LangGraph-快速入门-第一个例子

zhr_math_king2026-07-17 15:18

概述

本文档是 first_agent.py 的详细技术说明。我们将从零开始，使用 LangGraph 框架和 DeepSeek 大模型，构建一个具备工具调用（Tool Calling）能力的 AI Agent。

这个 Agent 能够：

  • 理解用户的自然语言问题
  • 自动调用合适的工具（函数）获取信息
  • 记住多轮对话上下文
  • 返回结构化的响应数据

核心概念

什么是 Agent？

Agent（智能体）是一个能够自主决策的 AI 程序。与普通的聊天机器人不同，Agent 可以：

  1. 推理：分析用户的意图
  2. 行动：调用外部工具或 API 完成任务
  3. 观察：根据工具返回的结果继续推理

这就是经典的 ReAct（Reasoning + Acting） 模式。

什么是 LangGraph？

LangGraph 是 LangChain 生态中的框架，专门用于构建有状态的、多步骤的 AI 应用。它的核心优势是：

  • 内置状态管理（记忆对话历史）
  • 支持工具调用
  • 支持结构化输出
  • 易于扩展为多 Agent 系统

什么是 DeepSeek？

DeepSeek 是一个高性价比的大语言模型提供商，其 deepseek-chat 模型（官方公布了下线时间， 可替换为其他的模型， 比如 flash版本）支持 Function Calling（工具调用），非常适合用来构建 Agent。

环境准备

1. Python 版本要求

建议使用 Python 3.10 及以上版本。

bash 复制代码 
python --version

2. 创建虚拟环境

bash 复制代码 
# 创建虚拟环境
python -m venv venv

# 激活虚拟环境（Windows CMD）
venv\Scripts\activate

# 激活虚拟环境（Windows PowerShell）
.\venv\Scripts\Activate.ps1

# 激活虚拟环境（Linux/macOS）
source venv/bin/activate

3. 安装依赖

项目依赖清单（requirements.txt）：

复制代码 
langgraph
langchain-deepseek
langchain
python-dotenv

安装命令：

bash 复制代码 
pip install -r requirements.txt

如果安装缓慢，可配置国内镜像源：

bash 复制代码 
pip config set global.index-url https://mirrors.aliyun.com/pypi/simple/

DeepSeek API Key 配置

1. 获取 API Key

  1. 前往 DeepSeek 开放平台 注册账号
  2. 登录后进入「API Keys」页面
  3. 点击「创建 API Key」，复制生成的密钥

2. 配置环境变量

在项目根目录创建 .env 文件（注意：该文件不应提交到 Git）：

env 复制代码 
# DeepSeek API Key
DEEPSEEK_API_KEY=sk-xxxxxxxxxxxxxxxxxxxxxxxxxxxxxxxx

项目已提供 .env.template 作为模板参考：

env 复制代码 
# deekseep api key
DEEPSEEK_API_KEY=your_deepseek_key

复制模板并填入你的真实密钥：

bash 复制代码 
# Windows CMD
copy .env.template .env

# Linux/macOS
cp .env.template .env

然后用编辑器打开 .env，将 your_deepseek_key 替换为你的真实 API Key。

3. 为什么用 .env？

  • 安全：密钥不会硬编码在源码中
  • 灵活：不同环境（开发/测试/生产）可以使用不同配置
  • 协作 ：.env 在 .gitignore 中，不会误提交到仓库

代码详解

完整代码

python 复制代码 
import os

from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langgraph.checkpoint.memory import InMemorySaver
from pydantic import BaseModel


class WeatherResponse(BaseModel):
    temperature: float
    description: str
    humidity: int


checkpointer = InMemorySaver()

load_dotenv()


def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"


model = ChatDeepSeek(
    model="deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
)

agent = create_agent(
    model=model,
    tools=[get_weather],
    checkpointer=checkpointer,
    system_prompt="You are a helpful assistant",
    response_format=WeatherResponse,
)

config = {"configurable": {"thread_id": "1"}}

sf_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config=config,
)

ny_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what about new york?"}]},
    config=config,
)

print(sf_response)
print(sf_response["structured_response"])

print(ny_response)
print(ny_response["structured_response"])

