使用LangGraph构建一个简单的智能客服机器人

ChatBot

1.基础介绍
- [1.1 LangGraph](#1.1 LangGraph)
- - [1.1.1 StateGraph](#1.1.1 StateGraph)
  - [1.1.2 CompiledGraph](#1.1.2 CompiledGraph)
  - [1.1.3 重点方法](#1.1.3 重点方法)
2.构建ChatBot
- [2.1 最基本的机器人](#2.1 最基本的机器人)
- [2.2 给ChatBot添加联网工具](#2.2 给ChatBot添加联网工具)
- [2.4 给ChatBot添加记忆功能(MemorySaver)](#2.4 给ChatBot添加记忆功能(MemorySaver))
- 附加的中断功能，可以人工主动介入
- 查看聊天历史记录
综上，一个普通的聊天机器人就做好了。

1.基础介绍

1.1 LangGraph

LangGraph是一个灵活的Agent开发框架。节点（nodes）和边（edges）是它两个比较重要的概念。

1.1.1 StateGraph

StateGraph 是一个状态机，通过节点（nodes）和边（edges）来表示系统的状态变化。以下是StateGraph的关键点：

定义流程图：StateGraph是用来创建流程图的对象，图中的每个节点代表一个任务或计算步骤（如调用LLM、工具或函数），每个边（edge）定义了从一个节点到下一个节点的流向。
状态管理：StateGraph通过状态（State）来管理流程图中的数据和上下文。保证每个节点都会接受当前的状态，并且返回一个更新后的状态。这种机制保证了在多轮对话或者任务中，机器人能够持续维护上下文信息。
消息更新：在StateGraph 中，可以定义如何更新状态，例如使用add_messages函数，表示将消息追加到已有的消息列表，而不是覆盖旧的消息。

使用步骤：

定义State：首先需要定义状态（State），比如用字典来存储消息、工具调用的结果等内容。
添加节点：每个节点表示一个任务单元，可以是任意的Py函数。
添加边：通过**add_edge()**方法制定节点之间的流向，比如从聊天node->工具node->结束node。
编译图：通过compile()方法将流程图编译为可执行的CompiledGraph。

1.1.2 CompiledGraph

CompiledGraph 是由StateGraph 编译得到的实际的可执行对象。它负责执行在StateGraph 中定义的流程，并处理每个节点的任务。CompiledGraph 通过状态的流动来管理整个对话或任务的执行。以下是CompiledGraph的关键点：

流程执行：CompiledGraph 是StateGraph 的实际运行版本，当调用stream()或invoke()方法时，它会依次执行图中的节点，并根据每个节点的输出状态决定下一个节点的执行。
状态检查点（Checkpointing）：通过使用检查点机制，CompiledGraph可以在每个节点执行完后保存当前的状态，允许任务暂停并在之后恢复。比如：可以为机器人添加记忆功能或支持《时间旅行》（回到之前的某个状态）。
动态路由：CompiledGraph还支持动态路由（Conditional Edges），允许根据当前状态动态决定下一步执行的节点。可以让程序根据上下文或工具的输出灵活地调整行为。

1.1.3 重点方法

graph.stream是LangGraph中的一个核心方法，用于执行编译后的状态图（CompliedGraph）

并以流式（streaming）的方式处理每个节点。通过stream方法，系统可以逐步执行对话或任务的每个步骤，并在每一步中返回中间结果。适合长时间任务、逐步处理的工具调用或连续的对话。

