从向量嵌入到复杂 Agent：LLM、LangChain、LangGraph 完整科普

小白说大模型2026-07-20 16:25

目录

引言：从"记忆"到"思考"的演进

人工智能的浪潮正从简单的文本生成，涌向能够理解、推理并执行复杂任务的智能体（Agent）。这一演进的核心，是让模型不仅拥有海量的"知识"（通过向量嵌入实现），更能像人类一样"思考"和"行动"（通过 Agent 框架实现）。

本文将为你梳理这条清晰的技术脉络：从让模型"记住"知识的向量嵌入 ，到连接模型与外部工具的大语言模型（LLM）应用开发 ，再到构建可编排、可复用流程的LangChain ，最终抵达设计复杂、有状态工作流的LangGraph。这是一条从静态知识到动态智能的完整路径。

在阅读本文前，建议你具备以下基础知识：了解 Python 基本语法、熟悉 REST API 概念、对机器学习有初步认识。如果你对上述概念尚不熟悉，也不必担心，本文会尽量用通俗的语言和丰富的示例帮助你理解。

第一部分：基石------向量嵌入与语义搜索

什么是向量嵌入？

向量嵌入（Vector Embedding）是将文本、图像、音频等非结构化数据，转换为计算机可理解的数值向量（一组浮点数）的技术。这个过程捕获了数据的语义信息，使得语义相似的文本在向量空间中的位置也相近。

技术原理简述：嵌入模型通常基于 Transformer 架构，通过在海量语料上进行对比学习训练而成。模型将输入文本编码为一个固定维度的向量（如 OpenAI 的 text-embedding-3-small 输出 1536 维向量），向量中的每个维度都编码了某种语义特征。两个向量的余弦相似度（Cosine Similarity）或欧氏距离（Euclidean Distance）反映了它们对应文本的语义相似程度。

例如，"猫"和"猫咪"的向量距离会很近（余弦相似度 > 0.9），而"猫"和"汽车"的向量距离则较远（余弦相似度 < 0.3）。这种特性使得向量嵌入成为语义搜索、聚类、推荐等任务的基础。

为什么需要向量嵌入？

LLM 本身存在"知识截止日期"和"上下文长度"限制。向量嵌入技术通过以下方式解决了这些问题：

  1. 知识外挂：将私有、最新的或海量的文档转换为向量存入数据库（向量数据库），作为模型的"外部记忆"。这意味着你不需要重新训练模型就能让它了解你的业务文档。
  2. 精准召回：当用户提问时，先将问题转换为向量，在向量数据库中快速找到最相关的文档片段。向量数据库使用近似最近邻（ANN）算法，能在毫秒级内从百万级向量中找到最相似的 Top K 个结果。
  3. 上下文优化：只将最相关的信息作为上下文喂给 LLM，节省 Token，提升回答质量与速度。相比将整篇文档塞入上下文，RAG 方式通常能节省 90% 以上的 Token 消耗。

实际应用场景：

  • 企业知识库问答：将公司内部文档（产品手册、技术规范、政策文件）向量化，员工可以自然语言提问获取答案。
  • 智能客服：将常见问题 FAQ 和产品文档向量化，结合 LLM 生成个性化回答。
  • 内容推荐：将用户历史行为向量化，在向量空间中寻找相似内容进行推荐。
  • 代码搜索：将代码库中的函数和注释向量化，支持语义级别的代码搜索。

