langgraph基础示例

一个完整的、可运行的基础示例。这里我以调用 OpenAI 的模型为例（您可以替换成任何 LangChain 支持的模型）。

核心代码实现

复制代码

from langgraph.graph import StateGraph, START, END, MessagesState
from langchain_openai import ChatOpenAI
from langchain_core.messages import HumanMessage

# 1. 初始化大语言模型
# 这里可以替换成你使用的其他模型，比如 ChatOllama, ChatAnthropic 等
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 2. 定义节点函数 (Node)
# 这个函数接收当前状态，调用模型，并返回要更新的状态
def call_model(state: MessagesState):
    # 从状态中提取当前的对话历史
    messages = state["messages"]
    
    # 将对话历史传给大模型，获取回复
    response = llm.invoke(messages)
    
    # 返回一个字典，LangGraph 底层会自动将这个 response 追加到 messages 列表中
    return {"messages": [response]}

# 3. 构建图 (Graph)
# 实例化图，直接传入内置的 MessagesState
workflow = StateGraph(MessagesState)

# 添加我们刚刚定义的 LLM 节点，并给它起个名字叫 "llm_node"
workflow.add_node("llm_node", call_model)

# 4. 定义图的流转逻辑 (Edges)
# 从特殊的 START 节点连接到我们的 LLM 节点
workflow.add_edge(START, "llm_node")

# 从 LLM 节点连接到特殊的 END 节点，表示图的运行结束
workflow.add_edge("llm_node", END)

# 5. 编译成可运行的智能体应用
app = workflow.compile()

如何运行测试它？

编译好 app 之后，您就可以像调用普通的 LangChain 对象一样，使用 invoke 方法传入初始消息了：

复制代码

# 构造第一条人类消息
initial_input = {"messages": [HumanMessage(content="你好！请用一句话介绍一下 LangGraph。")]}

# 运行图
final_state = app.invoke(initial_input)

# 打印结果
# final_state["messages"] 会包含所有的对话历史（你发出的 + AI 回复的）
print("AI 回复:", final_state["messages"][-1].content)

代码逻辑拆解

START 和 END : 它们是 LangGraph 提供的特殊常量（通过 from langgraph.graph import START, END 引入），用来标记工作流的起点和终点。
MessagesState : 您可以看到，我们在 StateGraph(MessagesState) 中直接使用了它，整个过程中没有任何自定义类的代码。
节点的返回值 : 在 call_model 中，我们 return {"messages": [response]}。因为 MessagesState 底层已经配置好了归约器（reducer），系统不会用这个新消息覆盖掉你的历史记录，而是会自动把它追加（append）到列表中。