graph.stream的核心功能：

流式执行：允许在每个节点执行时获取结果、类似于生成器的工作方式。在对话或任务流程中，机器人每经过一个节点（如调用工具、获取外部数据、与用户对话），都会返回该节点的执行结果。这使系统可以逐步处理复杂任务或多轮对话，而不是一次性等待所有步骤完成。
中间状态反馈：使用stram方法时，开发者可以在每一步获取当前的中间状态（如对话消息、工具调用的结果）。这对于调试、处理错误和用户实时反馈非常有帮助。比如，在对话中，系统可以在用户输入每一条消息后逐步处理，逐步生成回答，而不是一次性返回最终结果。
支持多轮对话：通过stream，可以让机器人保持对话的状态，使其能够处理复杂的多轮对话。系统每一步都会保存对话的上下文，并在接收到新的消息时恢复对话的状态，继续处理。
支持工具调用和多节点执行：在每个工具节点执行时，系统会返回工具的执行结果，允许您对每个步骤的输出进行检查或处理。适合需要多个步骤或者节点共同执行的任务，保证每个节点依次运行。

大概用法：

python 复制代码

# 配置参数，这里configurable用于配置线程id（例如多用户对话场景下唯一标识）
config = {"configurable": {"thread_id": "123"}}
user_input = "Hello, how are you?"  # 用户输入内容

# 使用graph.stream方法发送消息并获取生成的事件流
events = graph.stream(
    {"messages": [("user", user_input)]},  # 输入结构，包括用户的消息
    config,                                # 配置参数
    stream_mode="values"                   # 以value模式流式返回内容
)

# 遍历事件流
for event in events:
    if "messages" in event:  # 检查事件中是否包含"messages"字段
        # 打印最新一条消息的内容。event["messages"]是消息列表，[-1]取最后一条，.content取消息内容
        print(event["messages"][-1].content)

2.构建ChatBot

2.1 最基本的机器人

这是一个基本的demo，让读者看怎么调通的接口，我用的是阿里家的llm，你们使用任何一家的都可以，看不懂的自己问gpt就好了～也可以把构建好的graph可视化出来，方便读者观察流程。这里就不展示啦～

python 复制代码

from typing import Annotated
from langgraph.graph.message import add_messages
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langchain_openai import ChatOpenAI

# 定义状态，State是一个继承自TypedDict的类，用于定义对话的状态结构
# 这里messages是一个列表（list），用于存储消息，对应对话历史
class State(TypedDict):
    # messages用于存储对话消息，Annotated结合add_messages进行类型注释
    messages: Annotated[list, add_messages]

# 创建一个状态图对象StateGraph，把上面定义的State作为状态结构传入
graph_builder = StateGraph(State)

# 创建一个大模型对象llm，使用的是Qwen3的大模型
# model       - 指定了模型名
# base_url    - 模型API的基础URL地址
# api_key     - 你的API密钥（注意保密）
llm = ChatOpenAI(
    model="qwen3-max",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="xxxxxxxxxx"
)

# 定义一个chatbot节点，这个函数负责和大模型对话
# 输入参数state是当前对话状态（包含消息）
# 返回值还是一个字典，其messages字段放最新回复
def chatbot(state: State):
    # llm.invoke会把当前消息传给大模型，得到模型回复
    # 最终以list的形式作为新的messages返回
    return {"messages":[llm.invoke(state["messages"])]}

# 把chatbot这个节点加入到图里，节点名字为"chatbot"
graph_builder.add_node("chatbot", chatbot)

# 添加状态图的边：
# 整个流程：START(起点) -> chatbot(节点) -> END(终点)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)

# 编译状态图，得到可以执行的graph对象
graph = graph_builder.compile()

# graph.invoke用于实际运行一次对话流程
# 输入参数是一个字典，把一个初始消息放入messages里
# 这里"你是谁？"就是用户输入
result = graph.invoke({"messages":[("user", "你是谁？")]})