逐段解析

第一部分：导入和配置
python 复制代码 
import os
from dotenv import load_dotenv
from langchain.agents import create_agent
from langchain_deepseek import ChatDeepSeek
from langgraph.checkpoint.memory import InMemorySaver
from pydantic import BaseModel
模块 作用
os 读取环境变量
dotenv 从 .env 文件加载环境变量
create_agent LangGraph 的 Agent 工厂函数
ChatDeepSeek DeepSeek 模型的 LangChain 适配器
InMemorySaver 内存中的对话状态持久化
BaseModel Pydantic 数据模型，用于定义结构化输出
第二部分：定义结构化输出格式
python 复制代码 
class WeatherResponse(BaseModel):
    temperature: float
    description: str
    humidity: int

这里使用 Pydantic 定义了 Agent 的响应结构。Agent 最终会返回符合这个 schema 的 JSON 数据，而不是自由文本。这在实际应用中非常有用------下游程序可以直接解析结构化数据。

字段含义：

  • temperature：温度（浮点数）
  • description：天气描述（字符串）
  • humidity：湿度百分比（整数）
第三部分：初始化 Checkpointer
python 复制代码 
checkpointer = InMemorySaver()

Checkpointer 负责保存对话状态。InMemorySaver 将状态存储在内存中，程序退出后会丢失。在生产环境中可以替换为 SqliteSaver 或 PostgresSaver 实现持久化。

第四部分：加载环境变量
python 复制代码 
load_dotenv()

这行代码会读取项目根目录的 .env 文件，将其中的键值对加载为环境变量。必须在 os.getenv() 之前调用。

第五部分：定义工具函数
python 复制代码 
def get_weather(city: str) -> str:
    """Get weather for a given city."""
    return f"It's always sunny in {city}!"

这是 Agent 可以调用的「工具」。关键点：

  • 函数签名的类型注解 （city: str）告诉 LLM 这个工具需要什么参数
  • docstring 告诉 LLM 这个工具的功能是什么
  • LLM 会根据这些信息自主决定何时调用、传什么参数

在实际项目中，这里可以替换为真实的天气 API 调用（如 OpenWeatherMap）。

第六部分：初始化模型
python 复制代码 
model = ChatDeepSeek(
    model="deepseek-chat",
    api_key=os.getenv("DEEPSEEK_API_KEY"),
)

创建 DeepSeek 模型实例。api_key 从环境变量中读取，避免硬编码。

第七部分：创建 Agent
python 复制代码 
agent = create_agent(
    model=model,
    tools=[get_weather],
    checkpointer=checkpointer,
    system_prompt="You are a helpful assistant",
    response_format=WeatherResponse,
)
参数 说明
model 使用的大语言模型
tools Agent 可使用的工具列表
checkpointer 对话状态管理器，启用多轮记忆
system_prompt 系统提示词，定义 Agent 的角色和行为
response_format 结构化输出的 Pydantic 模型
第八部分：多轮对话
python 复制代码 
config = {"configurable": {"thread_id": "1"}}

sf_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config=config,
)

ny_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what about new york?"}]},
    config=config,
)

关键点：

  • thread_id 是对话线程的唯一标识。相同 thread_id 的请求共享对话历史
  • 第二次请求 "what about new york?" 没有明确提到「天气」，但因为有上下文记忆，Agent 知道用户在问天气
  • 这就是 Checkpointer 的作用：让 Agent 具备多轮对话能力
第九部分：获取结果
python 复制代码 
print(sf_response)
print(sf_response["structured_response"])
  • sf_response 包含完整的对话消息列表
  • sf_response["structured_response"] 是符合 WeatherResponse 结构的解析后数据

