译者 | 布加迪
审校 | 重楼
每个人都见过聊天机器人的实际应用，有些令人印象深刻，有些令人厌烦。然而，如果你可以创建一个真正智能、组织良好且易于与你自己的应用程序集成的聊天机器人，会怎样呢？我们在本文中将使用两个强大的工具从零开始构建一个聊天机器人：
- 除了LLM外，LangGraph 可以帮助管理井然有序的多步骤工作流程。
- 聊天机器人可以使用Django（一种可扩展且简洁的Web平台）以API的形式公开。
我们先介绍简单的搭建，包括使用Pipenv安装依赖项，并克隆GitHub代码库。然后，我们将使用LangGraph定义聊天机器人的逻辑，围绕它构建一个基于Django的API，并连接一个基本的前端以便与其联系。
无论你想了解LangGraph如何与实际后端协同工作，还是想构建一个简单的聊天机器人，你都来对地方了。
快速入门：克隆并搭建项目
首先，克隆项目并搭建环境。确保你的系统上已安装Python 3.12和Pipenv。如果没有，可以使用以下命令安装pipenv：
现在，克隆代码库并进入项目文件夹：
现在不妨使用Pipenv安装所有依赖项。
注意：如果你收到错误消息，提示你的系统中没有Python 3.12，请使用以下命令：
要知道Python的路径，你可以使用以下命令：
要激活此环境，请使用以下命令：
鉴于我们的需求已满足，接下来设置环境变量。使用以下命令创建一个.env 文件。
将你的API密钥添加到.env 文件。
从Google AI Studio（https://aistudio.google.com/apikey）生成Google API密钥，从Groq Console(https://console.groq.com/keys)生成Groq API密钥，并从Tavily Home(https://app.tavily.com/home)获取你的Tavily 密钥。
搭建完成后，运行以下命令（请确保已激活环境）：
这应该会启动服务器。
点击应用程序正在运行的http://127.0.0.1:8000/链接。
使用LangGraph设计聊天机器人逻辑
现在，设计下聊天机器人逻辑。你可能想知道为什么选择LangGraph？我选择 LangGraph，是因为它能够灵活地构建适合用例的复杂工作流。它如同将多个函数拼接成一个对你的应用程序真正有意义的流程。下面，我们将讨论核心逻辑。完整代码可在 Github 上找到：https://github.com/Badribn0612/chatbot_django_langgraph.git。
1. 状态定义
该状态模式负责聊天机器人。如果你的Graph处于循环状态，它将主要跟踪消息历史记录；否则，它会有包含消息历史记录的输入，并将LLM的响应附加到之前的历史记录后面。
2. 初始化LangGraph
上面这行代码将初始化状态图。这个状态图实例负责维护聊天机器人的流程（对话流）。
3. 带有后备模型的聊天模型
这基本上会将Gemini 2.0 Flash作为主LLM，将Llama 3.3 70B作为后备模型。如果谷歌服务器过载或API达到速率限制，它将开始使用Llama 3.3 70B。
4. 工具集成
我们还将向LLM添加搜索工具。当LLM认为它对查询缺乏了解时，将使用这项功能。它基本上会使用该工具搜索信息，检索相关信息，并基于这些信息响应查询。
5. 聊天机器人节点逻辑
这是负责调用LLM并获取响应的函数。使用LangGraph，你可以构建一个由多个类似这样的函数组成的状态图。你可以分支、合并，甚至并行运行函数（LangGraph中称为节点）。对了，我差点忘了，你甚至可以在图中创建循环。这就是LangGraph带来的那种灵活性。
6. 工具节点和条件流
我们将为该工具创建一个节点，这样，每当聊天机器人搞清楚需要使用它时，它就可以简单地调用该工具节点并获取相关信息。
7. 图入口和出口
上述代码给出了所需的可视化效果。
该LangGraph环境允许你构建一个结构化的聊天机器人，它可以处理对话，需要时调用网络搜索等工具，并在某个模型失败时后备到替代模型。它具有模块化，易于扩展。现在 LangGraph部分已完成，不妨学习如何使用Django为我们的聊天机器人创建API。
使用Django构建API
如果你是Django新手，可以使用本指南学习如何创建应用程序。为此，我们已创建：
- 项目：djangoproj
- 应用程序：djangoapp
第1步：应用程序配置
在djangoapp/apps.py 中，我们定义应用程序配置，以便Django能够识别它：
第2步：创建聊天机器人API
在djangoapp/views.py中，我们定义一个用于处理POST请求的简单API端点：
- 该视图接受用户输入，将其传递给基于LangGraph的聊天机器人，并返回响应。
- @csrf_exempt用于测试/演示，以允许外部POST请求。
第3步：将API连接到URL
在djangoproj/urls.py中，将视图连接到端点：
现在，向/api/chatbot/发送POST请求将触发聊天机器人并返回JSON响应。
第4步：部署基本的聊天用户界面
要显示简单的界面，请在djangoapp/views.py中添加以下内容：
该视图渲染index.html，这是基本的聊天界面。
在djangoproj/settings.py中，告诉Django去哪里查找模板：
我们已使用Django将LangGraph聊天机器人转变成了实用的API，仅用几行代码，甚至还添加了一个用于与其交互的基本用户界面。这种设计简洁、模块化且易于扩展，非常适合实际项目和演示。
以下是聊天机器人的实际演示：
你可以在此基础上构建的功能
以下是你可以在该应用程序基础上构建的一些功能：
- 设置系统提示和智能体角色来指导行为和响应。
- 创建多个专用智能体和一个路由智能体，以根据用户输入委派任务。
- 插入RAG工具以引入你自己的数据并丰富响应。
- 将对话历史记录存储在数据库（比如PostgreSQL）中，并与用户会话关联，以实现连续性和分析。
- 实现智能消息窗口或摘要功能，以轻松应对token限制。
- 使用提示模板或者Guardrails AI或NeMo等工具，进行输出验证和安全过滤。
- 使用Gemini 2.5 pro或GPT-4.1等功能强大的模型，添加支持图像或文件处理的功能。
结论
全文就是这样！我们刚使用LangGraph和Django从零开始构建了一个功能齐全的聊天机器人，它拥有简洁的API、工具集成、带有后备模型的LLM 等等。最棒的是，它是模块化的，非常易于扩展。无论你是想为自己的产品构建智能助手、尝试多智能体系统，还是只是想试试LangGraph，本文都为你提供了一个坚实的起点。你还可以探究更多内容，比如添加图像输入、插入自己的知识库。所以，请继续尝试，在此基础上不断构建。
原文标题：Building a Conversational AI App with Django and LangGraph，作者：Badrinarayan M