核心工作流：RAG

检索增强生成（Retrieval-Augmented Generation, RAG）是向量嵌入最典型的应用范式。RAG 的核心思想是：在 LLM 生成回答之前，先从外部知识库中检索与问题最相关的信息，然后将这些信息作为上下文提供给 LLM，从而生成更准确、更有依据的回答。
#mermaid-svg-lt8pDQw8FRJa1q41{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-lt8pDQw8FRJa1q41 .error-icon{fill:#552222;}#mermaid-svg-lt8pDQw8FRJa1q41 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-lt8pDQw8FRJa1q41 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-lt8pDQw8FRJa1q41 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-lt8pDQw8FRJa1q41 .marker.cross{stroke:#333333;}#mermaid-svg-lt8pDQw8FRJa1q41 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-lt8pDQw8FRJa1q41 p{margin:0;}#mermaid-svg-lt8pDQw8FRJa1q41 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster-label text{fill:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster-label span{color:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster-label span p{background-color:transparent;}#mermaid-svg-lt8pDQw8FRJa1q41 .label text,#mermaid-svg-lt8pDQw8FRJa1q41 span{fill:#333;color:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 .node rect,#mermaid-svg-lt8pDQw8FRJa1q41 .node circle,#mermaid-svg-lt8pDQw8FRJa1q41 .node ellipse,#mermaid-svg-lt8pDQw8FRJa1q41 .node polygon,#mermaid-svg-lt8pDQw8FRJa1q41 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-lt8pDQw8FRJa1q41 .rough-node .label text,#mermaid-svg-lt8pDQw8FRJa1q41 .node .label text,#mermaid-svg-lt8pDQw8FRJa1q41 .image-shape .label,#mermaid-svg-lt8pDQw8FRJa1q41 .icon-shape .label{text-anchor:middle;}#mermaid-svg-lt8pDQw8FRJa1q41 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-lt8pDQw8FRJa1q41 .rough-node .label,#mermaid-svg-lt8pDQw8FRJa1q41 .node .label,#mermaid-svg-lt8pDQw8FRJa1q41 .image-shape .label,#mermaid-svg-lt8pDQw8FRJa1q41 .icon-shape .label{text-align:center;}#mermaid-svg-lt8pDQw8FRJa1q41 .node.clickable{cursor:pointer;}#mermaid-svg-lt8pDQw8FRJa1q41 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-lt8pDQw8FRJa1q41 .arrowheadPath{fill:#333333;}#mermaid-svg-lt8pDQw8FRJa1q41 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-lt8pDQw8FRJa1q41 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-lt8pDQw8FRJa1q41 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-lt8pDQw8FRJa1q41 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-lt8pDQw8FRJa1q41 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-lt8pDQw8FRJa1q41 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster text{fill:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 .cluster span{color:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-lt8pDQw8FRJa1q41 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-lt8pDQw8FRJa1q41 rect.text{fill:none;stroke-width:0;}#mermaid-svg-lt8pDQw8FRJa1q41 .icon-shape,#mermaid-svg-lt8pDQw8FRJa1q41 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-lt8pDQw8FRJa1q41 .icon-shape p,#mermaid-svg-lt8pDQw8FRJa1q41 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-lt8pDQw8FRJa1q41 .icon-shape .label rect,#mermaid-svg-lt8pDQw8FRJa1q41 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-lt8pDQw8FRJa1q41 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-lt8pDQw8FRJa1q41 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-lt8pDQw8FRJa1q41 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} "原始文档

（PDF/Word/网页等）"
"文本分割

与清洗"
"向量嵌入模型

（如 text-embedding-3-small）"
"向量数据库

（如 Pinecone, Weaviate）"
"用户提问"
"问题向量化"
"相似度检索"
"Top K 相关片段"
"组合成提示词

（Prompt）"
"大语言模型

（LLM）"
"精准、有依据的回答"

RAG 的两种主要模式：

  1. 朴素 RAG（Naive RAG）：每次用户提问时，只检索一次，将检索结果直接拼入提示词。实现简单，但可能遗漏多步推理所需的信息。
  2. 高级 RAG（Advanced RAG）：引入查询重写、多轮检索、重排序（Re-ranking）等优化。例如，先对用户问题进行改写以提升检索质量，检索后使用交叉编码器（Cross-Encoder）对结果重排序，确保最相关的片段排在前面。

关键技术栈：

  • 嵌入模型 ：OpenAI text-embedding-3-*（性价比高），Cohere Embed（支持多语言），开源模型（BGE, Jina, E5）。
  • 向量数据库：Pinecone（全托管，易上手），Weaviate（支持混合搜索），Qdrant（Rust 实现，性能优异），Milvus（大规模场景），或 PostgreSQL 的 pgvector 扩展（适合已有 PostgreSQL 基础设施的团队）。
  • 文本处理 ：LangChain 的 RecursiveCharacterTextSplitter 等，通常按 500-1000 字符分块，块间重叠 50-200 字符以保持上下文连贯性。

第二部分：桥梁------大语言模型（LLM）应用开发

掌握了"记忆"（向量检索）后，我们需要让模型学会"使用工具"。这就是 LLM 应用开发的核心。

LLM 的核心能力与局限

  • 能力：强大的文本生成、总结、翻译、代码编写和逻辑推理能力。现代 LLM（如 GPT-4、Claude 3）在多项基准测试中已接近或超越人类水平。
  • 局限 ：
    • 知识可能过时（训练数据截止到某个时间点）。
    • 无法直接操作外部系统（如数据库、API、文件系统）。
    • 可能产生"幻觉"（Hallucination），即编造看似合理但实际错误的信息。
    • 上下文窗口有限（即使 GPT-4 支持 128K Token，处理超长文档时仍可能遗漏细节）。
    • 缺乏精确计算能力（如复杂的数学运算、精确的日期计算）。

