Agent实战教程：LangGraph相关概念介绍以及快速入门

最近在搭建Agent，包括之前也写过一些智能体编排的流程，不过在构建项目的时候以及调研相关资源，当前发现Agent框架中LangGprah的资源是较多的，文档也比较完善，感觉又回到了之前Langchain流行的感觉。笔者花了几个小时大致把LangGraph一些基础概念包括调用快速过了一遍，后续会使用LangGraph搭建一些有趣的应用。主要参考流程来自LangGraph官方教程

另外之前发过不少关于Agent的理论文章，不懂相关概念的大家也可以查看历史文章

LangGraph官方链接：https://langchain-ai.github.io/langgraph/

picture.image

前序准备

在使用LangGraph之前，我们先提前准备一些基础知识以及相关概念的了解，方便我们了解后续代码

Langchain的 `ChatModel`

我们清楚Agent的主要通过设计提示语，然后调用模型，完成对应流程与目标输出，所以在构建智能体之前，我们首先搞明白如何调用大模型，langchain框架提供了很多厂商的调用方式，使用文档在这里：

https://python.langchain.com/api\_reference/langchain/chat\_models.html

虽然聊天模型在底层使用了语言模型，但它们暴露的接口略有不同。它们并没有暴露“文本输入、文本输出”的 API，而是暴露了一个以“聊天消息”作为输入和输出的接口。下面支持的模型厂商列表

openai -> langchain-openai
anthropic -> langchain-anthropic
azure_openai -> langchain-openai
azure_ai -> langchain-azure-ai
google_vertexai -> langchain-google-vertexai
google_genai -> langchain-google-genai
bedrock -> langchain-aws
bedrock_converse -> langchain-aws
cohere -> langchain-cohere
fireworks -> langchain-fireworks
together -> langchain-together
mistralai -> langchain-mistralai
huggingface -> langchain-huggingface
groq -> langchain-groq
ollama -> langchain-ollama
google_anthropic_vertex -> langchain-google-vertexai
deepseek -> langchain-deepseek
ibm -> langchain-ibm
nvidia -> langchain-nvidia-ai-endpoints
xai -> langchain-xai
perplexity -> langchain-perplexity

langchain有个方法init_chat_model，可以初始化各种厂商的模型，同时也提供了不同大模型的调用sdk,下面是deepseek的例子：

  
from langgraph.prebuilt import create\_react\_agent  
from langchain\_deepseek import ChatDeepSeek  
from dotenv import load\_dotenv  
  
load\_dotenv(verbose=True)  
  
model=ChatDeepSeek(  
    model="deepseek-chat",  
    temperature=0,  
    max\_tokens=None,  
    timeout=None,  
    max\_retries=2,  
)  
  
response=model.invoke("你好,请帮我生成一首儿歌")  
print(response)

模型输出如下：

  
{  
  "content": "当然！这里有一首温馨可爱的儿歌，适合小朋友传唱：\n\n---\n\n**《小星星的梦》**  \n✨🌙🎵  \n\n小星星，眨眼睛，  \n躲在云端放光明。  \n月亮船，摇啊摇，  \n载着梦儿轻轻飘。  \n\n萤火虫，提灯笼，  \n照亮花园小草丛。  \n风儿唱，树叶响，  \n伴我进入甜梦乡。  \n\n——  \n希望这首简单又充满画面感的儿歌能让宝贝喜欢！如果需要主题调整（比如动物、季节等），可以告诉我哦 😊",  
  "additional\_kwargs": {  
    "refusal": null  
  },  
  "response\_metadata": {  
    "token\_usage": {  
      "completion\_tokens": 120,  
      "prompt\_tokens": 12,  
      "total\_tokens": 132,  
      "completion\_tokens\_details": null,  
      "prompt\_tokens\_details": {  
        "audio\_tokens": null,  
        "cached\_tokens": 0  
      },  
      "prompt\_cache\_hit\_tokens": 0,  
      "prompt\_cache\_miss\_tokens": 12  
    },  
    "model\_name": "deepseek-chat",  
    "system\_fingerprint": "fp\_feb633d1f5\_prod0820\_fp8\_kvcache",  
    "id": "866e04cd-5b1c-41cd-a7c6-a4140f4bcd05",  
    "service\_tier": null,  
    "finish\_reason": "stop",  
    "logprobs": null  
  },  
  "id": "run--d3ffbc2a-d62b-49e5-8daa-981205501093-0",  
  "usage\_metadata": {  
    "input\_tokens": 12,  
    "output\_tokens": 120,  
    "total\_tokens": 132,  
    "input\_token\_details": {  
      "cache\_read": 0  
    },  
    "output\_token\_details": {}  
  }  
}

