前言

在 AI 领域，检索增强生成（RAG） 系统已成为处理简单查询、生成上下文相关回答的常见工具。然而，随着对更复杂 AI 应用的需求增长，我们需要超越仅“检索+生成”的能力。于是出现了 AI 智能体（Agents）——它们能执行复杂的多步任务、在多轮交互中维护状态，并能动态适应新信息。

LangGraph 是 LangChain 的强力扩展，专为帮助开发者构建这类高级 AI 智能体而设计。它支持有状态（stateful）、多角色（multi-actor）、**可循环计算（cyclic computation）**的应用，让智能体在执行中不断“感知—决策—行动—反思—再行动”。

本文将介绍 LangGraph 如何改变 AI 开发方式，并通过一个太阳能板节能计算示例，手把手展示如何构建你自己的 AI 智能体。你将看到 LangGraph 的特性如何让系统更智能、更可适应、更贴近真实场景。

什么是 LangGraph？

LangGraph 是构建在 LangChain 之上的高级库，用于为大模型应用引入循环计算能力。

•在 LangChain 中，你通常构建有向无环图（DAG）来描述线性流程；•LangGraph 则更进一步：它支持循环（cycles），这对实现复杂、类似智能体的行为至关重要——模型可以在流程中反复迭代，根据不断变化的条件动态决定下一步动作。

LangGraph 的节点、状态与边

LangGraph 的核心概念：有状态图（Stateful Graph）

•State（状态）
表示在计算推进过程中被持续维护与更新的上下文/记忆。
它确保每一步都能访问之前步骤的相关信息，从而基于累计数据进行动态决策。•Nodes（节点）
工作流的基本构件，代表某个计算步骤或函数。
每个节点执行特定任务，如处理输入、做出决策、调用外部系统等；
节点可自定义，以满足多种操作需求。•Edges（边）
连接节点、定义计算从一步到下一步的流向； 支持条件逻辑，可根据当前状态改变执行路径；
负责数据与控制在节点间的传递，从而实现复杂的多步流程。

为什么选择 LangGraph？

LangGraph 通过对图结构、状态与协调的无缝管理，重塑了 AI 应用的开发方式：

•自动状态管理：在多轮交互中保留上下文，让 AI 能对变化的输入做出更聪明的响应；•精简的智能体协调：保障精确执行与高效信息交换，开发者可以把精力放在设计创新工作流上；•极高的灵活性：支持打造定制化、高性能应用；•可扩展与容错：即便在企业级场景下，也能保持系统稳健与可靠。

接下来你将学到什么？

•如何用 LangGraph 搭建有状态、可循环的智能体流程；•如何让智能体分步规划—执行—评估—再规划；•以“太阳能板节能计算”为例，如何将 LangGraph 的特性落地，构建智能、可适应且可生产的 AI 系统。

分步指南

在了解了 LangGraph 的核心概念与优势之后，下面通过一个可落地的实战示例来动手实现：
我们将构建一个用于根据用户输入计算太阳能板潜在节能收益的 AI 智能体。该智能体可作为光伏销售网站上的潜在客户收集（lead generation）工具，与访客交互、给出个性化节省估算。通过收集诸如每月电费等关键数据，智能体既能帮助用户理解光伏的经济价值，也能为销售团队筛选高意向线索。此示例将展示 LangGraph 如何打造智能、动态的系统，实现复杂任务自动化并创造业务价值。

第 1 步：导入必要库

首先，导入项目所需的 Python 库与模块。这些依赖为我们使用 LangChain、LangGraph 以及 AWS 服务构建 AI 助手打下基础。

from langchain_core.tools import tool
from langchain_community.tools.tavily_search importTavilySearchResults
from langchain_core.prompts importChatPromptTemplate
from langchain_core.runnables importRunnable
from langchain_aws importChatBedrock
import boto3
from typing importAnnotated
from typing_extensions importTypedDict
from langgraph.graph.message importAnyMessage, add_messages
from langchain_core.messages importToolMessage
from langchain_core.runnables importRunnableLambda
from langgraph.prebuilt importToolNode
from langgraph.prebuilt import tools_condition