如何克服这些局限？ 答案就是 Function Calling 和工具使用------让 LLM 学会调用外部工具来弥补自身不足。

关键模式：Function Calling

为了让 LLM 突破局限，我们需要赋予它调用外部函数（工具）的能力。主流模型（如 GPT-4, Claude）都支持 Function Calling。

工作原理：

  1. 开发者定义一系列工具（函数）及其描述（名称、参数、说明）。
  2. 在调用 LLM 时，将这些工具定义连同用户问题一起发送。
  3. LLM 分析问题，决定是否需要调用工具，并生成符合工具参数要求的 JSON 格式调用请求。
  4. 应用代码执行该函数，将结果返回给 LLM。
  5. LLM 结合函数执行结果，生成最终回答给用户。

示例场景："今天北京天气怎么样？"

  1. LLM 识别出需要调用 get_weather(location: string) 工具。
  2. 生成 {"name": "get_weather", "arguments": {"location": "北京"}}。
  3. 代码执行天气查询 API，返回"北京，晴，25℃"。
  4. LLM 生成回答："北京今天天气晴朗，气温 25 摄氏度。"

第三部分：框架------LangChain 与智能体（Agent）

当工具变多、流程变复杂时，手动管理 LLM 调用、工具选择、状态维护变得极其困难。LangChain 应运而生，它是一个用于开发 LLM 应用的框架。

LangChain 的核心价值

  1. 组件化：将 LLM、提示词、记忆、索引、链、工具等抽象为可互换的组件。
  2. 链（Chain）：将多个组件按顺序组合，实现复杂逻辑（如：检索 -> 问答 -> 格式化）。
  3. 智能体（Agent）：LangChain 的灵魂。一个 Agent = LLM + 工具集 + 决策逻辑。Agent 可以自主决定何时、使用何种工具来完成任务。

LangChain Agent 的工作原理

#mermaid-svg-yoPYraAyZnccPJNQ{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-yoPYraAyZnccPJNQ .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-yoPYraAyZnccPJNQ .error-icon{fill:#552222;}#mermaid-svg-yoPYraAyZnccPJNQ .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-yoPYraAyZnccPJNQ .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-yoPYraAyZnccPJNQ .marker{fill:#333333;stroke:#333333;}#mermaid-svg-yoPYraAyZnccPJNQ .marker.cross{stroke:#333333;}#mermaid-svg-yoPYraAyZnccPJNQ svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-yoPYraAyZnccPJNQ p{margin:0;}#mermaid-svg-yoPYraAyZnccPJNQ .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-yoPYraAyZnccPJNQ .cluster-label text{fill:#333;}#mermaid-svg-yoPYraAyZnccPJNQ .cluster-label span{color:#333;}#mermaid-svg-yoPYraAyZnccPJNQ .cluster-label span p{background-color:transparent;}#mermaid-svg-yoPYraAyZnccPJNQ .label text,#mermaid-svg-yoPYraAyZnccPJNQ span{fill:#333;color:#333;}#mermaid-svg-yoPYraAyZnccPJNQ .node rect,#mermaid-svg-yoPYraAyZnccPJNQ .node circle,#mermaid-svg-yoPYraAyZnccPJNQ .node ellipse,#mermaid-svg-yoPYraAyZnccPJNQ .node polygon,#mermaid-svg-yoPYraAyZnccPJNQ .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-yoPYraAyZnccPJNQ .rough-node .label text,#mermaid-svg-yoPYraAyZnccPJNQ .node .label text,#mermaid-svg-yoPYraAyZnccPJNQ .image-shape .label,#mermaid-svg-yoPYraAyZnccPJNQ .icon-shape .label{text-anchor:middle;}#mermaid-svg-yoPYraAyZnccPJNQ .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-yoPYraAyZnccPJNQ .rough-node .label,#mermaid-svg-yoPYraAyZnccPJNQ .node .label,#mermaid-svg-yoPYraAyZnccPJNQ .image-shape .label,#mermaid-svg-yoPYraAyZnccPJNQ .icon-shape .label{text-align:center;}#mermaid-svg-yoPYraAyZnccPJNQ .node.clickable{cursor:pointer;}#mermaid-svg-yoPYraAyZnccPJNQ .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-yoPYraAyZnccPJNQ .arrowheadPath{fill:#333333;}#mermaid-svg-yoPYraAyZnccPJNQ .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-yoPYraAyZnccPJNQ .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-yoPYraAyZnccPJNQ .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-yoPYraAyZnccPJNQ .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-yoPYraAyZnccPJNQ .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-yoPYraAyZnccPJNQ .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-yoPYraAyZnccPJNQ .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-yoPYraAyZnccPJNQ .cluster text{fill:#333;}#mermaid-svg-yoPYraAyZnccPJNQ .cluster span{color:#333;}#mermaid-svg-yoPYraAyZnccPJNQ div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-yoPYraAyZnccPJNQ .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-yoPYraAyZnccPJNQ rect.text{fill:none;stroke-width:0;}#mermaid-svg-yoPYraAyZnccPJNQ .icon-shape,#mermaid-svg-yoPYraAyZnccPJNQ .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-yoPYraAyZnccPJNQ .icon-shape p,#mermaid-svg-yoPYraAyZnccPJNQ .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-yoPYraAyZnccPJNQ .icon-shape .label rect,#mermaid-svg-yoPYraAyZnccPJNQ .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-yoPYraAyZnccPJNQ .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-yoPYraAyZnccPJNQ .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-yoPYraAyZnccPJNQ :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} 选择工具
最终答案
"用户输入问题"
"Agent Executor"
"LLM 思考