这个JSON输出代表了一次完整的AI生成过程的结果 ，整个结构可以分为两大部分：核心内容 和元数据 。

核心内容

这是用户直接收到的、最有价值的部分：

**content** : 主要输出内容 。包含了AI生成的完整儿歌《小星星的梦》，包括标题、歌词、表情符号和友好的结束语。这是整个响应的核心。
**additional\_kwargs** : 附加参数字典 。这里的 "refusal": null 表明AI没有拒绝该请求，顺利完成了任务。

元数据 (系统信息)

这些字段提供了关于此次生成过程的背景技术信息，对开发者非常有用：

**response\_metadata** :响应元数据 。包含了本次请求的详细技术细节：
- token\_usage : Token消耗统计 。显示本次生成消耗了 12个输入token （问题很短）和 120个输出token （儿歌内容较长），总计132个token。
  - model\_name : 模型标识 。表明由 deepseek-chat 模型生成。
  - finish\_reason : 完成原因 。值为 stop ，表示模型正常输出了完整结果后结束。
  - id , system\_fingerprint : 本次请求的唯一标识和系统指纹，用于追踪和诊断。
**usage\_metadata** :用量元数据 。以另一种格式再次提供了token使用情况，并特别指出了没有从缓存读取 ("cache\_read": 0)，说明这是一个全新的计算请求。
**id** :本次运行（Run）的唯一标识符 。用于在日志系统中追踪这一次特定的AI调用。

ReAct框架

《REACT: SYNERGIZING REASONING AND ACTING IN LANGUAGE MODELS》，由Shunyu Yao等人撰写，发表在2023年的ICLR会议上。论文探讨了如何在大型语言模型（LLMs）中结合推理（reasoning）和行动（acting）的能力，以提高模型在语言理解和交互式决策制定任务中的性能。

其中ReAct Agent就是核心动作就是推理+行动

主要观点：

大型语言模型（LLMs）在语言理解和交互式决策制定任务中表现出色，但它们的推理（例如链式思维提示）和行动（例如行动计划生成）能力通常被分开研究。
作者提出了一种新的方法ReAct，它通过交错生成推理轨迹和特定于任务的行动，使两者之间产生更大的协同效应。推理轨迹帮助模型诱导、跟踪和更新行动计划，以及处理异常情况，而行动则允许它与外部资源（如知识库或环境）接口并收集额外信息。具体步骤：

ReAct（Reasoning and Acting）是一种结合了推理（reasoning）和行动（acting） 的方法，旨在提高大型语言模型（LLMs）在解决复杂任务时的性能和可解释性。ReAct的具体步骤如下：

