[LangGraph] 案例 2 : 支持搜索的智能代理系统

Boop_wu2026-09-05 12:27

此案例调用大模型来完成应用系统,

基于聊天模型, 能够理解用户的问题并解决是否需要调用搜索工具

快速上手 :

1. 准备工作 定义 LLM 并 绑定工具

复制代码 
# 准备工作
# 定义大语言模型
model = init_chat_model("gpt-4o-mini",temperature = 0) # 温度为 0

# 绑定工具
search = TavilySearch(max_results = 4)
tools = [search]
model_with_tools = model.bind_tools(tools)

2. 设置状态 State

message : 类型listAnyMessage , 是追加更新, 作用: 存放任意消息对象的列表

llm_calls : 类型int, 是覆盖更新, 作用: 跟踪 LLM 的调用次数

复制代码 
# 1. 状态定义
class MessageState(TypedDict):
    # 消息列表 (记忆功能, 维护上下文)
    message:Annotated[list[AnyMessage],operator.add]  # 追加更新

    # 调用llm次数
    llm_calls:int

3. 设置 Nodes :

节点 1 llm_call

专门负责搜索, 获取搜索结果

来到 llm_call 有两种情况 :

① 用户输入问题->llm_call (messagesHumanMessage): 此时 llm 先判断是否需要进行搜索工具搜索, 需要, 则调用工具节点; 不需要, 则直接输出 AIMessage

② 调用完工具节点->llm_call (messagesHumanMessage,AIMessage,ToolMessage) : 此时 llm 根据 完整 messages 整合后生成新的 AIMessage 并输出

节点 2 tool_node

专门负责调用 LLM, 获取最终结果

根据 llm 调用工具的输出结构, 在 tool_calls中 包含执行工具所需要的属性, 并构建 ToolMessage

复制代码 
# 2. 节点定义
def llm_call(state:MessageState):
    """LLM 决定是否调用工具"""
    # 由于当前节点可能是START 过来的, 也有可能是工具节点过来的
    # 因此state["message"]获取的是[H] 或[H,A,T]
    messages = state["message"]         # 拿到HumanMessage
    # result 可能 1 : 带有tool_calls的 AIMessage
    # result 可能 2 : 不带tool_calls的 AIMessage(最终结果)
    result = model_with_tools.invoke(
        [
            SystemMessage(content = "你是一个乐于助人的助手, 支持调用工具进行搜索")
        ]+
        messages
    )
    return {
        "message": [result],                #追加更新
        "llm_calls": state.get("llm_calls",0) + 1
    }
# {键表达式: 值表达式 for 变量 in 可迭代对象}
tools_by_name = {tool.name: tool for tool in tools}

def tool_node(state:MessageState):
    """执行工具调用"""
    result = []

    # 拿到当前最新的消息 AIMessage
    for tool_call in state["message"][-1].tool_calls :
        # 就可以获取到tool_call 的 name,args,id...
        tool = tools_by_name[tool_call["name"]]
        obs = tool.invoke(tool_call["args"])
        result.append(ToolMessage(content = obs,tool_call_id = tool_call["id"]))

    return {
        "message": result,                #追加更新
    }

4. 定义图, 设置节点和边

此处只讲解 条件边的构建, 其余方法参考图结构和案例 1

路由条件 : should_continue

判断最新消息是AIMessage 是否带有tool_calls : 携带则执行tool_node 节点, 不携带则执行 END

复制代码 
# 3. 定义图, 添加节点和边
agent_builder = StateGraph(MessageState)

agent_builder.add_node(llm_call)
agent_builder.add_node(tool_node)

agent_builder.add_edge(START,"llm_call")

# 路由条件
def should_continue(state:MessageState):
    # 判断最新消息是AIMessage 是否带有tool_calls
    # 带tool_calls 走tool_node
    # 不带 END
    last_message = state["message"][-1]
    if last_message.tool_calls:
        return "tool_node"
    return END

agent_builder.add_conditional_edges(
    "llm_call",         
    should_continue,
    ["tool_node",END]
)
agent_builder.add_edge("tool_node","llm_call")

# 4. 编译图
agent_search = agent_builder.compile()

5.生成图样式

借助工具库 在终端中执行pip install matplotlib****, 或 使用在线绘图工具Mermaid 在线绘图工具 | 菜鸟工具

复制代码 
# 5. 生成图样式
import matplotlib.pyplot as plt
import matplotlib.image as mpimg

try:
    # 生成 Mermaid 图表并保存为图片
    mermaid_code = agent_search.get_graph(xray=True).draw_mermaid_png()
    # 保存文件
    with open("../jpg/graph1.jpg", "wb") as f:
        f.write(mermaid_code)

    #使用 matplotlib 显示图像
    img = mpimg.imread("../jpg/graph1.jpg")
    plt.imshow(img)  # 显示图片
    plt.axis('off')  # 关闭坐标轴
    plt.show()       # 弹出窗口显示图片

except Exception as e:
    print(f"An error occurred: {e}")

6.执行图

复制代码 
# 6.执行图
result = agent_search.invoke({
    "message":[HumanMessage(content="今天西安的天气如何?")]
})
# result 是最终的结果状态
print(f"一共调用了{result['llm_calls']}次大模型")
for msg in result["message"]:
    msg.pretty_print()

完整代码 :

复制代码 
import operator
from typing import TypedDict, Annotated

from langchain.chat_models import init_chat_model
from langchain_core.messages import AnyMessage, SystemMessage, HumanMessage
from langchain_tavily import TavilySearch
from langchain_core.messages import ToolMessage
from langgraph.graph import StateGraph, START,END


