本书看点

（1）AI应用开发专家、广工大副教授、东北大学计算机应用博士邓立国开发团队最新力作。

（2）详解LangGraph核心概念与组件，通过智能体案例掌握工具、记忆功能、RAG检索等核心能力。

（3）深入工作流设计、多智能体协作与状态管理，梳理复杂业务逻辑，构想Agent设计方案。

（4）聚焦四大工业级场景（客服、旅行规划、电商退款、股票趋势预测），覆盖完整智能体开发闭环。

（5）本书配套示例代码、PPT课件、读者交流微信群，示例代码经过测试均能运行无误。

内 容 简 介

LangGraph是一个面向复杂工作流的有状态Agent开发框架，能为开发者提供强大的智能体构建解决方案。本书系统介绍LangGraph构建AI Agent的方法，覆盖从基础开发到案例实战的全流程。本书配套示例代码、PPT课件、读者微信技术交流群，示例代码经过测试均可运行无误。

本书共分12章，内容包括LangGraph基础技术、开发环境搭建、构建带工具与记忆功能的聊天机器人、构建自定义RAG检索Agent、构建智能体工作流、集成外部工具与API、状态管理与持久化、智能体（Agent）集成、构建客户支持聊天机器人、构建旅行规划智能体、构建电商客服退款处理智能体、构建股票趋势预测智能分析系统。

本书既适合LangGraph初学者、AI Agent开发人员、Agent架构师、大模型应用开发人员及行业AI应用解决方案提供商，也适合高等院校或高职高专院校学习大模型应用开发课程的学生。

前    言

随着大模型技术的爆发式发展，智能体（Agent）作为实现自动化任务处理、复杂决策与多轮交互的核心载体，成为AI应用落地的关键方向。然而，当前智能体开发面临工作流设计复杂、状态管理混乱、多工具集成烦琐等痛点，传统框架难以满足工业级应用需求。LangChain 团队推出的LangGraph框架以“确定性状态管理”和“图结构工作流”为核心优势，填补了这一空白，为开发者提供了构建可靠、可扩展智能体的标准化工具。

市场对智能体技术的需求正呈现多领域爆发态势：企业客服领域需要能整合订单查询、规则判断的自动化处理系统；旅行服务行业亟需集成天气、酒店、景点数据的行程规划助手；电商平台则要求智能体实现退款流程的动态分支管理与人工协作。

本书目的

本书立足LangGraph框架的技术特性，从基础组件解析到实战案例开发，全面覆盖智能体开发全流程。通过客户支持聊天机器人、旅行规划智能体、电商客服退款处理智能体、股票趋势预测智能分析系统等场景化案例，精准对接企业降本增效的核心诉求，为AI开发者、企业技术团队提供兼具理论深度与实践价值的指南。

本书特色

1. 系统化学习路径，从入门到实战

本书采用“基础→开发→应用”三阶递进架构：基础篇详解LangGraph核心概念与组件，通过聊天机器人案例掌握工具调用、记忆功能等核心能力；开发篇深入工作流设计、多智能体协作与状态管理，解决复杂业务逻辑；实战篇聚焦四大工业级场景（客服、旅行规划、电商退款、股票趋势预测），覆盖完整智能体开发闭环。

2. 聚焦工业级智能体开发痛点

独创性剖析动态工作流设计（第5章的分支与动态路由、第8章的多智能体协作）、企业级集成方案（第6章的外部API/数据库对接、自定义工具）及生产环境关键技术（第7章的状态持久化、异常恢复），直击智能体开发痛点。

