LangGraph保姆级教程开篇！手把手带你从0到1构建第一个ReAct Agent，核心概念+实操全搞定，收藏这篇就够了！

在构建基于大型语言模型（LLM）的应用时，我们很快会发现简单的“一问一答”模式远远不够。真正的智能应用需要具备规划、执行、反思的能力，能够与外部世界交互，并根据情况做出决策。这正是 LangGraph 的用武之地。

小天才学习机打游戏

772人浏览 · 2025-09-25 15:31:35

小天才学习机打游戏 · 2025-09-25 15:31:35 发布

写在前面

与 LangChain 中封装好的 AgentExecutor 不同，LangGraph 提供了一套更底层、更灵活的工具，让我们能够像绘制流程图一样，精确地设计和控制 Agent 的每一步行为。它将 Agent 难以捉摸的“黑盒”思考过程，转变成了对开发者完全透明的“白盒”工作流。

本篇教程将作为一个完整的、自包含的指南，带你走完从 LangGraph 零基础到构建第一个实用 AI Agent 的全过程。读完本文，将掌握构建复杂、有状态、可控的 AI 应用的核心技能。

第一部分：核心概念与基础工作流

在深入构建 Agent 之前，我们必须先掌握 LangGraph 的基本构成和如何创建一个简单的工作流。

1.1 核心概念：State, Node, Edge

构建一个 LangGraph 应用，就像绘制一张流程图，离不开三个基本元素：

•State (状态): 一个在图的整个执行过程中持续存在并被传递的数据对象。可以把它看作是整个工作流的“共享内存”，所有节点都通过它来交换信息。•Node (节点): 一个代表流程图中具体“步骤”的 Python 函数。它接收当前的状态作为输入，执行独立的任务，然后返回一个字典来更新状态。•Edge (边): 负责连接节点，定义了任务从一个节点流向另一个节点的路径。

1.2 基础实践：构建一个线性的两步工作流

我们将从一个包含“起草”和“审阅”两个步骤的报告生成应用开始。这个例子将帮助我们熟悉最核心的 API，而无需立即处理复杂的 Agent 逻辑。

from dotenv import load_dotenv

这个简单的线性图让我们掌握了 add_node 和 add_edge 的用法。现在，让我们进入更激动人心的部分。

第二部分：构建真正的 Agent

一个线性的工作流是不够的，真正的 Agent 需要具备决策和与外部交互的能力。

2.1 Agent 的核心思想 (ReAct)

一个智能体通常遵循 ReAct (Reason-Act) 的工作模式，这是一个循环过程：

1.思考 (Reason): 基于当前任务分析并决定下一步策略（是直接回答还是调用工具）。2.行动 (Act): 执行策略，例如调用搜索引擎。3.观察 (Observe): 接收工具返回的结果，再次进入“思考”阶段。

LangGraph 的图结构为实现这一循环提供了完美的框架。

2.2 综合实践：两种方式构建工具 Agent

我们将介绍两种方式来构建 Agent。对于标准场景，强烈推荐使用第一种 create_react_agent 的方式。

方法一：使用 create_react_agent 简化流程

LangGraph 提供了一个极其方便的高级函数 create_react_agent，它可以将所有繁琐的组装工作封装起来，让你用一行代码就得到一个功能完备的 ReAct Agent。

from langchain_core.messages importHumanMessage

create_react_agent 极大地提升了开发效率，是构建标准 Agent 的首选。

方法二：手动构建以实现完全控制

如果需要实现高度定制化的逻辑（比如增加一个人工审核节点），理解如何手动构建就至关重要了。

1. 定义 Agent 状态与路由

from typing importAnnotated

2. 定义节点并组装图

from langgraph.prebuilt importToolNode

3. 运行与测试

print("\n--- 手动构建 Agent 测试 ---")

我们会发现，手动构建出的 agent_app_manual 和 create_react_agent 生成的 agent_app_prebuilt 功能上是完全一致的。手动构建给了我们更多的控制权，让我们可以在这个图的任何地方“添砖加瓦”。