运行

bash 复制代码 
# 确保已激活虚拟环境
python src/first_agent.py

预期输出会包含：

  1. Agent 的完整消息链（包含工具调用过程）
  2. 结构化的天气数据（WeatherResponse 格式）

Agent 执行流程图

复制代码 
用户输入: "what is the weather in sf"
         │
         ▼
┌─────────────────────┐
│   LLM 推理          │  ← 分析用户意图，决定调用 get_weather
│   (DeepSeek)        │
└─────────┬───────────┘
          │
          ▼
┌─────────────────────┐
│   工具调用           │  ← get_weather(city="San Francisco")
│   get_weather       │
└─────────┬───────────┘
          │
          ▼
┌─────────────────────┐
│   LLM 生成响应      │  ← 根据工具返回结果，生成结构化回答
│   (DeepSeek)        │
└─────────┬───────────┘
          │
          ▼
  结构化输出: WeatherResponse

与官方示例的区别

特性 官方示例 本项目
模型 Anthropic DeepSeek
工具调用 基础示例 相同

常见问题

Q: 报错 ModuleNotFoundError: No module named 'langchain_deepseek'

确保依赖已正确安装：

bash 复制代码 
pip install langchain-deepseek

Q: 报错 AuthenticationError 或 API Key 无效

  1. 检查 .env 文件是否在项目根目录
  2. 检查 Key 是否正确复制（无多余空格）
  3. 确认 DeepSeek 账户余额是否充足

Q: 想用真实天气数据怎么办？

将 get_weather 函数体替换为真实 API 调用即可，例如：

python 复制代码 
import requests

def get_weather(city: str) -> str:
    """Get real weather for a given city using OpenWeatherMap API."""
    api_key = os.getenv("OPENWEATHER_API_KEY")
    url = f"https://api.openweathermap.org/data/2.5/weather?q={city}&appid={api_key}&units=metric"
    response = requests.get(url)
    data = response.json()
    return f"Temperature: {data['main']['temp']}°C, {data['weather'][0]['description']}"

下一步

  • 继续尝试LangGraph的例子： 构建一个基本的聊天机器人
相关推荐
爱吃苹果的梨叔2 小时前
2026年指挥中心分布式坐席怎么选？清虹创智让多系统、多坐席和大屏真正协同
python
起予者汝也2 小时前
Python 数据结构
开发语言·数据结构·python
LadenKiller2 小时前
2026年量化工具增量，放回回测模拟实盘阶段判断
人工智能·python
石一峰6992 小时前
驱动：私有数据为什么要在三个地方各挂一遍？
数据库·python·算法
BraveWang2 小时前
【LangChain 1.x】07、生产环境模型管理｜能力检测、限流、监控与容错
langchain
2601_956319882 小时前
最新量化软件怎么选，先按能力短板匹配工具类型
人工智能·python
Tbisnic2 小时前
26.AI大模型：RNN、LSTM、GRU
人工智能·python·rnn·gru·大模型·llm·lstm
七夜zippoe3 小时前
OpenClaw 实战：智能文档助手——从问答到生成的完整方案
人工智能·python·机器学习·openclaw·智能文档
小折耳猫_3 小时前
智能体评估与测试体系
langchain·智能体·langgraph
热门推荐
012026年7月AI圈大地震：GPT-5.6被政府限制、Claude入驻Slack、Anthropic自研芯片02GitHub 镜像站点03AI科技热点日报 | 2026年07月01日04幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南05AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路06国内可直接用、免费额度/永久免费的大模型API清单（含 SiliconFlow、火山、阿里、智谱、百度、Kimi、DeepSeek、DMXAPI 等）072026 国产 AI 大模型横评：DeepSeek、通义千问、Kimi、文心一言、星火、豆包谁更能打？08Codex 下载安装指南：Windows 和 macOS 官方版下载092026 年 AI 大模型 & AI 编程工具实战全总结10全面体验 Grok API 中转站（2025 · Grok 4 系列最新版）