# 准本工作
# 定义大语言模型
model = init_chat_model("gpt-4o-mini",temperature = 0) # 温度为 0

# 绑定工具
search = TavilySearch(max_results = 4)
tools = [search]
model_with_tools = model.bind_tools(tools)

# 1. 状态定义
class MessageState(TypedDict):
    # 消息列表 (记忆功能, 维护上下文)
    message:Annotated[list[AnyMessage],operator.add]  # 追加更新

    # 调用llm次数
    llm_calls:int

# 2. 节点定义
def llm_call(state:MessageState):
    """LLM 决定是否调用工具"""
    # 由于当前节点可能是START 过来的, 也有可能是工具节点过来的
    # 因此state["message"]获取的是[H] 或[H,A,T]
    messages = state["message"]         # 拿到HumanMessage
    # result 可能 1 : 带有tool_calls的 AIMessage
    # result 可能 2 : 不带tool_calls的 AIMessage(最终结果)
    result = model_with_tools.invoke(
        [
            SystemMessage(content = "你是一个乐于助人的助手, 支持调用工具进行搜索")
        ]+
        messages
    )
    return {
        "message": [result],                #追加更新
        "llm_calls": state.get("llm_calls",0) + 1
    }
# (这是字典 Dict，建立了 名称 -> 工具对象 的映射)
tools_by_name = {tool.name: tool for tool in tools}

def tool_node(state:MessageState):
    """执行工具调用"""
    result = []

    # 拿到当前最新的消息 AIMessage
    for tool_call in state["message"][-1].tool_calls :
        # 就可以获取到tool_call 的 name,args,id...
        tool = tools_by_name[tool_call["name"]]
        obs = tool.invoke(tool_call["args"])
        result.append(ToolMessage(content = obs,tool_call_id = tool_call["id"]))

    return {
        "message": result,                #追加更新
    }

# 3. 定义图, 添加节点和边
agent_builder = StateGraph(MessageState)
agent_builder.add_node(llm_call)
agent_builder.add_node(tool_node)

agent_builder.add_edge(START,"llm_call")

# 路由条件
def should_continue(state:MessageState):
    # 最新消息是AIMessage 判断是否带有tool_calls
    # 带tool_calls 走tool_node
    # 不带 END
    last_message = state["message"][-1]
    if last_message.tool_calls:
        return "tool_node"
    return END

agent_builder.add_conditional_edges(
    "llm_call",
    should_continue,
    ["tool_node",END]
)
agent_builder.add_edge("tool_node","llm_call")


# 4. 编译图
agent_search = agent_builder.compile()

# # 5. 生成图样式
# import matplotlib.pyplot as plt
# import matplotlib.image as mpimg
#
# try:
#     # 生成 Mermaid 图表并保存为图片
#     mermaid_code = agent_search.get_graph(xray=True).draw_mermaid_png()
#     # 保存文件
#     with open("../jpg/graph1.jpg", "wb") as f:
#         f.write(mermaid_code)
#
#     #使用 matplotlib 显示图像
#     img = mpimg.imread("../jpg/graph1.jpg")
#     plt.imshow(img)  # 显示图片
#     plt.axis('off')  # 关闭坐标轴
#     plt.show()       # 弹出窗口显示图片
#
# except Exception as e:
#     print(f"An error occurred: {e}")

# 6.执行图
result = agent_search.invoke({
    "message":[HumanMessage(content="今天西安的天气如何?")]
})
# result 是最终的结果状态
print(f"一共调用了{result['llm_calls']}次大模型")
for msg in result["message"]:
    msg.pretty_print()
相关推荐
祖力551 小时前
网络编程：IO多路复用（select、poll、epoll）
linux·服务器·网络
数字智核1 小时前
2026昆山工厂空压机突然停机怎么办？找谁抢修
服务器·网络·数据库
啦啦啦～～～2221 小时前
PC端+安卓端阅读器推荐！开源本地小说阅读器软件，
android·论文阅读·windows·开源软件·福昕阅读器
2601_962297251 小时前
Python、Pytest、Allure、Selenium和Jenkins实现自动化测试集成实例
python·selenium·jenkins·pytest·allure
tedcloud1231 小时前
OpenLogi 怎么搭建？用 Rust 打造一个轻量的 Logitech 外设管理工具
linux·运维·服务器·开发语言·后端·rust·开源
今天AI了吗1 小时前
Codex 配置自定义 AI API 完整指南：从零到一接入你的专属模型
java·人工智能·python·数据分析·embedding
阿童木写作2 小时前
跨境电商批量图片翻译与视频字幕翻译工具推荐
python·音视频
leihefeng2 小时前
手写数字识别：KNN vs 逻辑回归实战
python·算法·机器学习·逻辑回归·scikit-learn
SunnyDays10112 小时前
如何使用 Python 从 Word 文档中提取图片
python·word
热门推荐
01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）02ZCode 周末送额度活动开启：3 亿 Token 免费领取03GitHub 镜像站点04历年考研数学一、数学二、数学三真题试卷及答案PDF05蜘蛛磁力 搜索引擎大全，如何使用蜘蛛磁力查找磁力链接062026 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？07微信历史版本含下载地址（ Windows PC | 安卓 | MAC ）及设置微信不更新08AI 编程 IDE 全景解析 2026：Agent 全面接管开发链路09Agnes AI 免费 API 接入指南：文本、生图、生视频，一套接口全免费10VSCode+CodeX扩展，无法启动