# 输出大模型的回复
print(result)

'''
{'messages': [HumanMessage(content='你是谁？', additional_kwargs={}, response_metadata={}, id='cb524c7a-3885-4cf5-9872-680be83f1b8e'), AIMessage(content='你好！我是通义千问（Qwen），由阿里巴巴集团旗下的通义实验室自主研发的超大规模语言模型。我可以回答问题、创作文字，比如写故事、写公文、写邮件、写剧本、逻辑推理、编程等等，还能表达观点，玩游戏等。如果你有任何问题或需要帮助，随时告诉我！😊', additional_kwargs={'refusal': None}, response_metadata={'token_usage': {'completion_tokens': 70, 'prompt_tokens': 11, 'total_tokens': 81, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}}, 'model_provider': 'openai', 'model_name': 'qwen3-max', 'system_fingerprint': None, 'id': 'chatcmpl-e1fa56b1-2e15-42ca-80a6-e7fe8b75d4c6', 'finish_reason': 'stop', 'logprobs': None}, id='lc_run--4814963f-d218-419d-b146-726e4aa4e7ea-0', usage_metadata={'input_tokens': 11, 'output_tokens': 70, 'total_tokens': 81, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}})]}
'''

构建一个循环的逻辑：

python 复制代码

# 构建一个简单的对话循环，不断读取用户输入并生成助手回复
while True:
    user_input = input("User: ")
    # 检查用户是否输入退出命令
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break
    
    # 调用graph.stream方法发起对话流程
    # graph.stream 会返回一个生成器，其中每个 event 表示对话流程中的一个阶段/节点的输出状态
    # 这里传入{"messages":(["user", user_input])}，代表当前对话历史只有一条用户消息
    for event in graph.stream({"messages":(["user", user_input])}):
        # event 是一个字典（节点名 -> 新状态），遍历其所有值
        for value in event.values():
            # 检查当前节点输出中是否有"messages"字段（即本节点产生了回复消息）
            if "messages" in value:
                # value["messages"]存储所有消息（列表），我们取最后一条的content作为助手回复打印出来
                print("Assistant:", value["messages"][-1].content)

2.2 给ChatBot添加联网工具

需要使用tavily，读者需自行注册，并获取一个API。

python 复制代码

# 安装 Tavily 搜索引擎的 Python 包
%pip install -U tavily-python
%pip install -U langchain_community

python 复制代码

from typing import Annotated
from langgraph.graph.message import add_messages
from typing_extensions import TypedDict
from langgraph.graph import StateGraph, START, END
from langchain_openai import ChatOpenAI
import getpass
import os
from langchain_community.tools.tavily_search import TavilySearchResults
import json
from langchain_core.messages import ToolMessage
from typing import Literal, Optional
from langchain_core.messages import BaseMessage

# 重要注释：定义对话状态结构，State用于保存机器人对话历史（所有消息）
class State(TypedDict):
    # messages保存历史消息，类型用Annotated做注解
    messages: Annotated[list, add_messages]

# 重要注释：这是基础的工具节点类，用于处理AI工具调用
class BasicToolNode:
    """
    这个节点会在AI的回复中找工具调用请求，把这些请求全部执行一遍
    """

    def __init__(self, tools: list) -> None:
        # 重要注释：把工具列表转为字典，方便用名字查找工具
        self.tools_by_name = {tool.name: tool for tool in tools}

    def __call__(self, inputs: dict):
        """
        inputs里包含"messages"，就是目前的对话历史，
        然后挨个调用message里AI推荐的工具
        """
        if (messages := inputs.get("messages", [])):
            message = messages[-1]  # 重要注释：只看最后一条消息（最新的）
        else:
            raise ValueError("输入中未找到消息")

        outputs = []  # 用来保存所有工具调用返回的ToolMessage对象

        # 重要注释：遍历所有AI建议调用的工具
        for tool_call in message.tool_calls:
            tool_result = self.tools_by_name[tool_call["name"]].invoke(
                tool_call["args"]
            )
            # 工具结果序列化成json后封装成ToolMessage
            outputs.append(
                ToolMessage(
                    content=json.dumps(tool_result),
                    name=tool_call["name"],
                    tool_call_id=tool_call["id"]
            ))
        return {"messages": outputs}

