使用LangGraph构建你的第一个AI Agent-附完整代码

AI Agent 指的是有能力主动思考和行动的智能体，能够以类似人类的方式工作，通过大模型来“理解”用户需求，主动“规划”以达成目标，使用各种“工具”来完成任务，并最终“行动”执行这些任务。从模型到 Agent在 Agent 出现之前，我们将 AI 模型建为独立且互不关联的组件——一个模型用于理解文本，一个模型用于生成代码，还有一个模型用于处理图像。这种碎片化的方法迫使用户手动管理工作流程导致在不同系统之间切换时上下文信息消失需要为每个流程步骤集成 ai 模型Agent 的出现就是为了解决这一碎片问题。

AI Agent 指的是有能力主动思考和行动的智能体，能够以类似人类的方式工作，通过大模型来“理解”用户需求，主动“规划”以达成目标，使用各种“工具”来完成任务，并最终“行动”执行这些任务。

从模型到 Agent

在 Agent 出现之前，我们将 AI 模型建为独立且互不关联的组件——一个模型用于理解文本，一个模型用于生成代码，还有一个模型用于处理图像。

这种碎片化的方法

迫使用户手动管理工作流程
导致在不同系统之间切换时上下文信息消失
需要为每个流程步骤集成 ai 模型

Agent 的出现就是为了解决这一碎片问题。

与处理孤立任务的传统模型不同，Agent 能够管理各种功能，同时保持对整个任务的全面理解，它通过赋予大型语言模型 (LLMs) 访问工具和知识来扩展其能力，使模型能够连贯执行一系列操作。

使用 LangGraph 构建 AI 代理

现在让我们使用 LangGraph来构建一个文本分析 agent。

LangGraph 是 LangChain 生态系统中的一个开源框架，专门用于构建基于大型语言模型（LLM）的复杂应用程序。它通过图结构（Graph）将应用逻辑组织为有向图，提供灵活的流程控制和状态管理能力，适用于开发多智能体（Multi-Agent）、多步骤、动态交互的智能系统。

该 Agent 将根据文章内容，进行归纳分类，提取重要元素并给出摘要信息。

开发环境准备

Python：3.11+

1. 导入必要的库

pip install langgraph langchain langchain-openai python-dotenv

2. import 准备

import os
from typing import TypedDict, List
from langgraph.graph import StateGraph, END
from langchain.prompts import PromptTemplate
from langchain_openai import ChatOpenAI
from langchain.schema import HumanMessage

StateGraph 管理代理组件之间的信息流
PromptTemplate 创建一致的指令
ChatOpenAI 连接到 OpenAI 的字符模型，为 agent 提供思维支持

3. 定义 State 类，记录 Agent 数据

定义一个名为 'State' 的 TypedDict，用于结构化个工具方法的状态数据

from typing import TypedDict, List

# 定义一个名为 'State' 的TypedDict，用于结构化表示状态数据
class State(TypedDict):
    text: str  # 存储原始输入文本
    classification: str  # 分类结果（例如类别标签）
    entities: List[str]  # 存储提取的实体列表（如命名实体）
    summary: str  # 存储文本的摘要版本

4. 创建 llm 对象

llm = ChatOpenAI(model="qwen-plus", temperature=0, api_key="",
                 base_url="")

temperature 参数很重要

temperature=0：专注、确定性的响应
temperature=1：更加多样化、更具创造力的输出
temperature=2：天马行空、有时语无伦次的想法

api_key 是访问 AI 服务（如 OpenAI、DeepSeek 等）的身份凭证，用于：

身份验证：确保请求来自授权用户。
权限控制：限制调用接口的范围（如仅允许特定模型或功能）。
计费与监控：跟踪 API 调用次数、费用和使用模式。

base_url 是访问 AI 服务的连接，不同 AI 服务商的 base_url 不一样。

5. 添加 agent 功能

现在，我们将为 Agent 构建专用工具方法，每个工具分别处理特定的任务类型。

分类功能

首先，是我们的分类功能：

def classification_node(state: State):
    """
    将文本分类到预定义的类别中。

    参数:
        state (State): 包含待分类文本的当前状态字典

    返回:
        dict: 包含"分类"键的字典，值为分类结果

    分类类别:
        - 新闻: 事实性报道当前事件
        - 博客: 个人或非正式的网络写作
        - 研究: 学术或科学内容
        - 其他: 不符合上述类别的内容
    """

    # 创建提示模板，要求模型将文本分类到指定类别
    prompt = PromptTemplate(
        input_variables=["text"],
        template="将以下文本分类到以下类别之一：新闻、博客、研究、其他。\n\n文本：{text}\n\n类别："
    )