定义任务和目标：首先，明确模型需要解决的任务和目标。这可能包括问题回答、事实验证、文本游戏或网页导航等。
生成推理轨迹：模型生成一系列推理轨迹，这些轨迹是模型内部的思考过程，用于解决问题。这些推理轨迹可能包括分解任务目标、提取重要信息、执行常识推理、指导搜索重构、跟踪进度和处理异常等。
执行行动：模型根据推理轨迹执行一系列行动。在ReAct中，行动是通过与外部环境（例如Wikipedia或其他知识库）的交互来完成的。行动可以是搜索信息、选择产品、选择选项或购买等。
交替推理和行动：在解决任务的过程中，模型会交替进行推理和行动。这意味着模型在执行每个行动后可能会生成新的推理轨迹，然后再执行新的行动，以此往复。
更新上下文：每次行动后，模型会更新上下文信息，这包括之前的行动、观察结果和新生成的推理轨迹。这种上下文更新帮助模型跟踪任务的当前状态，并为未来的推理和行动提供信息。
生成任务解决轨迹：通过上述步骤，模型生成一个包含行动、观察和推理轨迹的任务解决轨迹。这个轨迹不仅展示了模型如何解决问题，而且提供了模型决策的透明度，使得人类用户可以理解和评估模型的行为。
评估和调整：在实际应用中，模型生成的任务解决轨迹可能会被人类用户评估和调整。用户提供的反馈可以用来进一步指导模型的行为，或者在模型自身无法正确解决问题时进行干预。

下面是一个 ReAct 提示的示例(摘自论文，为简单起见缩短为一个示例):

  
问题 科罗拉多造山带东部区域延伸到的区域的海拔范围是多少? 思考 1 我需要搜索科罗拉多造山带，找到科罗拉多造山带东段延伸的区域，然后找到该区域的海拔范围。 操作 1 搜索 [科罗拉多造山带] 观察 1 科罗拉多造山带是科罗拉多及其周边地区造山运动的一段。 思考 2 它没有提到东部地区。所以我需要查一下东部地区。 操作 2 查找 [东部地区] 观察 2 (结果 1 / 1) 东部区域延伸至高平原，称为中原造山带。 思考 3 科罗拉多造山运动的东部区域延伸到高平原。所以我需要搜索高平原，找到它的海拔范围。 操作 3 搜索 [高平原] 观察 3 高平原指的是两个截然不同的陆地区域之一。 思考 4 我需要搜索高平原（美国） 操作 4 搜索 [高平原（美国）] 观察 4 高平原是大平原的一个分区。从东到西，高平原的海拔从 1800 到 7000 英尺 (550 到 2130 米) 不等。[3] 思考 5 高平原海拔高度从 1800 到 7000 英尺，所以答案是 1800 到 7000 英尺。 操作 5 结束 [1800 到 7000 英尺] ...

ReAct的核心在于通过交错的推理和行动步骤，使模型能够在执行任务时动态地进行推理和行动，从而提高任务解决的准确性和效率。这种方法特别适用于需要与外部环境交互并从中获取信息以支持决策的任务。

LangGraph快速入门

构建ReactAgent

为了避免缺少环境，我们可以提前安装langchain套件：

  
pip install langchain langchain-core

安装 LangGraph：

  
pip install -U langgraph

然后，使用预构建的组件（这里指的react_agent模板）创建智能体：

  
from langgraph.prebuilt import create\_react\_agent  
from langchain\_deepseek import ChatDeepSeek  
from dotenv import load\_dotenv  
  
load\_dotenv(verbose=True)  
  
model=ChatDeepSeek(  
    model="deepseek-chat",  
    temperature=0,  
    max\_tokens=None,  
    timeout=None,  
    max\_retries=2,  
)  
  
# response=model.invoke("你好,请帮我生成一首儿歌")  
# print(response)  
def get\_weather(city: str) -> str:  
    """Get weather for a given city."""  
    return f" {city}的天气是晴朗的!"  
  
agent = create\_react\_agent(  
    model=model,  
    tools=[get\_weather],  
    prompt="你是一个有用的助手"  
)  
  
# Run the agent  
response=agent.invoke(  
    {"messages": [{"role": "user", "content": "请问北京的天气怎么样"}]}  
)  
  
print(response)