第 2 步：定义太阳能节省计算工具

接下来，我们定义一个工具（tool），用于根据用户提供的 月度电费 来估算使用太阳能后可能带来的节省。
这个工具将被智能体调用，以实现 数据驱动的交互。

from langchain_core.tools import tool
@tool
def compute_savings(monthly_cost:float)->float:
"""
根据用户的月电费计算切换到太阳能后的潜在节省情况。
参数:
monthly_cost (float):用户当前的月电费（单位：美元）
返回:
dict:包含以下估算信息：
-'number_of_panels':所需太阳能板数量
-'installation_cost':预计安装成本
-'net_savings_10_years':扣除安装成本后，10年净节省
"""
def calculate_solar_savings(monthly_cost):
# === 假设参数（可根据实际情况调整） ===
cost_per_kWh =0.28# 每度电费用（美元/kWh）
cost_per_watt =1.50# 每瓦太阳能安装费用（美元/W）
sunlight_hours_per_day =3.5# 平均每日有效日照时长
panel_wattage =350# 单块太阳能板功率（瓦）
system_lifetime_years =10# 系统寿命周期（年）
# === 计算过程 ===
# 每月耗电量（千瓦时）
monthly_consumption_kWh = monthly_cost / cost_per_kWh
# 每日所需发电量（kWh）
daily_energy_production = monthly_consumption_kWh /30
# 系统总装机容量（kW）
system_size_kW = daily_energy_production / sunlight_hours_per_day
# 需要的太阳能板数量 & 安装成本
number_of_panels = system_size_kW *1000/ panel_wattage
installation_cost = system_size_kW *1000* cost_per_watt
# 年节省与十年净节省
annual_savings = monthly_cost *12
total_savings_10_years = annual_savings * system_lifetime_years
net_savings = total_savings_10_years - installation_cost
return{
"number_of_panels": round(number_of_panels),
"installation_cost": round(installation_cost,2),
"net_savings_10_years": round(net_savings,2)
}
# 返回估算结果
return calculate_solar_savings(monthly_cost)

这段函数会处理用户的月度电费并返回一份太阳能系统收益的详细估算，包括：所需面板数量、安装成本以及 10 年期净节省。为简化演示，计算里使用了若干默认假设（如平均电价、平均日照时长）。在更高级的版本里，可以从用户处收集这些参数，从而更贴合其具体情况地给出个性化估算。

第 3 步：状态管理与错误处理

稳健的 AI 系统离不开有效的状态管理与错误处理。下面定义两个实用工具：

•handle_tool_error：在工具执行出错时，生成与具体 tool call 关联的错误消息；•create_tool_node_with_fallback：创建带兜底回退能力的工具节点，出错时自动调用错误处理逻辑。

from langchain_core.messages importToolMessage
from langchain_core.runnables importRunnableLambda
from langgraph.prebuilt importToolNode
def handle_tool_error(state)-> dict:
"""
在工具执行过程中处理错误。
参数:
state (dict):智能体当前状态，包含消息历史与 tool call 信息。
返回:
dict:包含针对每个出错 tool 的错误消息（ToolMessage）的字典。
"""
# 从状态中取出异常
error = state.get("error")
# 取出最后一条消息中的 tool_calls（LangChain/LangGraph 产生）
tool_calls = state["messages"][-1].tool_calls
# 针对每一个 tool call，生成一条带有错误详情的 ToolMessage，并与其 id 关联
return{
"messages":[
ToolMessage(
content=f"Error: {repr(error)}\n please fix your mistakes.",
tool_call_id=tc["id"],
)
for tc in tool_calls
]
}
def create_tool_node_with_fallback(tools: list)-> dict:
"""
创建带回退（fallback）机制的Tool节点。
参数:
tools (list):需要挂载到该节点的工具列表。
返回:
dict:带错误兜底的工具节点；一旦发生异常，将调用 handle_tool_error。
"""
returnToolNode(tools).with_fallbacks(
[RunnableLambda(handle_tool_error)],# 用 RunnableLambda 包装错误处理函数
exception_key="error"# 指定捕获异常的键
)

