    response = llm.invoke(state["messages"])

3    return {"messages": [response]}

4

5graph_builder.add_node("chatbot", chatbot)

5. 定义入口和终点

sql 复制代码

1graph_builder.add_edge(START, "chatbot")

2graph_builder.add_edge("chatbot", END)

6. 编译图

ini 复制代码

1graph = graph_builder.compile()

7. 可视化图结构

css 复制代码

1from IPython.display import Image, display

2

3try:

4    display(Image(graph.get_graph().draw_mermaid_png()))

5except Exception:

6    pass

8. 运行聊天机器人

css 复制代码

1while True:

2    user_input = input("User: ")

3    if user_input.lower() in ["quit", "exit", "q"]:

4        print("Goodbye!")

5        break

6

7    for event in graph.stream({"messages": [("user", user_input)]}):

8        for value in event.values():

9            print("Assistant:", value["messages"][-1].content)

5.3 高级技巧：工具集成

增强聊天机器人能力，使其支持网络搜索（需Tavily API密钥）：

scss 复制代码

1from langchain_community.tools.tavily_search import TavilySearchResults

2

3tool = TavilySearchResults(max_results=2)

4tools = [tool]

5llm_with_tools = llm.bind_tools(tools)

6

7def chatbot(state: State):

8    return {"messages": [llm_with_tools.invoke(state["messages"])]}

9

10graph_builder.add_node("chatbot", chatbot)

11

12tool_node = ToolNode(tools=[tool])

13graph_builder.add_node("tools", tool_node)

14

15graph_builder.add_conditional_edges("chatbot", tools_condition)

16graph_builder.add_edge("tools", "chatbot")

为聊天机器人添加记忆

通过检查点系统实现对话历史记忆：

ini 复制代码

1from langgraph.checkpoint.memory import MemorySaver

2

3memory = MemorySaver()

4graph = graph_builder.compile(checkpointer=memory)

5

6config = {"configurable": {"thread_id": "1"}}  # 每个thread_id对应独立对话历史

7

8while True:

9    user_input = input("User: ")

10    # ...（同上）

11    for event in graph.stream({"messages": [("user", user_input)]}, config):

12        # ...（同上）

人机协同（Human in the Loop）

在工具调用前暂停流程，允许人工审核：

ini 复制代码

1graph = graph_builder.compile(

2    checkpointer=memory,

3    interrupt_before=["tools"]  # 在调用工具前中断

4)

LangGraph实际应用场景

智能客服

记忆用户订单历史，处理退货或升级问题。
研究助手

自动检索论文，总结关键发现。
个性化教育

动态调整学习计划，推荐资源。
业务流程自动化

文档审批、数据分析和项目管理。

结论

AI Agent 框架正在重塑AI系统的构建方式，使自主 Agent 能够动态推理、规划和交互。通过对比主流框架并深入剖析LangGraph的图结构与状态管理机制，我们展示了如何构建具备记忆、工具集成和人机协同能力的复杂系统。随着技术进步，这类框架将成为开发自适应、交互式AI应用的核心工具，推动从静态流程到动态智能的范式转变。

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。