「 LLM实战 - 企业」企业级LangGraph实战项目搭建

文章目录

- Agent
- Workflow
- LangGraph本地服务
- - 创建一个LangGraph项目
  - - 1、创建python虚拟环境
    - [2、安装LangGraph CLI](#2、安装LangGraph CLI)
    - 3、创建LangGraph应用
    - 4、启动LangGraph服务器
- 调用Agent发布的API接口
- - 异步调用
  - 同步调用
- 企业开发思路&流程
- Tool工具定义

LangGraph是一个用于复杂代理系统的编排框架，比Langchain代理更底层，更可控。

LangGraph不会给你增加代码上的开销，是专门为流式工作流设计的。

Agent

智能体=Agent

模型具备：

外部工具访问权限
自主规划与任务执行任务的推理能力

这种结合推理能力与外部信息访问的系统，就叫智能体Agent。

智能体的认知架构中有三个基本组件：

模型model
工具tools
提示词

LLM在一个循环中运行，在每次迭代中，他会选择一个要调用的工具，提供输入，接收结果（一个观察），并利用该观察来指导下一个动作，循环一直持续，直到满足停止条件------通常是Agent已经收集到足够的信息来响应用户的时候。

Workflow

workflow又叫做图。

Agent系统分为两类：

第一类是workflow，遵循定义的工作流，编排LLM和工具，固定代码路径
第二类就是Agent：就是一个完全自主的系统，自身推理、规划，自主控制，完成任务。

Agent智能体搞不定的时候，可以用编排流程做工作流。在智能体的世界中，一切都是图。当Agent智能体出现大模型幻觉的时候，我们就可以使用workflow工作流。

宏观来看：整个工作流workflow其实就是一个智能体。

LangGraph本地服务

LangGraph就是一个多平台命令行工具，用户在本地构建和运行LangGraph API服务，生成的服务器包含您的图所有的运行、线程等API端点。

创建一个LangGraph项目

1、创建python虚拟环境

cmd输入：

pip install virtualenv

创建虚拟环境：

D:\Environment\python\env_py>D:\Environment\python\Python3.11\Scripts\virtualenv.exe new_langgraph_env

D:\Environment\python\env_py>D:\Environment\python\Python3.11\Scripts\virtualenv.exe new_langgraph_env

created virtual environment CPython3.11.0.beta.1-64 in 20997ms

creator CPython3Windows(dest=D:\Environment\python\env_py\new_langgraph_env, clear=False, no_vcs_ignore=False, global=False)

seeder FromAppData(download=False, pip=bundle, setuptools=bundle, via=copy, app_data_dir=C:\Users\linghu\AppData\Local\pypa\virtualenv)

added seed packages: pip25.3, setuptools80.9.0

activators BashActivator,BatchActivator,FishActivator,NushellActivator,PowerShellActivator,PythonActivator

D:\Environment\python\env_py>

然后去激活自己创建的虚拟环境：

D:\Environment\python\env_py\new_langgraph_env 的目录

2025/12/28 13:55
.
2025/12/28 13:55 ...
2025/12/28 13:55 42 .gitignore
2025/12/28 13:55 197 CACHEDIR.TAG
2025/12/28 13:55 Lib
2025/12/28 13:55 321 pyvenv.cfg
2025/12/28 13:55 Scripts
3 个文件 560 字节
4 个目录 150,790,975,488 可用字节

D:\Environment\python\env_py\new_langgraph_env>cd Scripts

D:\Environment\python\env_py\new_langgraph_env\Scripts>activate

(new_langgraph_env) D:\Environment\python\env_py\new_langgraph_env\Scripts>...

2、安装LangGraph CLI

pip install --upgrade "langgraph-cli[inmem]"

3、创建LangGraph应用

langgraph new langgraph_demo

(new_langgraph_env) D:\Environment\python\env_py\new_langgraph_env\Scripts>cd d:\PersonWork\Projects\AIProjects

(new_langgraph_env) d:\PersonWork\Projects\AIProjects>langgraph new langgraph_demo

🌟 Please select a template:

New LangGraph Project - A simple, minimal chatbot with memory.

ReAct Agent - A simple agent that can be flexibly extended to many tools.

Memory Agent - A ReAct-style agent with an additional tool to store memories for use across conversational threads.

Retrieval Agent - An agent that includes a retrieval-based question-answering system.

Data-enrichment Agent - An agent that performs web searches and organizes its findings into a structured format.
Enter the number of your template choice (default is 1):

You selected: New LangGraph Project - A simple, minimal chatbot with memory.

Choose language (1 for Python 🐍, 2 for JS/TS 🌐):

Choose language (1 for Python 🐍, 2 for JS/TS 🌐):

Choose language (1 for Python 🐍, 2 for JS/TS 🌐): 1

📥 Attempting to download repository as a ZIP archive...