这些函数可确保在工具执行过程中一旦出现错误，系统能优雅降级并向用户提供有用的反馈。

第 4 步：定义 State（状态）与 Assistant 类

在这一步，我们将定义智能体如何管理会话状态（对话的持续上下文），并保证其能正确响应用户输入与工具输出。

为此，先用 Python 的 TypedDict 来定义状态结构 State——它描述在 LangGraph 中节点之间传递的消息格式。状态中会保存整段对话的消息列表，其中既包括用户输入，也包括智能体回复和工具输出。

from typing importAnnotated
from typing_extensions importTypedDict
from langgraph.graph.message importAnyMessage, add_messages
classState(TypedDict):
# 一个“可累积”的消息列表：
# - AnyMessage：统一抽象，兼容人类消息、AI 消息、工具消息（ToolMessage）等
# - add_messages：LangGraph 的 reducer，用于将新消息追加到状态中
messages:Annotated[list[AnyMessage], add_messages]

在有了 State 之后，我们需要定义一个 Assistant 类 来驱动智能体的运行。
这个类的职责是：

•执行智能体的主循环；•调用工具（如 compute_savings）；•管理对话流转（处理用户输入与工具结果）；•兜底错误与无效输出（re-prompt 用户或请求澄清）。

核心逻辑基于一个 Runnable（可运行单元），它定义了调用 LLM 和工具的具体流程。

from langchain_core.runnables importRunnable
classAssistant:
def __init__(self, runnable:Runnable):
"""
初始化Assistant。
参数:
runnable (Runnable):定义 LLM 与工具交互流程的Runnable对象。
"""
self.runnable = runnable
def __call__(self, state:State):
"""
执行智能体主循环，确保最终返回有效输出。
参数:
state (State):当前智能体状态，包含消息与上下文。
返回:
dict:更新后的状态（包含新消息）。
"""
whileTrue:
# 运行当前流程
result =self.runnable.invoke(state)
# 检查工具是否未返回有效输出
ifnot result.tool_calls and(
not result.content
or isinstance(result.content, list)
andnot result.content[0].get("text")
):
# 请求用户澄清或重试
messages = state["messages"]+[("user","Respond with a real output.")]
state ={**state,"messages": messages}
else:
# 一旦得到有效输出，就退出循环
break
# 返回包含新消息的最终状态
return{"messages": result}

这些配置对于维持对话流程并确保助手基于上下文做出恰当响应至关重要。

第 5 步：使用 AWS Bedrock 配置 LLM

本步骤我们为智能体接入 AWS Bedrock 上的 LLM（如 Anthropic Claude），作为语言能力引擎。
要调用 AWS 服务，你必须先正确配置 AWS 凭据，否则无法连接 Bedrock 并运行模型。

常见凭据配置方式包括：

•通过 AWS CLI 登录并写入本地凭据（aws configure）•设置环境变量：AWS_ACCESS_KEY_ID、AWS_SECRET_ACCESS_KEY、AWS_SESSION_TOKEN（可选）、AWS_DEFAULT_REGION•使用可被 AWS SDK 访问的 credentials 文件（通常位于 ~/.aws/credentials）

完成凭据与区域设置后，即可创建 Bedrock Runtime 客户端，并实例化 LangChain 的 ChatBedrock：

import boto3
from langchain_aws importChatBedrock
def get_bedrock_client(region):
return boto3.client("bedrock-runtime", region_name=region)
def create_bedrock_llm(client):
returnChatBedrock(
model_id='anthropic.claude-3-sonnet-20240229-v1:0',
client=client,
model_kwargs={'temperature':0},
region_name='us-east-1'
)
llm = create_bedrock_llm(get_bedrock_client(region='us-east-1'))

这一步的集成保证了助手能够有效理解并响应用户输入。

第 6 步：定义 Assistant 的工作流（Workflow）

在配置好 LLM 和 工具 之后，我们需要定义智能体的工作流。 工作流决定了智能体如何：

•与用户沟通；•何时收集所需信息（如月度电费）；•何时调用工具（如 compute_savings）；•如何将结果返回给用户。

核心部分是创建一个提示模板（Prompt Template），明确智能体的身份、对话目标与交互规则。

from langchain_core.prompts importChatPromptTemplate
primary_assistant_prompt =ChatPromptTemplate.from_messages(
[
(
"system",
'''You are a helpful customer support assistant for Solar Panels Belgium.
You should get the following information from them:
- monthly electricity cost
If you are not able to discern this info, ask them to clarify!Donot attempt to wildly guess.
After you are able to discern all the information, call the relevant tool.
''',
),
("placeholder","{messages}"),
]
)