3. 全流程实战驱动，覆盖前沿场景

客户支持聊天机器人：集成LangSmith追踪，使用Gradio快速构建AI 应用的交互式 Web 界面（第9章）。

旅行规划智能体：实现多工具调度（天气/酒店/景点）、动态行程修改与用户偏好记忆（第10章）。

电商退款智能体：设计规则驱动分支路由，打通人工-自动节点协作（第11章）。

智能股票分析系统：集成了实时行情获取、技术指标计算、LLM分析预测、可视化图表生成等能力（第12章）。

配套资料下载

本书配套示例源码、PPT课件与读者技术交流微信群服务，读者使用自己的微信扫描下面的二维码即可获取。

本书适合的读者

• LangGraph开发初学者。
• AI Agent开发人员。
• AI Agent架构师。
• 大模型应用开发人员。
• 行业AI应用解决方案提供商。
• 学习人工智能大模型相关课程的学生。

作者与鸣谢

本书作者为邓立国、周驰岷与邓淇文。本书的顺利出版离不开清华大学出版社老师们的帮助，在此表示感谢。

著  者

2026年3月

目录

目    录    
    
第1篇  基础篇    
第1章  LangGraph基础技术    2
1.1  智能体开发视角下的LangGraph定义    2
1.2  LangGraph在智能体开发中的核心技术优势    3
1.3  LangGraph智能体开发的关键技术组件    4
1.3.1  图架构核心组件    4
1.3.2  监控与干预组件    4
1.3.3  工具与集成组件    5
1.4  智能体开发框架对比：LangGraph与主流方案    5
1.4.1  LangGraph的技术特点    5
1.4.2  CrewAI的技术特点    6
1.4.3  OpenAI Swarm的技术特点    7
1.4.4  智能体开发框架选型指南    7
1.5  本章小结    8
第2章  开发环境搭建    9
2.1  开发环境安装    9
2.1.1  Miniconda的下载与安装    9
2.1.2  PyTorch的下载与安装    10
2.1.3  PyCharm的安装与虚拟环境搭建    12
2.2  LLM的调用与使用示例    14
2.2.1  ModelScope（魔搭社区）    14
2.2.2  阿里云百炼Qwen3的在线调用    15
2.3  案例实战：创建一个基础聊天机器人    19
2.3.1  创建调用deepseek-chat的聊天机器人    19
2.3.2  案例代码解析    21
2.3.3  运行聊天机器人    25
2.4  本章小结    26
第3章  构建带工具与记忆功能的聊天机器人    27
3.1  环境准备    27
3.2  实战案例：使用工具和记忆增强    28
3.3  案例代码解析    30
3.4  本章小结    33
第4章  构建自定义RAG检索Agent    35
4.1  核心概念与环境准备    35
4.1.1  核心概念    36
4.1.2  环境准备    36
4.2  从零构建自定义RAG检索Agent    37
4.2.1  步骤1：导入依赖与初始化配置    38
4.2.2  步骤2：构建私有知识库（PDF文档加载与向量存储）    43
4.2.3  步骤3：定义LangGraph状态（State）    44
4.2.4  步骤4：定义LangGraph节点（Node）    45
4.2.5  步骤5：构建LangGraph流程图（边+条件边）    49
4.2.6  步骤6：运行Agent并测试    52
4.3  代码运行说明与常见问题排查    56
4.4  核心知识点实战落地对应表    57
4.5  扩展优化方向    58
4.6  本章小结    59
第2篇  开发篇    
第5章  构建智能体工作流    62
5.1  线性工作流设计    62
5.1.1  技术背景与核心概念    62
5.1.2  环境依赖    63
5.1.3  线性工作流设计的核心步骤    64
5.1.4  进阶优化与扩展    67
5.1.5  文档摘要工作流的完整程序实现    68
5.2  非线性工作流：分支与动态路由    72
5.2.1  LangGraph非线性工作流核心概念解析    72
5.2.2  环境准备    73
5.2.3  技术详解与案例实现    73
5.2.4  非线性工作流完整案例实现    79
5.3  多智能体协作模式    83
5.3.1  多智能体协作原理    83
5.3.2  多智能体协作核心组件    85
5.3.3  多智能体协作模式分类    85
5.3.4  实战案例：多智能体数据分析协作系统    86
5.3.5  进阶扩展：决策调度模式优化（可选）    90
5.3.6  多智能体数据分析协作系统实现    92
5.4  本章小结    100