（选择工具或结束）"
"执行工具调用"
"获取工具结果"
"输出最终结果给用户"

关键概念：

  • 工具（Tool）：Agent 可以调用的函数。
  • 代理类型（AgentType） ：如 ZERO_SHOT_REACT_DESCRIPTION，定义了提示词模板和决策逻辑。
  • 执行器（AgentExecutor）：驱动 Agent 进行"思考-行动-观察"循环的运行时。

一个简单的 LangChain Agent 示例：

python 复制代码 
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI
from langchain.utilities import SerpAPIWrapper

# 1. 定义工具
search = SerpAPIWrapper()
tools = [
    Tool(
        name="Search",
        func=search.run,
        description="用于回答关于当前事件的问题"
    ),
]

# 2. 初始化 LLM 和 Agent
llm = OpenAI(temperature=0)
agent = initialize_agent(tools, llm, agent="zero-shot-react-description", verbose=True)

# 3. 运行
agent.run("谁是2023年诺贝尔文学奖得主？")

运行结果可能为：Agent 会先"思考"需要搜索，然后调用 Search 工具，最后给出答案。

第四部分：进阶------LangGraph 与有状态工作流

LangChain Agent 适用于线性任务。但对于需要循环、分支、并行、持久化状态等复杂逻辑的 Agent（如客服机器人、游戏 NPC、自动化工作流），我们就需要 LangGraph。

什么是 LangGraph？

LangGraph 是建立在 LangChain 之上的一个库，用于构建有状态、多参与的图工作流。它将工作流建模为一张图（Graph），节点（Node）是函数或工具，边（Edge）定义了执行流向。

核心概念

  1. 状态（State）：一个共享的字典，在所有节点间传递和更新。这是与简单 Chain 最大的区别。
  2. 节点（Node）：一个函数，接收当前状态，执行操作（如调用 LLM、工具），并返回更新后的状态。
  3. 边（Edge） ：根据节点的输出或状态条件，决定下一个执行哪个节点。支持条件边（conditional_edge）。
  4. 编译与运行：将定义好的图编译成可执行对象，然后传入初始状态运行。