我们可以答应下输出，这里为了方便查看，我整理成json了：

  
{  
  "messages": [  
    {  
      "type": "human",  
      "content": "请问北京的天气怎么样",  
      "additional\_kwargs": {},  
      "response\_metadata": {},  
      "id": "72b50e8e-e20f-4d2e-8add-4993747de54e"  
    },  
    {  
      "type": "ai",  
      "content": "我来帮您查询北京的天气情况。",  
      "additional\_kwargs": {  
        "tool\_calls": [  
          {  
            "id": "call\_0\_4e1e8263-3930-4052-b272-26d618f4301d",  
            "function": {  
              "arguments": "{\"city\": \"\\u5317\\u4eac\"}",  
              "name": "get\_weather"  
            },  
            "type": "function",  
            "index": 0  
          }  
        ],  
        "refusal": null  
      },  
      "response\_metadata": {  
        "token\_usage": {  
          "completion\_tokens": 28,  
          "prompt\_tokens": 155,  
          "total\_tokens": 183,  
          "completion\_tokens\_details": null,  
          "prompt\_tokens\_details": {  
            "audio\_tokens": null,  
            "cached\_tokens": 0  
          },  
          "prompt\_cache\_hit\_tokens": 0,  
          "prompt\_cache\_miss\_tokens": 155  
        },  
        "model\_name": "deepseek-chat",  
        "system\_fingerprint": "fp\_feb633d1f5\_prod0820\_fp8\_kvcache",  
        "id": "41400771-a017-484c-970c-d697720af00b",  
        "service\_tier": null,  
        "finish\_reason": "tool\_calls",  
        "logprobs": null  
      },  
      "id": "run--09d15b9b-e85f-4ec2-968a-ca1051321606-0",  
      "tool\_calls": [  
        {  
          "name": "get\_weather",  
          "args": {  
            "city": "北京"  
          },  
          "id": "call\_0\_4e1e8263-3930-4052-b272-26d618f4301d",  
          "type": "tool\_call"  
        }  
      ],  
      "usage\_metadata": {  
        "input\_tokens": 155,  
        "output\_tokens": 28,  
        "total\_tokens": 183,  
        "input\_token\_details": {  
          "cache\_read": 0  
        },  
        "output\_token\_details": {}  
      }  
    },  
    {  
      "type": "tool",  
      "content": "北京的天气是晴朗的!",  
      "name": "get\_weather",  
      "id": "f47a51d0-9b26-4eb4-8d3b-f1e4f02520bb",  
      "tool\_call\_id": "call\_0\_4e1e8263-3930-4052-b272-26d618f4301d"  
    },  
    {  
      "type": "ai",  
      "content": "根据查询结果，北京目前的天气是晴朗的！天气状况很好，适合外出活动。如果您需要更详细的天气信息（如温度、湿度、风力等），请告诉我，我可以为您提供更全面的天气情况。",  
      "additional\_kwargs": {  
        "refusal": null  
      },  
      "response\_metadata": {  
        "token\_usage": {  
          "completion\_tokens": 45,  
          "prompt\_tokens": 187,  
          "total\_tokens": 232,  
          "completion\_tokens\_details": null,  
          "prompt\_tokens\_details": {  
            "audio\_tokens": null,  
            "cached\_tokens": 128  
          },  
          "prompt\_cache\_hit\_tokens": 128,  
          "prompt\_cache\_miss\_tokens": 59  
        },  
        "model\_name": "deepseek-chat",  
        "system\_fingerprint": "fp\_feb633d1f5\_prod0820\_fp8\_kvcache",  
        "id": "63d43631-9171-4fb0-98c0-6470313d7798",  
        "service\_tier": null,  
        "finish\_reason": "stop",  
        "logprobs": null  
      },  
      "id": "run--47611254-733a-4d55-b002-96a17b131a02-0",  
      "usage\_metadata": {  
        "input\_tokens": 187,  
        "output\_tokens": 45,  
        "total\_tokens": 232,  
        "input\_token\_details": {  
          "cache\_read": 128  
        },  
        "output\_token\_details": {}  
      }  
    }  
  ]  
}