# 重要注释：路由函数，用于判断下一步流程
def route_tools(
    state: State,
) -> Literal["tools", "__end__"]:
    """
    判断是否需要工具调用（即AI回复里有没有要用工具），
    有的话返回"tools"，否则流程结束
    """
    # 重要注释：先取最后一条AI消息
    if isinstance(state, list):
        ai_message = state[-1]
    elif messages := state.get("messages", []):
        ai_message = messages[-1]
    else:
        raise ValueError(f"输入后状态中未找到消息: {state}")

    # AI回复里有tool_calls就说明要进tools节点
    if hasattr(ai_message, "tool_calls") and len(ai_message.tool_calls) > 0:
        return "tools"
    return "__end__"

# 重要注释：这是整个LangGraph状态图的定义
graph_builder = StateGraph(State)

# 重要注释：构建Tavily搜索工具，加入工具列表
tool = TavilySearchResults(
    max_results=2,
)
tools = [tool]

# 重要注释：创建大模型（这里是Qwen3），以及绑定可用工具
llm = ChatOpenAI(
    model="qwen3-max",
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
    api_key="xxxxxxxxxxxx",
)
llm_with_tools = llm.bind_tools(tools)

# 重要注释：定义和大模型对话节点，用于得到AI的回复
def chatbot(state: State):
    # 调用大模型得到最新回复，封装为messages返回
    return {"messages": [llm_with_tools.invoke(state["messages"])]}

# 重要注释：把工具节点和chatbot节点加到图里
tool_node = BasicToolNode(tools=[tool])
graph_builder.add_node("tools", tool_node)

graph_builder.add_node("chatbot", chatbot)

# 重要注释：定义状态图的边，控制流程走向
# 开始->chatbot->(分支)->tools或结束
graph_builder.add_edge(START, "chatbot")
graph_builder.add_conditional_edges(
    "chatbot",
    route_tools,  # 判断走哪里
    {
        "tools": "tools",
        "__end__": "__end__"
    }
)
graph_builder.add_edge("tools", "chatbot")

# 重要注释：编译graph并产出状态机，可以用Mermaid绘图
graph = graph_builder.compile()
try:
    from IPython.display import Image, display
    graph_image = graph.get_graph().draw_mermaid_png()
    with open("mychatbot_graph.png", "wb") as f:
        f.write(graph_image)
    print("Graph saved as mychatbot_graph.png")
except Exception as e:
    print(f"Mermaid visualization not available: {e}")

# 重要注释：主循环，不断读取用户输入向状态图发消息
while True:
    user_input = input("User: ")
    # 允许输入quit/exit/q退出
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break

    # 重要注释：graph.stream会驱动状态机，对每条event(每步状态流转)处理
    for event in graph.stream({"messages": [("user", user_input)]}):
        for value in event.values():
            if isinstance(value["messages"][-1], BaseMessage):
                # 重要注释：输出AI回复内容
                print("Assistant:", value["messages"][-1].content)

注释：

大模型不会自己调用函数，永远不要想着大模型调用了函数，我们只是在定义llm的时候，把可以用的工具通过bind_tools的方式告诉了它，它会自己判断需不需要调用工具。如果需要调用工具，那么它会自己生成tool_calls(函数名和参数都是大模型自己帮我们生成的)。
会有一个router函数，帮助解析大模型它是想调用tools还是直接输出结果。（调用工具的时候，类型是tools；如果不想调用的时候，大模型会有一个stop的字段。）这样router就知道大模型到底想干什么。
定义的BasicToolNode节点，是一个工具节点（它在初始化的时候，会将所有的工具都存到字典里），它需要解析大模型发来的消息，如果有tool_calls会根据这个函数名和参数，调用相应的工具，然后将工具产生的结果，以{"messages",output}方式返回给大模型。
这样，就实现了大模型调用工具的结果。
如果你想，监控一下调用流程可以使用langsmith，注册相关的api_key，将他们配置在代码中就可以了。

