《LangGraph开发AI Agent实践》内容简介、前言-CSDN博客
第1篇 基础篇
第1章 LangGraph基础技术 2
LangGraph作为LangChain生态体系下的图结构智能体开发框架，核心定位是为复杂多步骤智能体任务提供高效的流程建模与执行能力。其核心设计思路是通过可视化的节点（智能体功能单元）与边（任务流转逻辑）组合，实现智能体的状态管控、分支决策及循环执行，完美适配智能体开发中推理链优化、复杂任务拆解、多智能体协同等核心场景。与传统的智能体开发框架相比，LangGraph的核心竞争力体现在动态工作流编排、状态持久化存储及多智能体协作效率上，其关键技术组件包含节点（功能落地载体）、边（逻辑控制核心）、状态（数据缓存中心）与条件分支（智能决策机制）。相较于侧重线性流程的LangChain、侧重数据索引的LlamaIndex等框架，LangGraph在智能体复杂流程管控、动态适配能力及多智能体协同效能上具备显著优势，为智能体从原型开发到生产部署提供了全流程技术支撑。
1.1 智能体开发视角下的LangGraph定义-CSDN博客
1.2 LangGraph在智能体开发中的核心技术优势-CSDN博客
1.3 LangGraph智能体开发的关键技术组件-CSDN博客
1.4 智能体开发框架对比：LangGraph与主流方案-CSDN博客
1.5 本章小结 8
第2章 开发环境搭建 9
任何希望将AI Agent落实到具体项目，首先要解决"用什么写"和"怎么写"这两个问题。在本章中，我们将指导读者完成Agent开发环境搭建，内容包括Miniconda的安装、PyTorch的安装、PyCharm的安装、LLM（阿里云百炼Qwen3）的调用以及创建一个基础聊天机器人。通过这些内容的讲解，读者将掌握Agent开发环境的搭建方法。
2.1 开发环境安装 9
2.2 LLM的调用与使用示例-CSDN博客
2.3 实战案例：创建一个基础聊天机器人-CSDN博客
2.4 本章小结 26
第3章 构建带工具与记忆功能的聊天机器人 27
在本章中，我们将通过添加工具使用能力来增强上一章最后实现的基础聊天机器人，使其能够访问外部信息源，回答更广泛的问题。同时，为了构建有状态、可持续交互的智能体核心能力，我们将使用LangGraph的MemorySaver类，在这个基础聊天机器人中实现轻量级、可持久化的状态记忆功能，使其能自动保存对话历史、执行步骤、状态数据，让智能体记住用户信息、上下文和执行结果，彻底解决无记忆交互的碎片化问题。
3.1 环境准备 27
3.2 实战案例：使用工具和记忆增强 28
3.3 案例代码解析 30
3.4 本章小结 33
第4章 构建自定义RAG检索Agent 35
在前3章中，我们已经系统学习了LangGraph的核心原理、基础架构、核心组件及开发环境搭建，明确了解决大模型"知识过时、幻觉生成"问题的核心价值，以及LangGraph在构建多步骤、状态化AI智能体中的独特优势。
本章将立足实战，从零开始构建一个可直接运行、可扩展的自定义RAG检索智能体，把前两章的理论知识转化为实际应用。通过本章节的学习，你将掌握文档加载、文本分割、向量嵌入与存储的完整流程，熟练运用LangGraph的Graph API（状态、节点、边、条件边）定义智能体的执行逻辑，最终实现一个能够"智能判断是否需要检索、按需调用知识库、精准生成回答"的RAG智能体。
本章核心目标：
- 掌握RAG检索智能体的完整技术栈与实现流程。
- 熟练运用文档加载器、文本分割器、嵌入模型与向量存储构建私有知识库。
- 深入理解LangGraph核心组件（状态、节点、边、条件边）的实战应用。
- 独立完成自定义RAG检索智能体的开发、测试与优化。
本章适合具备基础Python编程能力、了解LangChain与LangGraph基础概念的读者，所有代码均提供完整注释与运行说明，可直接复制调试，同时兼顾理论讲解与实战细节，帮助读者夯实技术基础。
4.1 核心概念与环境准备 35
4.1.1 核心概念 36
4.1.2 环境准备 36
4.2 从零构建自定义RAG检索Agent 37