这是一个多轮对话的完整记录，描述了用户查询北京天气后，AI调用工具并返回结果的整个过程。对话包含4条消息：

用户提问 (HumanMessage): 询问"北京的天气怎么样"
AI响应 (AIMessage): 回复将帮忙查询，并调用天气查询工具 get_weather，参数为 {"city": "北京"}
工具返回 (ToolMessage): 工具执行结果返回"北京的天气是晴朗的!"
AI最终回复 (AIMessage): 整合工具结果，告诉用户北京天气晴朗，适合外出，并询问是否需要更多详细信息

记忆持久化

为了允许与智能体进行多轮对话，我们需要在创建智能体时提供检查点来启用持久性thread_id。在运行时，LangGraph需要提供一个配置，其中包含对话（会话）的唯一标识符，下面是一个例子：

  
from langgraph.prebuilt import create\_react\_agent  
from langchain\_deepseek import ChatDeepSeek  
from dotenv import load\_dotenv  
from langgraph.checkpoint.memory import InMemorySaver  
load\_dotenv()  
model=ChatDeepSeek(  
    model="deepseek-chat",  
    temperature=0,  
    max\_retries=2,  
)  
# 定义一个简单的工具函数  
def get\_weather(city: str) -> str:  
    """获取天气信息"""  
    weather\_data = {  
        "北京": "晴天，25°C",  
        "上海": "多云，28°C",  
        "深圳": "小雨，26°C"  
    }  
    return weather\_data.get(city, f"{city}天气暂无数据")  
  
# 创建内存检查点  
checkpointer = InMemorySaver()  
  
# 创建带记忆的代理  
agent = create\_react\_agent(  
    model=model,  
    tools=[get\_weather],  
    checkpointer=checkpointer  
)  
  
# 配置会话ID  
config = {"configurable": {"thread\_id": "chat-001"}}  
  
# 第一轮对话  
print("=== 第一轮对话 ===")  
response1 = agent.invoke(  
    {"messages": [{"role": "user", "content": "你好，我叫张三，请查询北京天气"}]},  
    config  
)  
print("用户: 你好，我叫张三，请查询北京天气")  
print("助手:", response1['messages'][-1].content)  
  
# 第二轮对话 - 测试记忆功能  
print("\n=== 第二轮对话 ===")  
response2 = agent.invoke(  
    {"messages": [{"role": "user", "content": "我叫什么名字？"}]},  
    config  
)  
print("用户: 我叫什么名字？")  
print("助手:", response2['messages'][-1].content)  
  
# 第三轮对话 - 继续使用记忆  
print("\n=== 第三轮对话 ===")  
response3 = agent.invoke(  
    {"messages": [{"role": "user", "content": "上海天气怎么样？"}]},  
    config  
)  
print("用户: 上海天气怎么样？")  
print("助手:", response3['messages'][-1].content)

下面是输出：

  
=== 第一轮对话 === 用户: 你好，我叫张三，请查询北京天气 助手: 根据查询结果，北京目前的天气情况是： - 天气状况：晴天 - 温度：25°C  今天北京的天气很不错呢，是个晴朗的好天气，温度也很舒适！  === 第二轮对话 === 用户: 我叫什么名字？ 助手: 你刚才告诉我你叫张三！很高兴认识你，张三！  === 第三轮对话 === 用户: 上海天气怎么样？ 助手: 根据查询结果，上海目前的天气情况是： - 天气状况：多云 - 温度：28°C  上海今天是多云天气，温度比北京稍高一些，28°C，也是比较舒适的天气呢！

结构化输出

要生成符合特定模式的结构化响应，我们可以使用response\_format参数。该模式可以使用Pydantic模型或定义TypedDict。结果可通过structured_response字段访问。

我们设置好调用大模型：

  
from langgraph.prebuilt import create\_react\_agent  
from langchain\_deepseek import ChatDeepSeek  
from dotenv import load\_dotenv  
from pydantic import BaseModel  
from typing import List, Optional  
load\_dotenv()  
model=ChatDeepSeek(  
    model="deepseek-chat",  
    temperature=0,  
    max\_retries=2,  
)

下面是一个例子：

  
  