LangGraph 典型模式：循环 Agent

这是对基础 LangChain Agent 的增强，使其能更好地处理复杂对话和任务。
#mermaid-svg-SPOWrRmRP5RI7ZE7{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;fill:#333;}@keyframes edge-animation-frame{from{stroke-dashoffset:0;}}@keyframes dash{to{stroke-dashoffset:0;}}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-animation-slow{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 50s linear infinite;stroke-linecap:round;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-animation-fast{stroke-dasharray:9,5!important;stroke-dashoffset:900;animation:dash 20s linear infinite;stroke-linecap:round;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .error-icon{fill:#552222;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .error-text{fill:#552222;stroke:#552222;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-thickness-normal{stroke-width:1px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-thickness-thick{stroke-width:3.5px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-pattern-solid{stroke-dasharray:0;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-thickness-invisible{stroke-width:0;fill:none;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-pattern-dashed{stroke-dasharray:3;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edge-pattern-dotted{stroke-dasharray:2;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .marker{fill:#333333;stroke:#333333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .marker.cross{stroke:#333333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 svg{font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:16px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 p{margin:0;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .label{font-family:"trebuchet ms",verdana,arial,sans-serif;color:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster-label text{fill:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster-label span{color:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster-label span p{background-color:transparent;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .label text,#mermaid-svg-SPOWrRmRP5RI7ZE7 span{fill:#333;color:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .node rect,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node circle,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node ellipse,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node polygon,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node path{fill:#ECECFF;stroke:#9370DB;stroke-width:1px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .rough-node .label text,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node .label text,#mermaid-svg-SPOWrRmRP5RI7ZE7 .image-shape .label,#mermaid-svg-SPOWrRmRP5RI7ZE7 .icon-shape .label{text-anchor:middle;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .node .katex path{fill:#000;stroke:#000;stroke-width:1px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .rough-node .label,#mermaid-svg-SPOWrRmRP5RI7ZE7 .node .label,#mermaid-svg-SPOWrRmRP5RI7ZE7 .image-shape .label,#mermaid-svg-SPOWrRmRP5RI7ZE7 .icon-shape .label{text-align:center;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .node.clickable{cursor:pointer;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .root .anchor path{fill:#333333!important;stroke-width:0;stroke:#333333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .arrowheadPath{fill:#333333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edgePath .path{stroke:#333333;stroke-width:2.0px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .flowchart-link{stroke:#333333;fill:none;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edgeLabel{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edgeLabel p{background-color:rgba(232,232,232, 0.8);}#mermaid-svg-SPOWrRmRP5RI7ZE7 .edgeLabel rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-SPOWrRmRP5RI7ZE7 .labelBkg{background-color:rgba(232, 232, 232, 0.5);}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster rect{fill:#ffffde;stroke:#aaaa33;stroke-width:1px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster text{fill:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .cluster span{color:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 div.mermaidTooltip{position:absolute;text-align:center;max-width:200px;padding:2px;font-family:"trebuchet ms",verdana,arial,sans-serif;font-size:12px;background:hsl(80, 100%, 96.2745098039%);border:1px solid #aaaa33;border-radius:2px;pointer-events:none;z-index:100;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .flowchartTitleText{text-anchor:middle;font-size:18px;fill:#333;}#mermaid-svg-SPOWrRmRP5RI7ZE7 rect.text{fill:none;stroke-width:0;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .icon-shape,#mermaid-svg-SPOWrRmRP5RI7ZE7 .image-shape{background-color:rgba(232,232,232, 0.8);text-align:center;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .icon-shape p,#mermaid-svg-SPOWrRmRP5RI7ZE7 .image-shape p{background-color:rgba(232,232,232, 0.8);padding:2px;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .icon-shape .label rect,#mermaid-svg-SPOWrRmRP5RI7ZE7 .image-shape .label rect{opacity:0.5;background-color:rgba(232,232,232, 0.8);fill:rgba(232,232,232, 0.8);}#mermaid-svg-SPOWrRmRP5RI7ZE7 .label-icon{display:inline-block;height:1em;overflow:visible;vertical-align:-0.125em;}#mermaid-svg-SPOWrRmRP5RI7ZE7 .node .label-icon path{fill:currentColor;stroke:revert;stroke-width:revert;}#mermaid-svg-SPOWrRmRP5RI7ZE7 :root{--mermaid-font-family:"trebuchet ms",verdana,arial,sans-serif;} "需要调用工具"
"直接回答用户"
开始
"Agent Node

（LLM决定行动）"
"LLM 判断"
"Tool Node

（执行工具）"
"Update State

（更新结果到状态）"
"Final Node

（整理并输出答案）"
结束

示例：一个能持续对话并调用工具的客服 Agent

python 复制代码 
from langgraph.graph import StateGraph, END
from typing import TypedDict, Annotated
from langchain_core.messages import HumanMessage, AIMessage
import operator

# 1. 定义状态
class AgentState(TypedDict):
    messages: Annotated[list, operator.add] # 消息历史
    needs_tool: bool # 是否需要调用工具