4.2.1 步骤1：导入依赖与初始化配置 38
4.2.2 步骤2：构建私有知识库（PDF文档加载与向量存储） 43
4.2.3 步骤3：定义LangGraph状态（State） 44
4.2.4 步骤4：定义LangGraph节点（Node） 45
4.2.5 步骤5：构建LangGraph流程图（边+条件边） 49
4.2.6 步骤6：运行Agent并测试 52
4.3 代码运行说明与常见问题排查 56
4.4 核心知识点实战落地对应表 57
4.5 扩展优化方向 58
4.6 本章小结 59
第2篇 开发篇
第5章 构建智能体工作流 62
在智能体系统中，工作流（Workflow）是任务执行的骨架，决定了信息如何在不同组件（如LLM、工具、记忆模块、其他智能体）之间流转。LangGraph作为基于状态图（State Graph）的工作流构建框架，支持从简单线性流到复杂多智能体协同系统的灵活建模。本章将以DeepSeek和Qwen作为大语言模型（LLM），系统讲解三类典型的LangGraph工作流的设计方法，涵盖线性工作流设计、非线性工作流（分支与动态路由）以及多智能体协作模式三个核心部分。
5.1 线性工作流设计-CSDN博客
5.1.1 技术背景与核心概念 62
5.1.2 环境依赖 63
5.1.3 线性工作流设计的核心步骤 64
5.1.4 进阶优化与扩展 67
5.1.5 文档摘要工作流的完整程序实现 68
5.2 非线性工作流：分支与动态路由 72
5.2.1 LangGraph非线性工作流核心概念解析 72
5.2.2 环境准备 73
5.2.3 技术详解与案例实现 73
5.2.4 非线性工作流完整案例实现 79
5.3 多智能体协作模式 83
5.3.1 多智能体协作原理 83
5.3.2 多智能体协作核心组件 85
5.3.3 多智能体协作模式分类 85
5.3.4 实战案例：多智能体数据分析协作系统 86
5.3.5 进阶扩展：决策调度模式优化（可选） 90
5.3.6 多智能体数据分析协作系统实现 92
5.4 本章小结 100
第6章 集成外部工具与API 101
LangGraph作为LangChain生态下的图结构智能体框架，核心优势在于通过状态管理和节点流转实现复杂任务的分步执行，其与外部工具/API的集成是扩展智能体能力边界的关键。本章基于DeepSeek/Qwen LLM，结合完整的实战案例，详解RESTful API调用、数据库操作、自定义工具开发三个核心技术点。
6.1 调用RESTful API与外部服务交互-CSDN博客
6.1.1 调用RESTful API：与外部服务交互 102
6.1.2 天气查询（调用OpenWeatherMap API） 103
6.1.3 天气查询程序代码解析 107
6.2 数据库连接与操作 115
6.2.1 数据库连接与操作：结构化数据交互 115
6.2.2 案例：用户信息管理（MySQL数据库操作） 116
6.2.3 案例代码解析 129
6.3 自定义工具开发 134
6.3.1 自定义工具开发：满足个性化需求 134
6.3.2 自定义工具开发案例：实时多工具协同智能助手 135
6.3.3 案例代码解析 144
6.4 本章小结 155
第7章 状态管理与持久化 156
LangGraph作为面向多智能体、工作流编排的图计算框架，核心优势在于显式的状态管理和可中断/可恢复的执行能力。本章将从状态机实现、存储方案、异常恢复三个核心维度展开技术解析，并结合通义千问（Qwen）实现可运行的实战案例。
7.1 状态机的实现 156
7.1.1 技术详解 156
7.1.2 实战案例：智能客服对话状态机 157
7.1.3 案例代码解析 161
7.2 本地与云端存储方案 164
7.2.1 本地与云端存储方案技术详解 164
7.2.2 实战案例：本地文件存储+阿里云OSS云端存储 165
7.2.3 案例代码解析 186
7.3 异常恢复与断点续跑 188
7.3.1 异常恢复与断点续跑技术详解 188