2.4 给ChatBot添加记忆功能(MemorySaver)

MemorySaver是LangGraph中的一个检查点机制(checkpointing)，用于保存和恢复对话或任务执行的状态。通过MemorySaver，我们可以在每个步骤后保存机器人的状态，并在之后恢复对话，允许机器人具有"记忆"功能，支持多轮对话、错误恢复、时间旅行等功能。

MemorySaver的核心功能：

状态持久化：

MemorySqver 以内存的形式保存对话或任务的当前状态。在每次状态图(StateGraph)执行时，MemorySaver会记录执行到某个节点的状态，并将状态保存在内存中。
在实际中，可以替换成SqliteSaver或PostgresSaver，将状态保存到数据库中，以便在系统重启后仍能恢复到之前的对话。
参考文档

多轮对话支持：

使用MemorySaver，每次调用状态图时，都会将对话的上下文保存下来。当用户重新发送消息时，机器人可以加载先前的状态，继续进行对话，而不会丢失上下文。

错误恢复：

在任务执行的过程中，如果发生了错误，MemorySaver可以帮助机器人恢复到之前的状态，从而重试任务或采取其他措施来处理错误。
他可以让机器人在任务失败或异常时从上一次成功的状态继续执行，而无需从头开始。

时间旅行：

MemorySaver还支持时间旅行功能。开发者可以回溯到之前的某个对话状态，从那个时间点继续执行不同的分支，这在调试和交互式应用中非常有用。
用户或开发者可以选择从某个状态点重新开始，并探索不同的执行路径。

仅仅修改了编译时候的代码，非常简单：

python 复制代码

memory = MemorySaver()
config = {"configurable":{"thread_id":"1"}}

# 重要注释：编译graph并产出状态机，可以用Mermaid绘图
graph = graph_builder.compile(checkpointer=memory)
try:
    from IPython.display import Image, display
    graph_image = graph.get_graph().draw_mermaid_png()
    with open("mychatbot_graph.png", "wb") as f:
        f.write(graph_image)
    print("Graph saved as mychatbot_graph.png")
except Exception as e:
    print(f"Mermaid visualization not available: {e}")

# 重要注释：主循环，不断读取用户输入向状态图发消息
while True:
    user_input = input("User: ")
    # 允许输入quit/exit/q退出
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break

    # 重要注释：graph.stream会驱动状态机，对每条event(每步状态流转)处理
    for event in graph.stream(
        {"messages": [("user", user_input)]},
        config = config,
        stream_mode="values",
    ):
        if "messages" in event:
            event["messages"][-1].pretty_print()


"""
User: 我叫小红
================================ Human Message =================================

我叫小红
================================== Ai Message ==================================

你好，小红！有什么我可以帮你的吗？
User: 布没有事情
================================ Human Message =================================

没有事情
================================== Ai Message ==================================

好的，如果你以后有任何问题或需要帮助，随时告诉我！祝你今天愉快！😊
User: 你知道我叫什么名字吗
================================ Human Message =================================

你知道我叫什么名字吗
================================== Ai Message ==================================

当然知道！你叫小红。😊
User: 
"""

附加的中断功能，可以人工主动介入

Langgraph为我们提供了一个可以主动介入流程的方法，compile()有一个interrupt_before参数，我们可以主动指定在某些工具之前停下。

python 复制代码

graph = graph_builder.compile(
    checkpointer=memory,
    interrupt_before=["tools"])

该工具就会在执行tools节点时停下：

运行代码：

python 复制代码

User: 我叫小红
================================ Human Message =================================

我叫小红
================================== Ai Message ==================================

你好，小红！有什么我可以帮你的吗？
User: 帮我查一下今天的天津温度
================================ Human Message =================================

帮我查一下今天的天津温度
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_17aa5fac249b44798d4d030a)
 Call ID: call_17aa5fac249b44798d4d030a
  Args:
    query: 今天天津温度
User: q
Goodbye!

