LangGraph入门指南：构建长期运行的有状态AI代理

AI大模型LLMTools教程
•

LangGraph入门指南：构建长期运行的有状态AI代理

摘要

LangGraph是LangChain Inc.推出的低级别 orchestration 框架，专注于解决长期运行、有状态AI代理的核心痛点。它提供持久化执行、人机协作、全面内存管理、LangSmith调试和生产级部署等核心优势，帮助开发者构建可靠、可扩展的AI代理系统。本文将带你快速入门LangGraph，了解其核心概念、快速上手例子，并探索其生态整合。

一、为什么需要LangGraph？

传统AI代理往往面临以下问题：

  • 无状态性：无法保存跨 session 的状态，比如用户之前的对话历史或任务进度。
  • 难以调试：复杂的执行流程难以追踪，问题排查困难。
  • 无法持久化：任务中断后需要重新开始，效率低下。
  • 缺乏人机协作：无法在关键步骤引入人类监督，比如内容审核或复杂决策。

LangGraph的出现正是为了解决这些问题，它提供了一套低级别基础设施，让开发者可以构建有状态、长期运行、可调试的AI代理。

二、LangGraph的核心优势

1. 持久化执行（Durable Execution）

LangGraph支持检查点（Checkpoint）机制，将代理的状态定期保存。当任务中断（比如服务器崩溃、网络故障），代理可以从最近的检查点恢复，继续执行，不会丢失进度。这对生产环境中的长期任务（比如数据处理、持续对话）非常重要。

2. 人机协作（Human-in-the-Loop）

LangGraph允许人类在任何步骤介入代理的执行。比如，当代理需要做一个重要决策时，可以暂停执行，等待人类审核；或者当代理的状态出现错误时，人类可以修改状态，让代理继续正确执行。这种机制提高了代理的可靠性，适合需要人类监督的场景。

3. 全面内存管理（Comprehensive Memory）

LangGraph将内存分为短期工作内存和长期持久内存：

  • 短期内存：用于保存当前推理过程中的上下文，比如用户的最新问题、代理的思考过程。
  • 长期内存：用于保存跨 session 的信息，比如用户的偏好、历史对话记录。 这种内存管理方式让代理可以像人类一样，既有“短期记忆”处理当前任务，又有“长期记忆”记住过去的信息。

4. 调试与 observability（Debugging with LangSmith）

LangGraph与LangSmith深度整合，提供了可视化的执行轨迹调试工具。开发者可以查看代理的执行路径、状态转移、工具调用记录，甚至可以回放执行过程，快速定位问题。这对复杂代理的调试非常有帮助。

5. 生产级部署（Production-ready Deployment）

LangGraph提供了LangGraph Platform，用于部署和缩放代理。它支持自动缩放、负载均衡、故障转移等特性，让开发者可以轻松将代理部署到生产环境，处理高并发的任务。

三、快速入门：构建第一个LangGraph代理

接下来，我们用一个简单的例子，带你快速上手LangGraph。我们将构建一个可以调用工具（获取天气）的代理。

1. 安装依赖

首先，安装LangGraph和所需的模型依赖：

pip install -U langgraph
pip install -qU "langchain[anthropic]"  # 用于调用Anthropic模型

2. 定义工具函数

我们需要定义一个工具函数，用于获取天气。这里我们用一个模拟函数：

def get_weather(city: str) -> str:
    """获取给定城市的天气"""
    return f"It's always sunny in {city}!"  # 模拟返回天气

3. 创建代理

使用LangGraph的create_react_agent函数创建代理。这个函数会自动处理工具调用的逻辑（ReAct架构）：

from langgraph.prebuilt import create_react_agent

# 初始化代理
agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",  # 使用Anthropic的Claude 3模型
    tools=[get_weather],  # 传入工具函数
    prompt="你是一个 helpful 的助理，会使用工具解决问题。"  # 提示词
)

4. 运行代理

调用代理的invoke方法，传入用户的问题：

# 运行代理，处理用户问题
response = agent.invoke({
    "messages": [{"role": "user", "content": "旧金山的天气怎么样？"}]
})

# 打印结果
print(response["messages"][-1]["content"])

输出结果：

It's always sunny in 旧金山!

这个例子展示了LangGraph的基本用法：创建代理、调用工具、处理用户问题。你可以尝试修改工具函数（比如调用真实的天气API），或者调整提示词，看看代理的表现如何。

四、LangGraph的核心概念

要深入理解LangGraph，需要掌握以下核心概念：

1. 图（Graph）

LangGraph用图结构来表示代理的工作流程。图由节点（Node）和边（Edge）组成：

  • 节点：处理具体的逻辑，比如调用模型、调用工具、保存状态。
  • 边：定义节点之间的转移逻辑，比如根据节点的输出决定下一步到哪个节点。

2. 状态（State）

状态是代理的“记忆”，保存了代理执行过程中的所有信息，比如用户的对话历史、工具调用的结果、当前的思考过程。状态是可序列化的，可以保存到检查点（Checkpoint）中。

3. 检查点（Checkpoint）

检查点是状态的快照，用于持久化代理的状态。当代理执行到某个节点时，会自动保存检查点。如果任务中断，代理可以从最近的检查点恢复。

4. 子图（Subgraph）

子图是图的子集，用于表示复杂的流程模块。比如，你可以将“处理用户问题”的流程拆分成一个子图，然后在主图中引用它，提高代码的复用性。

五、LangGraph的生态整合

LangGraph可以与LangChain的其他产品整合，形成完整的AI代理开发流程：

  • LangSmith：用于调试和评估代理。你可以用LangSmith查看代理的执行轨迹、评估代理的性能（比如准确性、速度）。
  • LangGraph Platform：用于部署和缩放代理。它提供了可视化的管理界面，让你可以轻松部署代理、监控代理的运行状态。
  • LangChain：用于获取模型、工具和组件。比如，你可以用LangChain的ChatOpenAI类调用OpenAI的模型，或者用SerpAPIWrapper调用搜索引擎工具。

六、最佳实践

1. 设计清晰的状态结构

状态是LangGraph的核心，需要设计清晰的状态结构。比如，将状态分为messages（对话历史）、tools（工具调用结果）、memory（长期记忆）等部分，便于管理和修改。

2. 使用检查点

为了确保持久化执行，建议在关键节点保存检查点。比如，在调用工具之前、之后保存检查点，这样即使工具调用失败，也可以恢复到之前的状态。

3. 利用LangSmith调试

LangSmith是调试LangGraph代理的重要工具。你可以用LangSmith查看代理的执行轨迹、状态转移、工具调用记录，快速定位问题。

4. 合理使用内存

区分短期内存和长期内存：短期内存用于当前推理，长期内存用于跨 session 保存信息。比如，将用户的偏好保存到长期内存，这样下次用户访问时，代理可以记住用户的偏好。

七、资源推荐

总结

LangGraph是一个强大的低级别 orchestration 框架，用于构建长期运行、有状态的AI代理。它的核心优势是持久化执行、人机协作、全面内存管理和可调试性。通过本文的介绍，你应该对LangGraph有了基本的了解，能够快速上手构建简单的代理。

如果你想深入学习LangGraph，建议阅读官方文档，尝试更多的例子，比如构建带有长期记忆的代理、使用子图的代理，或者整合LangSmith进行调试。相信你会发现LangGraph的强大之处，用它构建出更复杂、更可靠的AI代理系统。

← 返回博客列表