总结

在本篇教程中：

•我们从一个简单的线性工作流入手，掌握了 LangGraph 的基础 API。•接着，我们学习了构建一个真正 Agent 所需的核心技术并重点掌握了最高效的构建方式 create_react_agent。•同时，我们也深入了解了手动构建的全过程，这为我们将来实现更复杂的定制化 Agent 打下了坚实的基础。

我们同时掌握了构建 Agent 的“快捷方式”和“根本方法”，足以应对各种不同的开发需求。在后续的教程中，我们将基于此，探索更高级的状态管理、多智能体协作以及应用的持久化等更深入的主题。

如何学习大模型 AI ？

我国在AI大模型领域面临人才短缺，数量与质量均落后于发达国家。2023年，人才缺口已超百万，凸显培养不足。随着Al技术飞速发展，预计到2025年，这一缺口将急剧扩大至400万，严重制约我国Al产业的创新步伐。加强人才培养，优化教育体系，国际合作并进，是破解困局、推动AI发展的关键。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

2025最新大模型学习路线

明确的学习路线至关重要。它能指引新人起点、规划学习顺序、明确核心知识点。大模型领域涉及的知识点非常广泛，没有明确的学习路线可能会导致新人感到迷茫，不知道应该专注于哪些内容。

对于从来没有接触过AI大模型的同学，我帮大家准备了从零基础到精通学习成长路线图以及学习规划。可以说是最科学最系统的学习路线。

在这里插入图片描述

针对以上大模型的学习路线我们也整理了对应的学习视频教程，和配套的学习资料。

大模型经典PDF书籍

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路！

在这里插入图片描述

配套大模型项目实战

所有视频教程所涉及的实战项目和项目源码等
在这里插入图片描述

博主介绍＋AI项目案例集锦

MoPaaS专注于Al技术能力建设与应用场景开发，与智学优课联合孵化，培养适合未来发展需求的技术性人才和应用型领袖。

在这里插入图片描述

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【`保证100%免费`】

在这里插入图片描述

为什么要学习大模型？

2025人工智能大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用，大模型作为其中的重要组成部分，正逐渐成为推动人工智能发展的重要引擎。大模型以其强大的数据处理和模式识别能力，广泛应用于自然语言处理、计算机视觉、智能推荐等领域，为各行各业带来了革命性的改变和机遇。

在这里插入图片描述

适合人群

在校学生：包括专科、本科、硕士和博士研究生。学生应具备扎实的编程基础和一定的数学基础，有志于深入AGI大模型行业，希望开展相关的研究和开发工作。
IT行业从业人员：包括在职或失业者，涵盖开发、测试、运维、产品经理等职务。拥有一定的IT从业经验，至少1年以上的编程工作经验，对大模型技术感兴趣或有业务需求，希望通过课程提升自身在IT领域的竞争力。
IT管理及技术研究领域人员：包括技术经理、技术负责人、CTO、架构师、研究员等角色。这些人员需要跟随技术发展趋势，主导技术创新，推动大模型技术在企业业务中的应用与改造。
传统AI从业人员：包括算法工程师、机器视觉工程师、深度学习工程师等。这些AI技术人才原先从事机器视觉、自然语言处理、推荐系统等领域工作，现需要快速补充大模型技术能力，获得大模型训练微调的实操技能，以适应新的技术发展趋势。

课程精彩瞬间

大模型核心原理与Prompt：掌握大语言模型的核心知识，了解行业应用与趋势；熟练Python编程，提升提示工程技能，为Al应用开发打下坚实基础。

RAG应用开发工程：掌握RAG应用开发全流程，理解前沿技术，提升商业化分析与优化能力，通过实战项目加深理解与应用。

Agent应用架构进阶实践：掌握大模型Agent技术的核心原理与实践应用，能够独立完成Agent系统的设计与开发，提升多智能体协同与复杂任务处理的能力，为AI产品的创新与优化提供有力支持。

模型微调与私有化大模型：掌握大模型微调与私有化部署技能，提升模型优化与部署能力，为大模型项目落地打下坚实基础。