我们发现，正常聊天不会暂停，只有大模型想要调用工具的时候，它就会暂停了。这里可以帮我我们观察大模型想要调用的工具和相关参数。

下面的代码展示了，我们暂停了，并且输出了此刻相关的状态信息。

python 复制代码

# 重要注释：主循环，不断读取用户输入向状态图发消息
while True:
    user_input = input("User: ")
    # 允许输入quit/exit/q退出
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break

    # 重要注释：graph.stream会驱动状态机，对每条event(每步状态流转)处理
    for event in graph.stream(
        {"messages": [("user", user_input)]},
        config = config,
        stream_mode="values",
    ):
        if "messages" in event:
            event["messages"][-1].pretty_print()
    
    # 这里可以获取状态
    snapshot = graph.get_state(config)
    print(f"\n[DEBUG] Next node to execute: {snapshot.next}")  # 应为 ('tools',)
    print(snapshot.values["messages"][-1])
		
		# 继续执行，传入None即可！！！！
    events = graph.stream(None, config, stream_mode="values")
    for event in events:
        if "messages" in event:
            event["messages"][-1].pretty_print()

User: beijing天气
================================ Human Message =================================

beijing天气
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_10037822b22b4cab8f898d35)
 Call ID: call_10037822b22b4cab8f898d35
  Args:
    query: beijing weather

[DEBUG] Next node to execute: ('tools',)
content='' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 26, 'prompt_tokens': 295, 'total_tokens': 321, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}}, 'model_provider': 'openai', 'model_name': 'qwen3-max', 'system_fingerprint': None, 'id': 'chatcmpl-8cd0ad00-fe0c-4f76-90cf-a4c77ebb1cae', 'finish_reason': 'tool_calls', 'logprobs': None} id='lc_run--ac9ffd88-5854-4415-8c36-55096bbef877-0' tool_calls=[{'name': 'tavily_search_results_json', 'args': {'query': 'beijing weather'}, 'id': 'call_10037822b22b4cab8f898d35', 'type': 'tool_call'}] usage_metadata={'input_tokens': 295, 'output_tokens': 26, 'total_tokens': 321, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_10037822b22b4cab8f898d35)
 Call ID: call_10037822b22b4cab8f898d35
  Args:
    query: beijing weather
================================= Tool Message =================================
Name: tavily_search_results_json