# 定义工具函数  
def get\_weather(city: str) -> str:  
    """获取城市天气信息"""  
    weather\_data = {  
        "北京": "晴天，气温25°C，空气质量良好",  
        "上海": "多云转阴，气温28°C，湿度80%",  
        "深圳": "小雨，气温26°C，风力3级",  
        "广州": "阴天，气温30°C，空气质量中等"  
    }  
    return weather\_data.get(city, f"{city}暂无天气数据")  
  
def search\_restaurant(city: str, cuisine: str = "") -> str:  
    """搜索餐厅信息"""  
    restaurants = {  
        "北京": "老北京炸酱面馆、全聚德烤鸭店、海底捞火锅",  
        "上海": "小笼包店、本帮菜馆、外滩西餐厅",  
        "深圳": "潮汕牛肉火锅、茶餐厅、海鲜大排档"  
    }  
    return restaurants.get(city, f"{city}暂无餐厅推荐")  
  
# 示例1: 天气查询结构化响应  
class WeatherResponse(BaseModel):  
    """天气查询响应格式"""  
    city: str                    # 城市名称  
    conditions: str              # 天气状况  
    temperature: Optional[str]   # 温度信息  
    additional\_info: Optional[str]  # 附加信息  
  
# 创建天气查询代理  
weather\_agent = create\_react\_agent(  
    model=model,  
    tools=[get\_weather],  
    response\_format=WeatherResponse  
)  
  
print("=== 示例1: 天气查询结构化输出 ===")  
weather\_response = weather\_agent.invoke(  
    {"messages": [{"role": "user", "content": "查询北京的天气情况"}]}  
)

然后我们可以通过字典属性来获取对应的输出值：

  
print("用户: 查询北京的天气情况")  
print("结构化响应:")  
print(f"  城市: {weather\_response['structured\_response'].city}")  
print(f"  天气状况: {weather\_response['structured\_response'].conditions}")  
print(f"  温度: {weather\_response['structured\_response'].temperature}")  
print(f"  附加信息: {weather\_response['structured\_response'].additional\_info}")

输出如下：

  
=== 示例1: 天气查询结构化输出 ===  
用户: 查询北京的天气情况  
结构化响应:  
  城市: 北京  
  天气状况: 晴天  
  温度: 25°C  
  附加信息: 空气质量良好

我们定义一个餐厅推荐结构化输出：

  
# 示例2: 餐厅推荐结构化响应  
class RestaurantRecommendation(BaseModel):  
    """餐厅推荐响应格式"""  
    city: str                           # 城市  
    restaurants: List[str]              # 餐厅列表  
    cuisine\_type: Optional[str]         # 菜系类型  
    recommendation\_reason: str          # 推荐理由  
  
# 创建餐厅推荐代理  
restaurant\_agent = create\_react\_agent(  
    model=model,  
    tools=[search\_restaurant],  
    response\_format=RestaurantRecommendation  
)  
  
print("\n=== 示例2: 餐厅推荐结构化输出 ===")  
restaurant\_response = restaurant\_agent.invoke(  
    {"messages": [{"role": "user", "content": "推荐上海的好餐厅"}]}  
)  
  
print("用户: 推荐上海的好餐厅")  
print("结构化响应:")  
print(f"  城市: {restaurant\_response['structured\_response'].city}")  
print(f"  餐厅列表: {restaurant\_response['structured\_response'].restaurants}")  
print(f"  菜系类型: {restaurant\_response['structured\_response'].cuisine\_type}")  
print(f"  推荐理由: {restaurant\_response['structured\_response'].recommendation\_reason}")

输出如下：

  
=== 示例2: 餐厅推荐结构化输出 ===  
用户: 推荐上海的好餐厅  
结构化响应:  
  城市: 上海  
  餐厅列表: ['小笼包店', '本帮菜馆', '外滩西餐厅']  
  菜系类型: None  
  推荐理由: 上海作为国际化大都市，既有传统本帮菜和小笼包等特色美食，也有高档西餐厅，能够满足不同口味需求