# 2. 定义节点函数
def call_llm(state: AgentState):
    # 模拟 LLM 调用，这里简化为逻辑判断
    last_msg = state['messages'][-1]['content']
    if "天气" in last_msg:
        return {"needs_tool": True, "messages": [("assistant", "我将为您查询天气。")]}
    else:
        return {"needs_tool": False, "messages": [("assistant", f"我收到您的消息：'{last_msg}'")]}

def call_weather_tool(state: AgentState):
    # 模拟调用天气工具
    return {"messages": [("assistant", "北京今天天气晴朗，25℃。")]}

# 3. 构建图
workflow = StateGraph(AgentState)
workflow.add_node("agent", call_llm)
workflow.add_node("tool", call_weather_tool)

# 4. 设置边
workflow.set_entry_point("agent")
workflow.add_conditional_edges(
    "agent",
    lambda state: "tool" if state.get("needs_tool") else END,
    {"tool": "tool", END: END}
)
workflow.add_edge("tool", "agent") # 工具执行完回到 agent 节点

# 5. 编译并运行
app = workflow.compile()
initial_state = {"messages": [("user", "北京天气怎么样？")], "needs_tool": False}
result = app.invoke(initial_state)
print(result["messages"][-1]) # 输出最终助理消息

总结：技术栈全景图

让我们将这四个部分串联起来，看看一个现代 AI 应用可能的技术架构：
渲染错误: Mermaid 渲染失败: Lexical error on line 2. Unrecognized text. ...aph TB subgraph "数据与记忆层" A[" ----------------------^

如何选择？

  • 从 RAG 开始：如果你的核心需求是让模型基于特定知识库问答，优先掌握向量嵌入和 LangChain 的检索链。
  • 增加工具调用：当需要模型操作现实世界（查数据、发邮件、控制设备）时，学习 LangChain 的 Agent。
  • 迈向复杂系统：当 Agent 需要记忆长对话、处理多步骤审批、实现游戏逻辑时，就是 LangGraph 的用武之地。

这条路从赋予模型"记忆"，到教会它"使用工具"，再到让它"自主规划与协作"，最终构建出真正智能、实用的 AI 应用。希望这篇科普能为你指明方向。

下一步学习建议

  1. 动手实践：在 LangChain 官网跟着教程搭建第一个 RAG 应用和简单 Agent。
  2. 深入原理：阅读 OpenAI Function Calling 和 ReAct 论文，理解 Agent 的决策逻辑。
  3. 探索生态：关注 LangChain/LangGraph 的更新，以及 Weaviate、Pinecone 等向量数据库的最佳实践。
  4. 构建项目：尝试用 LangGraph 设计一个个性化的学习助手或自动化工作流。
相关推荐
Cosolar17 小时前
AI Agent 架构原理详解：从一次提问到任务完成的完整闭环
人工智能·后端·架构
协享科技17 小时前
2026 年 AI 表格工具怎么选：ChatGPT、原生 Copilot/Gemini 与公式助手
人工智能·chatgpt·excel·copilot
geo搜搜果数据17 小时前
实测AI搜索GEO监测工具：对比DeepSeek与豆包品牌排名差异
人工智能·langchain·embedding·搜搜果
YIAN17 小时前
大模型总 "胡说八道"？用 LangChain.js 从零实现 RAG 语义检索系统
javascript·langchain
王莎莎17 小时前
MCP 解决的是工具接入，科研 Agent 还缺的是科学证据接口标准化
前端·人工智能
码农小白AI17 小时前
工业设备验收迈入智能审核新时代：AI报告审核通审Agent版 IACheck打造检测报告质量管控新引擎
大数据·人工智能
豆浆D油条17 小时前
QT容器类QList调用erase崩溃
开发语言·qt·rpc
jinyishu_17 小时前
C++ 多态完全指南：从基础语法到底层原理
开发语言·c++·程序人生·面试
摸鱼师moko17 小时前
AI 来了之后，我的心流状态去哪了
人工智能·程序员
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03如何新建文件夹？ 电脑新建文件夹的4种方法04AI科技热点日报 | 2026年07月01日05幻兽帕鲁 - 服务器管理员权限与 GM 命令完全指南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）07【AI前线观察】2026年国产开源大模型全面横评：从 DeepSeek V4 到 Kimi K3，谁才是开发者的最优选择？08AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路092026年AI技术突破与产业落地全景：从GPT-5到多模态智能体的新纪元102026 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？