•system 消息：作为智能体的“行为守则”，引导其向用户询问月度电费，若信息不明确就不要猜测，并持续追问直至收集到必要数据。•placeholder：用于动态注入对话历史，让助手能基于上下文持续对话，并让用户的上一轮输入影响下一步动作。

接下来，定义智能体交互中会用到的工具；主要工具是 compute_savings，它会基于用户的月度电费计算潜在节省。将工具列在清单里后，通过 llm.bind_tools() 绑定到助手工作流，使智能体在对话中按需触发工具，实现人与工具的无缝衔接。

# 定义助手在本阶段将使用的工具
part_1_tools =[
compute_savings
]
# 将工具绑定到助手工作流（Prompt → LLM（已绑定工具））
part_1_assistant_runnable = primary_assistant_prompt | llm.bind_tools(part_1_tools)

第 7 步：构建图结构

本步骤使用 LangGraph 搭建智能体的状态图，控制助手如何处理用户输入、何时触发工具、以及各阶段之间的流转。
图中包含用于核心动作的节点（nodes），以及决定节点间走向的边（edges）。

用于计算太阳能节省的 AI 智能体流程图

在 LangGraph 中，每个 节点 代表一个操作步骤（如与用户交互或执行工具）。本示例定义两个关键节点：

•Assistant 节点：管理对话流程，向用户询问月度电费并处理响应；•Tool 节点：执行工具（如 compute_savings）来计算节省结果。

from langgraph.graph importStateGraph
builder =StateGraph(State)
# 1) 助手节点：驱动对话与决策（是否需要调用工具等）
builder.add_node("assistant",Assistant(part_1_assistant_runnable))
# 2) 工具节点：实际执行 compute_savings，并带有错误兜底
builder.add_node("tools", create_tool_node_with_fallback(part_1_tools))

边用于定义节点之间的流向。在本例中：

•助手（assistant）先发起对话；•当收集到所需输入后，转入工具节点；•工具执行完成后，返回助手节点继续对话或收尾。

builder.add_edge(START,"assistant")# 从起点进入 assistant
builder.add_conditional_edges("assistant", tools_condition)# 收到必要输入后转入 tools
builder.add_edge("tools","assistant")# 工具执行结束后回到 assistant

为确保对话在多步交互中能记住上下文，我们使用 MemorySaver 持久化图的会话状态（State）：

from langgraph.checkpoint.memory importMemorySaver
memory =MemorySaver()
graph = builder.compile(checkpointer=memory)

第 8 步：运行助手

最后，通过初始化图工作流并开始对话来运行助手。

# import shutil
import uuid
# 构造一个示例对话，模拟用户与助手的交互
tutorial_questions =[
'hey',
'can you calculate my energy saving',
"my montly cost is $100, what will i save"
]
thread_id = str(uuid.uuid4())
config ={
"configurable":{
"thread_id": thread_id,
}
}
_printed =set()
for question in tutorial_questions:
events = graph.stream(
{"messages":("user", question)}, config, stream_mode="values"
)
foreventin events:
_print_event(event, _printed)

结论

通过以上步骤，你已经成功构建了一个基于 LangGraph 的 AI 助手，它能够根据用户输入计算太阳能板节能效益。

本教程展示了 LangGraph 在管理复杂的多步骤流程中的强大能力，并突出了如何结合先进的 AI 工具来高效解决现实问题。

无论是开发用于 客户支持、能源管理 还是其他应用场景的 AI 智能体，LangGraph 都提供了你所需的：

•灵活性（Flexibility）：可定制复杂工作流；•可扩展性（Scalability）：支持从小规模实验到企业级部署；•稳健性（Robustness）：保证系统在长时运行与多轮交互中的可靠表现。

👉 借助 LangGraph，你可以更快地将 AI 创意转化为实用的智能系统，并让它们在真实世界中创造价值。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI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 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

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（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发