第6章  集成外部工具与API    101
6.1  调用RESTful API    102
6.1.1  调用RESTful API：与外部服务交互    102
6.1.2  天气查询（调用OpenWeatherMap API）    103
6.1.3  天气查询程序代码解析    107
6.2  数据库连接与操作    115
6.2.1  数据库连接与操作：结构化数据交互    115
6.2.2  案例：用户信息管理（MySQL数据库操作）    116
6.2.3  案例代码解析    129
6.3  自定义工具开发    134
6.3.1  自定义工具开发：满足个性化需求    134
6.3.2  自定义工具开发案例：实时多工具协同智能助手    135
6.3.3  案例代码解析    144
6.4  本章小结    155
第7章  状态管理与持久化    156
7.1  状态机的实现    156
7.1.1  技术详解    156
7.1.2  实战案例：智能客服对话状态机    157
7.1.3  案例代码解析    161
7.2  本地与云端存储方案    164
7.2.1  本地与云端存储方案技术详解    164
7.2.2  实战案例：本地文件存储+阿里云OSS云端存储    165
7.2.3 案例代码解析    186
7.3  异常恢复与断点续跑    188
7.3.1  异常恢复与断点续跑技术详解    188
7.3.2  实战案例：带异常恢复的数据分析工作流    189
7.3.3  案例代码解析    193
7.4  本章小结    196
第8章  智能体（Agent）集成    197
8.1  将LangChain Agent作为特殊节点    197
8.1.1  技术详解    197
8.1.2  实战案例：财务分析Agent节点    198
8.1.3  案例代码解析    201
8.2  构建智能体主管    202
8.2.1  技术详解    202
8.2.2  实战案例：多领域智能体主管    203
8.2.3  案例代码解析    208
8.3  实现多智能体协作工作流    210
8.3.1 技术详解    210
8.3.2  实战案例：电商客服多智能体协作    210
8.3.3  案例代码解析    216
8.4  处理智能体的工具调用与输出解析    217
8.4.1  技术详解    217
8.4.2  实战案例：智能工具调用与输出解析    218
8.4.3  案例代码解析    224
8.5  本章小结    226
第3篇  实战应用篇    
第9章  构建客户支持聊天机器人    228
9.1  需求分析与工作流设计    228
9.2  架构设计    229
9.3  初始化模型    231
9.4  构建图结构~定义节点的逻辑    232
9.5  连接节点～转向边缘    234
9.6  LangSmith追踪    235
9.7  聊天机器人项目完整实现    237
9.8  本章小结    244
第10章  构建旅行规划智能体    245
10.1  核心技术栈    245
10.2  核心功能模块    246
10.3  LangGraph状态机设计    247
10.4  技术实现架构    247
10.5  实现基础LangGraph对话流，支持简单行程生成    251
10.6  集成至少3个外部工具（天气、酒店、景点）    262
10.7  添加记忆机制与用户偏好存储    269
10.8  智能体完整实现程序    274
10.9  本章小结    295
第11章  构建电商客服退款处理智能体    296
11.1  开发环境    297
11.2  LLM调用    297
11.3  项目架构设计    299
11.3.1  config/settings（配置模块）    299
11.3.2  tools/（外部工具调用模块）    300
11.3.3  agents/（智能体核心模块）    301
11.3.4  graph/（LangGraph定义）    302
11.3.5  Interface/（交互界面）    305
11.3.6  main.py（项目入口）    306
11.4  案例综合实现    307
11.5  本章小结    316
第12章  构建股票趋势预测智能分析系统    318
12.1  项目概述    318
12.2  开发环境    319
12.3  LLM调用与配置方案    320
12.4  项目架构设计    321
12.5  智能体核心模块（LangGraph定义）    323
12.6  交互界面与项目入口    324
12.7  项目扩展    324
12.8  项目落地    325
12.9  股票趋势预测智能分析系统    325
12.10  本章小结    335