最后我们可以将这两个例子整合成一个旅行的综合查询结构化输出样例：

  
# 示例3: 综合查询结构化响应  
class TravelInfo(BaseModel):  
    """旅行信息响应格式"""  
    destination: str                    # 目的地  
    weather\_info: str                   # 天气信息  
    restaurant\_suggestions: List[str]   # 餐厅建议  
    travel\_tips: List[str]              # 旅行建议  
    overall\_rating: str                 # 总体评价  
  
# 创建旅行助手代理  
travel\_agent = create\_react\_agent(  
    model=model,  
    tools=[get\_weather, search\_restaurant],  
    response\_format=TravelInfo  
)  
  
print("\n=== 示例3: 旅行信息结构化输出 ===")  
travel\_response = travel\_agent.invoke(  
    {"messages": [{"role": "user", "content": "我想去深圳旅游，给我一些建议"}]}  
)  
  
print("用户: 我想去深圳旅游，给我一些建议")  
print("结构化响应:")  
print(f"  目的地: {travel\_response['structured\_response'].destination}")  
print(f"  天气信息: {travel\_response['structured\_response'].weather\_info}")  
print(f"  餐厅建议: {travel\_response['structured\_response'].restaurant\_suggestions}")  
print(f"  旅行建议: {travel\_response['structured\_response'].travel\_tips}")  
print(f"  总体评价: {travel\_response['structured\_response'].overall\_rating}")

我们可以看到输出如下:

  
=== 示例3: 旅行信息结构化输出 ===  
用户: 我想去深圳旅游，给我一些建议  
结构化响应:  
  目的地: 深圳  
  天气信息: 小雨，气温26°C，风力3级  
  餐厅建议: ['潮汕牛肉火锅', '茶餐厅', '海鲜大排档']  
  旅行建议: ['携带雨具出行，准备轻便夏装和薄外套', '使用深圳地铁系统出行，下载"深圳通"APP', '参观世界之窗、欢乐谷、深圳湾公园等景点', '考虑去香港一日游（需提前办理港澳通行证）']  
  总体评价: 现代化大都市，购物和美食天堂，交通便利，适合城市旅游和商务出行

LangGraph教程合集

1⃣ 官方文档 & 快速入门

  
LangGraph 官方教程站（持续更新）  
https://langchain-ai.github.io/langgraph/

2⃣ 中文翻译 + 入门级实战

  
LangGraph 官方文档翻译 1：快速入门  
https://blog.csdn.net/lovechris00/article/details/148014663

3⃣ 进阶实战（带完整源码）

  
构建数学 Agent：工具调用 + 结果验证 + 流程总结  
文章：https://blog.csdn.net/sjxgghg/article/details/147250916  
源码：https://github.com/JieShenAI/csdn/tree/main/25/04/math\_agent

4⃣ 视频课程（2025 年 3 月录制，B 站）

  
《2025 吃透 LangGraph 全套教程》47 集合集  
https://www.bilibili.com/video/BV1wsoiYQENQ/

5⃣ 开源示例合集

  
GitHub 官方示例仓库  
https://github.com/langchain-ai/langgraph-example   
Awesome LangGraph 精选项目列表  
https://github.com/von-development/awesome-LangGraph   
Tools\_and\_Agents：多工具 Agent 实战代码  
https://github.com/anmolaman20/Tools\_and\_Agents

参考资料

ReACT介绍与llama_index ReActAgent实践

https://www.promptingguide.ai/zh/techniques/react

ReAct 框架

https://www.promptingguide.ai/zh/techniques/react

未完待续，后面还有连载

picture.image

添加微信，备注” LLM “进入大模型技术交流群

picture.image

如果你觉得这篇文章对你有帮助，别忘了点个赞、送个喜欢

/ 作者：致Great

/ 作者：欢迎转载，标注来源即可

前序准备

Langchain的 **ChatModel**

核心内容

元数据 (系统信息)

ReAct框架

LangGraph快速入门

构建ReactAgent

记忆持久化

结构化输出

LangGraph教程合集

参考资料

Langchain的 `ChatModel`