7.3.2 实战案例：带异常恢复的数据分析工作流 189
7.3.3 案例代码解析 193
7.4 本章小结 196
第8章 智能体（Agent）集成 197
本章将详细讲解LangChain Agent集成到LangGraph中的方法、构建智能体主管、实现多智能体协作，以及处理工具调用与输出解析，并提供基于通义千问（Qwen）的、可运行的实战代码。
8.1 将LangChain Agent作为特殊节点 197
8.1.1 技术详解 197
8.1.2 实战案例：财务分析Agent节点 198
8.1.3 案例代码解析 201
8.2 构建智能体主管 202
8.2.1 技术详解 202
8.2.2 实战案例：多领域智能体主管 203
8.2.3 案例代码解析 208
8.3 实现多智能体协作工作流 210
8.3.1 技术详解 210
8.3.2 实战案例：电商客服多智能体协作 210
8.3.3 案例代码解析 216
8.4 处理智能体的工具调用与输出解析 217
8.4.1 技术详解 217
8.4.2 实战案例：智能工具调用与输出解析 218
8.4.3 案例代码解析 224
8.5 本章小结 226
第3篇 实战应用篇
第9章 构建客户支持聊天机器人 228
本项目旨在构建一个多智能体协作式客户支持聊天机器人，基于LangGraph构建状态化、可追踪、可调试的工作流，利用通义千问（Qwen）作为核心大语言模型（LLM）提供语义理解与生成能力，并通过Gradio提供直观的Web交互界面。
9.1 需求分析与工作流设计 228
9.2 架构设计 229
9.3 初始化模型 231
9.4 构建图结构~定义节点的逻辑 232
9.5 连接节点～转向边缘 234
9.6 LangSmith追踪 235
9.7 聊天机器人项目完整实现 237
9.8 本章小结 244
第10章 构建旅行规划智能体 245
本章将实现基于LangGraph构建一个具备多轮交互、工具集成、记忆机制的旅行规划助手智能体，LLM使用通义千问，并用Gradio实现Web交互界面，提供可落地的完整项目实现方案。
10.1 核心技术栈 245
10.2 核心功能模块 246
10.3 LangGraph状态机设计 247
10.4 技术实现架构 247
10.5 实现基础LangGraph对话流，支持简单行程生成 251
10.6 集成至少3个外部工具（天气、酒店、景点） 262
10.7 添加记忆机制与用户偏好存储 269
10.8 智能体完整实现程序 274
10.9 本章小结 295
第11章 构建电商客服退款处理智能体 296
该项目面向电商平台的退款客服场景，旨在构建一套自动化+人工审核相结合的智能退款处理系统，解决传统退款流程中人工成本高、处理效率低、规则执行不统一的问题。
11.1 开发环境 297
11.2 LLM调用 297
11.3 项目架构设计 299
11.3.1 config/settings（配置模块） 299
11.3.2 tools/（外部工具调用模块） 300
11.3.3 agents/（智能体核心模块） 301
11.3.4 graph/（LangGraph定义） 302
11.3.5 Interface/（交互界面） 305
11.3.6 main.py（项目入口） 306
11.4 案例综合实现 307
11.5 本章小结 316
第12章 构建股票趋势预测智能分析系统 318
本项目是一套基于LangGraph框架构建的智能股票分析系统，集成了实时行情获取、技术指标计算、LLM分析预测、可视化图表生成等能力，通过Gradio提供友好的交互界面，可用于金融教学演示或个人投资辅助分析。
12.1 项目概述 318
12.2 开发环境 319
12.3 LLM调用与配置方案 320
12.4 项目架构设计 321
12.5 智能体核心模块（LangGraph定义） 323
12.6 交互界面与项目入口 324
12.7 项目扩展 324
12.8 项目落地 325
12.9 股票趋势预测智能分析系统 325
12.10 本章小结 335