    # 使用状态中的文本格式化提示并包装为HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 调用语言模型进行分类
    classification = llm.invoke([message]).content.strip()

    # 返回分类结果字典
    return {"classification": classification}

此函数使用提示模板向我们的 AI 模型发出清晰的指令。该函数获取当前状态（包含我们正在分析的文本）并返回其分类。

实体提取功能

接下来是我们的实体提取功能：

def entity_extraction_node(state: State):
    # 从文本中识别并提取命名实体（按人物、组织、地点分类）

    # 创建实体提取提示模板，要求返回逗号分隔的实体列表
    prompt = PromptTemplate(
        input_variables=["text"],
        template="从以下文本中提取所有实体（人物、组织、地点）。以逗号分隔列表形式返回结果。\n\n文本：{text}\n\n实体："
    )

    # 使用文本格式化提示并包装为HumanMessage
    message = HumanMessage(content=prompt.format(text=state["text"]))

    # 调用模型获取响应，清理空白并拆分为列表
    entities = llm.invoke([message]).content.strip().split(", ")

    # 返回包含实体列表的字典
    return {"entities": entities}

此函数处理文档并返回关键实体列表，例如重要名称、组织和地点。

摘要功能

最后，我们的摘要功能

def summarize_node(state: State):
    # 创建摘要提示模板，要求用一句话总结输入文本

    # 使用模板创建链式处理流程（提示模板 → 语言模型）
    summarization_prompt = PromptTemplate.from_template(
        """用一句话总结以下文本。\n\n文本：{text}\n\n摘要："""
    )

    # 构建处理链：提示模板 → 语言模型
    chain = summarization_prompt | llm

    # 执行处理流程，传入文本进行摘要生成
    response = chain.invoke({"text": state["text"]})

    # 返回包含摘要结果的字典
    return {"summary": response.content}

此功能将文档提炼为要点的简明摘要。

这些技能相结合，使我们的代理能够理解内容类型、识别关键信息并创建易于理解的摘要——每个功能都遵循相同的模式：获取当前状态、进行处理，并将有用信息返回给下一个功能

7. 创建状态图对象

# 创建状态图对象
workflow = StateGraph(State)

# 添加处理节点到流程图
workflow.add_node("classification_node", classification_node)  # 分类节点
workflow.add_node("entity_extraction", entity_extraction_node)  # 实体提取节点
workflow.add_node("summarization", summarize_node)  # 摘要生成节点

# 设置流程入口点并定义执行路径
workflow.set_entry_point("classification_node")  # 设置初始执行节点
workflow.add_edge("classification_node", "entity_extraction")  # 分类 → 实体提取
workflow.add_edge("entity_extraction", "summarization")  # 实体提取 → 摘要生成
workflow.add_edge("summarization", END)  # 摘要生成 → 流程结束

# 编译工作流为可执行应用
app = workflow.compile()

OK，到之类我们就已经构建了一个完整的用于文章归纳总结摘要的 Agent，它能够按照协调的顺序完成从分类到实体提取再到摘要的整个过程，使其能够理解文本类型、识别重要实体、创建摘要，然后完成整个流程。

8. 实战一下

现在让我们用示例文本测试我们的代理：

# 测试用例：关于Anthropic的MCP技术说明文本
sample_text = """
Anthropic的MCP（Model Context Protocol）是一个开源的强大工具，允许应用程序与各种系统的API进行无缝交互。
"""

# 创建初始状态对象
state_input = {"text": sample_text}

# 执行完整工作流处理
result = app.invoke(state_input)

# 输出处理结果
print("分类结果:", result["classification"])
print("\n实体列表:", result["entities"])
print("\n摘要内容:", result["summary"])

运行结果

分类结果: 研究

理由：该文本提到了Anthropic的MCP（Model Context Protocol），并描述了其功能和特性。这种内容通常与技术研究、创新工具或方法相关，因此分类为“研究”较为合适。如果该文本出现在具体的产品新闻或个人观点分享的语境下，也可能属于其他类别，但从当前表述来看，“研究”是最贴切的分类。

实体列表: ['Anthropic', 'MCP', 'Model Context Protocol']

摘要内容: Anthropic的MCP是一个开源工具，可实现应用程序与系统API的无缝交互。

最后

随着大模型能力的不断突破，未来 AI Agent 将深度融入社会生产与生活，成为数字化转型的核心驱动力。开发者与企业需关注场景适配性、数据安全和人机协作，以最大化其价值。