[{"url": "https://tripvenue.com/weather/china/l1816670/beijing/september", "content": "| Precipitation hours | 0 | 5 | 0 | 0 | 5 | 0 | 1 | 14 | 15 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 4 | 0 | 0 | 0 | 0 | 0 | 0 | 2 | 0 | 0 | 0 | 0 | 0 | 0 |\n| Wind speed (m/s) | 11.4 | 17.2 | 9.7 | 7.9 | 8.6 | 11.9 | 18 | 14.1 | 13.9 | 9.7 | 15.5 | 9.7 | 13.6 | 16.6 | 16.9 | 10.3 | 16.9 | 15.9 | 17.1 | 10.5 | 15.9 | 22.3 | 9.5 | 7.1 | 9.7 | 13.8 | 17.3 | 14.1 | 19.7 | 16.3 | [...] | Apparent min temperature | 26.1 | 25.7 | 28.1 | 30.3 | 29.9 | 29.8 | 29.6 | 27.9 | 23.2 | 24.2 | 25 | 20.7 | 21.5 | 22.2 | 23.2 | 25.4 | 24.3 | 24 | 19.2 | 19.2 | 20.9 | 20.2 | 18.6 | 16.1 | 18.1 | 20.8 | 16.8 | 16.1 | 16.3 | 14.1 | [...] | Apparent max temperature | 31.1 | 30.4 | 32.5 | 35.7 | 34.8 | 34.9 | 33.4 | 33.1 | 24.3 | 27.6 | 31.3 | 25.6 | 26.5 | 28.2 | 28.4 | 30.3 | 29.1 | 31.8 | 24.9 | 25 | 26.2 | 25.2 | 24.4 | 19.7 | 22.5 | 25.5 | 24.9 | 22.2 | 24.3 | 20.7 |\n| Mean temperature | 23.8 | 22.8 | 24.5 | 25.7 | 25.7 | 26 | 26.3 | 24.1 | 20.7 | 21.7 | 23 | 20.7 | 20.9 | 21.4 | 21.8 | 23.3 | 22.1 | 22.6 | 19.6 | 19.4 | 20.3 | 21 | 19.1 | 16 | 17.5 | 19.5 | 18.5 | 17.7 | 18.6 | 16.5 |"}, {"url": "https://world-weather.info/forecast/china/beijing/september-2025/", "content": "[](\n\nAverage weather in September 2025\n\n1 days\n\nPrecipitation\n\n16 days\n\nCloudy\n\n13 days\n\nSunny\n\nDay\n\n+82\n\n\u00b0F\n\nNight\n\n+65\n\n\u00b0F\n\nCompare with another month\n\nExtended weather forecast in Beijing\n\nHourlyWeek10-Day14-Day30-DayYear\n\nWeather in large and nearby cities\n\nTongzhou+50\u00b0\n\nLinxi+45\u00b0\n\nCangzhou+52\u00b0\n\nDingzhou+50\u00b0\n\nXinji+50\u00b0\n\nHengshui+50\u00b0\n\nShijiazhuang+52\u00b0\n\nQinhuangdao+45\u00b0\n\nDezhou+55\u00b0\n\nChengde+43\u00b0\n\nZhangjiakou+46\u00b0\n\nTangshan+45\u00b0\n\nMentougou+50\u00b0\n\nShunyi+50\u00b0\n\nLangfang+50\u00b0\n\nTianjin+48\u00b0\n\nXuanhua+48\u00b0"}]
================================== Ai Message ==================================

根据目前的搜索结果，北京的天气信息如下：

- **平均气温**：白天最高温度约为30°C（82°F），夜间最低温度约为18°C（65°F）。
- **降水情况**：9月通常有约1天的降雨，整体降水较少。
- **天气状况**：9月北京多为晴天（约13天），其余时间多云（约16天）。
- **风速**：风速变化较大，一般在7-22米/秒之间。

如果您需要更具体的实时天气信息，建议查看权威天气预报网站或应用以获取最新数据！

人工修改中间结果：

我们已经知道，机器人在调用工具之前停下了，是在进入tools节点停下来的。

现在我们要模拟tools产生的结果，然后让流程继续走下去。

我们首先需要，模拟工具返回消息的格式，手动插入工具调用的结果，到消息列表。

需要注意：创建一个ToolMessage消息对象，内容是我们手动提供工具调用结果；tool_call_id使用之前的工具调用ID关联这个消息。
更新状态，通过graph.update(config, {"messages":[tool_message]})，手动更新对话状态，插入工具调用结果。
继续执行对话，使用graph.stream(None,config)继续执行流程。

可以发现，我们主动改变了工具的流程！！！

python 复制代码

# 重要注释：主循环，不断读取用户输入向状态图发消息
while True:
    user_input = input("User: ")
    # 允许输入quit/exit/q退出
    if user_input.lower() in ["quit", "exit", "q"]:
        print("Goodbye!")
        break

    # 重要注释：graph.stream会驱动状态机，对每条event(每步状态流转)处理
    for event in graph.stream(
        {"messages": [("user", user_input)]},
        config = config,
        stream_mode="values",
    ):
        if "messages" in event:
            event["messages"][-1].pretty_print()
    

    snapshot = graph.get_state(config)
    print(f"\n[DEBUG] Next node to execute: {snapshot.next}")  # 应为 ('tools',)
    print(snapshot.values["messages"][-1])

