AI开发-python-LangGraph框架（3-27-LangGraph从零实现大模型智能决策工作流）

留胡子的发卡

176人浏览 · 2026-06-24 15:11:16

留胡子的发卡 · 2026-06-24 15:11:16 发布

LangGraph 入门：从零实现大模型智能决策工作流（极简实战）

在大模型应用开发中，我们经常需要让模型具备自主决策能力—— 判断用户问题是否需要调用工具、是否需要补充信息，而 LangGraph 正是实现这类结构化大模型工作流的核心框架。

今天给大家分享一个极简入门级实战案例：基于 LangGraph 搭建第一个大模型智能决策工作流，无需复杂配置，快速实现「大模型 + 流程编排」的基础能力，非常适合 LangGraph 新手上手。

一、案例核心亮点

这个极简案例完美贴合 LangGraph 入门需求，核心特点一目了然：

纯基础依赖：仅使用 LangGraph + 大模型接口，无额外复杂组件，新手零门槛运行；
核心功能落地：实现大模型自主决策核心能力 —— 自动判断用户问题，输出对应结果；
标准工作流结构：严格遵循 LangGraph 官方规范，代码结构清晰，可直接扩展为复杂工作流；
低代码易理解：剥离冗余逻辑，聚焦「状态定义→节点编写→流程编排」核心流程。

二、适用场景

这个基础决策工作流，是所有大模型工具调用、多步骤任务的基石：

日常问答：无需搜索的常识问题，直接返回答案；
信息查询：需要实时数据的问题（天气、新闻、实时数据等），输出搜索关键词；
作为复杂应用的前置模块：后续可无缝对接搜索工具、数据库、API 接口等。

三、核心实现思路

整个案例的实现逻辑非常清晰，分为四大核心步骤，完全贴合 LangGraph 的设计理念：

1. 大模型初始化

对接本地 / 远程大模型接口，完成基础配置（API 密钥、请求地址、模型参数），为决策能力提供底层支持，确保模型能稳定响应指令。

2. 决策逻辑定义

给大模型设定明确的决策规则：

接收用户输入的问题；
自主判断是否需要调用搜索工具；
输出标准化结果：需要搜索则返回关键词，无需搜索则直接返回答案。

3. LangGraph 状态与节点设计

这是 LangGraph 的核心：

定义工作流状态：存储用户输入、模型输出等核心数据，贯穿整个流程；
编写决策节点：将大模型决策逻辑封装为节点，作为工作流的核心执行单元；
节点遵循 LangGraph 标准规范，接收状态数据、处理后返回新状态，保证流程可流转。

4. 工作流编排与运行

基于 StateGraph 构建工作流，连接「起始节点→决策节点→结束节点」；
编译工作流为可运行对象，直接传入用户问题即可触发全流程；
最终输出模型的决策结果，完成整个智能决策闭环。

四、案例价值

这是你踏入大模型智能体开发的第一步：

掌握 LangGraph 最核心的「状态管理 + 节点编排」思想；
理解大模型从「单纯问答」到「自主决策」的升级逻辑；
代码可直接复用，快速扩展为带工具调用、多步骤处理的复杂应用；
完全适配 LangGraph 稳定版本，生产环境也可平滑迁移。

五、总结

这个案例是 LangGraph 与大模型结合的最佳入门示例，没有复杂的概念和冗余的代码，只保留核心逻辑：用 LangGraph 编排流程，让大模型做决策。

对于刚接触大模型应用开发的朋友，先跑通这个基础工作流，再逐步添加工具调用、分支判断、循环执行等功能，就能快速搭建出专业的大模型智能应用。

后续我会继续分享 LangGraph 进阶实战：工具调用、多节点分支工作流、长流程任务编排等内容，带你一步步玩转大模型工作流开发～

代码实现：

from langgraph.graph import StateGraph, START, END

from langchain_openai import ChatOpenAI

from langchain_core.prompts import ChatPromptTemplate

from langchain_core.output_parsers import StrOutputParser

import os

# ==================== 1. 初始化 LLM ====================

DEEPSEEK_API_KEY = "123" # 替换为实际的 API Key

llm = ChatOpenAI(

api_key=DEEPSEEK_API_KEY,

base_url="http://192.168.0.100:8087/v1",

model="qwen3.5-35b-gptq",

temperature=0.3,

max_tokens=1024,

)

output_parser = StrOutputParser()

# ==================== 2. 定义决策链路 ====================

decision_prompt = ChatPromptTemplate.from_template("""

你需要判断回答用户问题是否需要调用搜索工具：

1. 如果需要，直接返回搜索关键词（仅返回关键词，无其他内容）

2. 如果不需要，直接返回最终答案（仅返回答案，无其他内容）

用户问题：{input}

""")

chain1 = decision_prompt | llm | output_parser

# ==================== 3. 定义状态和节点函数（适配 langgraph 0.0.29） ====================

# 定义图的状态结构（简单字典，包含 input 和 output）

def initial_state():

return {"input": "", "output": ""}

# 决策节点函数（langgraph 0.0.29 要求节点函数接收 state 参数并返回新 state）

def decision_node(state):

# 提取用户输入并调用决策链

user_input = state["input"]

result = chain1.invoke({"input": user_input})

# 更新状态

state["output"] = result

return state

# ==================== 4. 构建 StateGraph（langgraph 0.0.29 兼容） ====================

# 创建 StateGraph，指定状态类型为 dict

graph = StateGraph(dict)

# 添加节点和边

graph.add_node("decision", decision_node) # 添加决策节点

graph.add_edge(START, "decision") # 起始点 → 决策节点

graph.add_edge("decision", END) # 决策节点 → 结束点

# 编译图

runnable = graph.compile()

print(runnable.get_graph().draw_ascii())

# ==================== 6. 测试运行 ====================

if __name__ == "__main__":

# 调用图（传入初始状态，包含用户输入）

input_state = {

"input": "今天北京天气怎么样？",

"output": ""

}

result = runnable.invoke(input_state)

# 输出结果

print("\n===== 运行结果 =====")

print(f"用户输入：{result['input']}")

print(f"LLM 输出：{result['output']}")

结果输出：

+-----------+
| __start__ |
+-----------+
*
*
*
+----------+
| decision |
+----------+
*
*
*
+---------+
| __end__ |
+---------+

===== 运行结果 =====
用户输入：今天北京天气怎么样？

亚马逊云科技技术品牌专区

更多推荐

WSaiOS认知内核：一种模块化可解释人工智能操作系统核心的设计与实现

亚马逊云科技技术品牌专区

CMU 10-423 生成式人工智能笔记（二）

本节课中我们一起学习了视觉语言模型的核心内容。我们首先了解了视觉语言模型的基本架构，即通过一个视觉编码器将图像转换为语言模型可处理的序列。基于VQ-VAE的编码器和基于CLIP的编码器。VQ-VAE通过向量量化将图像离散化为词元序列，支持图像生成；而CLIP通过对比学习得到连续的图像向量序列，语义对齐更好，但不支持直接图像生成。最后，我们认识到对于视觉语言模型乃至所有大模型而言，高质量、多样化的训

亚马逊云科技技术品牌专区

GEO系统实战指南：提升网站流量与AI引荐率的3大关键技术

GEO系统已成为解决网站流量下降和提升AI引荐率的有效工具。通过去中心化流控、多引擎调度和智能合规校验，格子GEO系统为批量内容运营提供了安全高效的解决方案。包括知识库、拓词、一键授权发布等模块，构成了完整产品体系。未来随着生成式AI持续渗透，GEO技术的应用场景将进一步扩展。GEO系统流控模块示例。