URL: https://github.com/langchain-ai/new-langgraph-project/archive/refs/heads/main.zip

✅ Downloaded and extracted repository to d:\PersonWork\Projects\AIProjects\langgraph_demo

🎉 New project created at d:\PersonWork\Projects\AIProjects\langgraph_demo

(new_langgraph_env) d:\PersonWork\Projects\AIProjects>

打包应用：

pip install -e .

4、启动LangGraph服务器

langgraph dev

python 复制代码

"""LangGraph single-node graph template.

Returns a predefined response. Replace logic and configuration as needed.
"""

from __future__ import annotations

from dataclasses import dataclass
from typing import Any, Dict

from langchain_core.tools import tool
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph
from langgraph.prebuilt import create_react_agent
from langgraph.runtime import Runtime
from typing_extensions import TypedDict

from src.env_utils import DASHSCOPE_API_KEY, DASHSCOPE_BASE_URL


class Context(TypedDict):
    """Context parameters for the agent.

    Set these when creating assistants OR when invoking the graph.
    See: https://langchain-ai.github.io/langgraph/cloud/how-tos/configuration_cloud/
    """

    my_configurable_param: str


@dataclass
class State:
    """Input state for the agent.

    Defines the initial structure of incoming data.
    See: https://langchain-ai.github.io/langgraph/concepts/low_level/#state
    """

    changeme: str = "example"


async def call_model(state: State, runtime: Runtime[Context]) -> Dict[str, Any]:
    """Process input and returns output.

    Can use runtime context to alter behavior.
    """
    return {
        "changeme": "output from call_model. "
        f"Configured with {(runtime.context or {}).get('my_configurable_param')}"
    }


llm = ChatOpenAI(
    model="qwen3-max",
    temperature=0.8,
    openai_api_key=DASHSCOPE_API_KEY,
    openai_api_base=DASHSCOPE_BASE_URL,
)
@tool(description="Get weather information for a given city.")
def get_weather(city: str)->str:
    return f"It's sunny in {city}"

# Define the graph
graph = create_react_agent(
    llm,
    tools=[get_weather],
    prompt="你是智能助手"
)

(new_langgraph_env) PS D:\PersonWork\Projects\AIProjects\langgraph_demo> langgraph dev

INFO:langgraph_api.cli:
复制代码
    Welcome to
╦ ┌─┐┌┐┌┌─┐╔═╗┬─┐┌─┐┌─┐┬ ┬

║ ├─┤││││ ┬║ ╦├┬┘├─┤├─┘├─┤

╩═╝┴ ┴┘└┘└─┘╚═╝┴└─┴ ┴┴ ┴ ┴

🚀 API: http://127.0.0.1:2024

🎨 Studio UI: https://smith.langchain.com/studio/?baseUrl=http://127.0.0.1:2024

📚 API Docs: http://127.0.0.1:2024/docs

This in-memory server is designed for development and testing.

For production use, please use LangSmith Deployment.

调用Agent发布的API接口

pythonSDK安装：

pip install langgraph-sdk

写一个单元测试，在项目的test文件夹下：

异步调用

python 复制代码

import asyncio

from langgraph_sdk import get_client
#调用智能体发布的API接口
client=get_client(url="http://localhost:2024")

async def main():
    async for chunk in client.runs.stream(
        None,
        "agent",
        input={
            "message":[
                {
                    "role": "human",
                    "content": "今天，北京的天气怎么样？"
                }
            ],
        },
    ):
        print(f"Receving new event of type:{chunk.event}...")
        print(chunk.data)
        print("\n\n")

if __name__ == '__main__':
    asyncio.run(main())

同步调用

python 复制代码

import asyncio

from langgraph_sdk import get_client
#调用智能体发布的API接口
client=get_client(url="http://localhost:2024")

def main():
    for chunk in client.runs.stream(
        None,
        "agent",
        input={
            "message":[
                {
                    "role": "human",
                    "content": "今天，北京的天气怎么样？"
                }
            ],
        },
        stream_mode="messages"
    ):
        print(f"Receving new event of type:{chunk.event}...")
        print(chunk.data)
        print("\n\n")

if __name__ == '__main__':
    run(main())

企业开发思路&流程

首先使用LangGraph CLI创建项目模板
安装依赖，用pycharm打开项目
LangGraph dev启动项目进行测试
还可以测试API接口。
把程序发布成docker容器，放在服务器上跑起来。
未来可以通过Java、python调用我们的智能体的API接口

Tool工具定义

智能体的四种消息类型：

humanmessage
aimessage
toolmessage
aimessage

「 LLM实战 - 企业 」企业级LangGraph实战项目搭建

文章目录

Agent

Workflow

LangGraph本地服务

创建一个LangGraph项目

1、创建python虚拟环境

2、安装LangGraph CLI

3、创建LangGraph应用

4、启动LangGraph服务器

调用Agent发布的API接口

异步调用

同步调用

企业开发思路&流程

Tool工具定义

「 LLM实战 - 企业」企业级LangGraph实战项目搭建