    # 更改对话消息
    tool_message = ToolMessage(
        content="天津天气多云，38摄氏度。",
        tool_call_id=snapshot.values["messages"][-1].tool_calls[0]["id"]  #关联这次调用工具的id，这样大模型才能识别出来调用结束了
    )

    #更新消息状态
    graph.update_state(config, {"messages":[tool_message]})

    events = graph.stream(None, config, stream_mode="values")
    for event in events:
        if "messages" in event:
            event["messages"][-1].pretty_print()





User: 天津天气怎么样
================================ Human Message =================================

天津天气怎么样
================================== Ai Message ==================================
Tool Calls:
  tavily_search_results_json (call_0119fe6ed1734b3b918d8e47)
 Call ID: call_0119fe6ed1734b3b918d8e47
  Args:
    query: 天津天气

[DEBUG] Next node to execute: ('tools',)
content='' additional_kwargs={'refusal': None} response_metadata={'token_usage': {'completion_tokens': 25, 'prompt_tokens': 295, 'total_tokens': 320, 'completion_tokens_details': None, 'prompt_tokens_details': {'audio_tokens': None, 'cached_tokens': 0}}, 'model_provider': 'openai', 'model_name': 'qwen3-max', 'system_fingerprint': None, 'id': 'chatcmpl-adfa5d52-6ef3-49f1-8a7e-991191668079', 'finish_reason': 'tool_calls', 'logprobs': None} id='lc_run--4e6da103-51bf-448d-b4dd-6ff5fc3e91fe-0' tool_calls=[{'name': 'tavily_search_results_json', 'args': {'query': '天津天气'}, 'id': 'call_0119fe6ed1734b3b918d8e47', 'type': 'tool_call'}] usage_metadata={'input_tokens': 295, 'output_tokens': 25, 'total_tokens': 320, 'input_token_details': {'cache_read': 0}, 'output_token_details': {}}
================================= Tool Message =================================

天津天气多云，38摄氏度。
User: q
Goodbye!

查看聊天历史记录

使用graph.get_state_history()来获取对话的所有历史状态。

传入参数{"configurable":{"thread_id":"1"}}，可以获取指定线程的对话历史。

python 复制代码

# 获取指定线程 ID 的所有历史状态
history = graph.get_state_history({"configurable": {"thread_id": "1"}})

# 遍历历史记录，打印每个状态中的所有消息
for state in history:
    print("=== 对话历史 ===")
    # 遍历每个状态中的消息记录
    for message in state.values["messages"]:
        if isinstance(message, BaseMessage):
            # 根据消息类型区分用户与机器人
            if "user" in message.content.lower():
                print(f"User: {message.content}")
            else:
                print(f"Assistant: {message.content}")

这种方式是获取所有状态，所有消息可能会包含很多重复。需要使用消息id来过滤去重。

python 复制代码

# 获取指定线程 ID 的所有历史状态
history = graph.get_state_history({"configurable": {"thread_id": "3"}})

# 使用集合存储已处理过的消息 ID
seen_message_ids = set()

# 遍历历史记录，打印每个状态中的所有消息
for state in history:
    # 获取状态中的消息列表
    messages = state.values.get("messages", [])
    
    # 检查是否存在至少一条未处理的 BaseMessage 类型的消息
    valid_messages = [msg for msg in messages if isinstance(msg, BaseMessage) and msg.id not in seen_message_ids]
    
    if valid_messages:
        print("=== 对话历史 ===")
        for message in valid_messages:
            seen_message_ids.add(message.id)  # 记录消息 ID，避免重复处理
            if "user" in message.content.lower():
                print(f"User: {message.content}")
            else:
                print(f"Assistant: {message.content}")
    else:
        print("=== 空对话历史（无有效消息） ===")

综上，一个普通的聊天机器人就做好了。

有问题欢迎在评论区一起讨论～