从本期开始我们就正式围绕LangGraph的代码实战进行讲解。本期内容笔者将按照API层级结构从高到低的顺序为大家分享LangGraph如何利用预构建图的高层API快速创建Agent智能体。

一、LangGraph API架构回顾

每期分享开始前，希望大家都可以回顾一下LangGraph的核心模块和基本架构。

• LangGraph的构建图语法属于最底层的API，涉及到复杂的节点定义、边定义、图构建等复杂内容。
• LangGraph Agnet Node语法属于中层API，对工具和模型进行抽象，方便快速接入工具。
• LangGraph预构建图语法属于最高层的API，将广泛流行的图模式抽象为一个函数调用，大家可以通过一行代码快速构建图。

为了让大家由易到难逐步吃透LangGraph的核心技巧，我将按照从上到下：预构建图Agent API -> Agent Node API -> 构建图语法底层API的核心顺序进行分享。本期内容分享的是预构建图 Agent API的使用方法。

二、LangGraph环境搭建

使用LangGraph进行大模型应用开发，第一步要搭建LangGraph的运行环境。本系列分享同样使用anaconda管理虚拟环境:

1. 命令行执行如下命令创建并激活名为langgraphenv的虚拟环境:

conda create -n langgraphenv python=3.12 #创建langchain开发环境
conda activate langgraphenv

2. 命令行执行pip install langchain langgraph langchain安装LangGraph依赖, 可以通过pip show langgraph查看我们安装的langgraph版本。

3. LangGraph系列教程使用DeepSeek-V3.1作为大模型组件，LangGraph底层依赖LangChain，所以我们需要使用LangChain中的DeepSeek组件快速接入模型。同时用户和大模型的通信基本都采用openai格式，所以执行如下命令安装依赖（LangGraph接入大模型的详细步骤与LangChain一致

pip install langchain-deepseek openai

以上就是我们搭建LangGraph基本环境的教程。

二、借助预构建智能体API快速创建LangGraph智能体

2.1 LangGraph预构建智能体API简介

正如开篇所说，我们先尝试使用LangGraph最高层的预构建图API快速构建智能体，然后在后续的分享中会逐渐深入到LangGraph背后的底层原理及更底层的API进行讲解。

虽然叫预构建API，但我们调用代码的背后其实是创建了一个预设好的图结构。

下面简单列举几个LangGraph预构建图模板的API:

create_react_agent: 最常用最通用的图模板，允许当前大语言模型自动对传入的所有工具进行编排，思考当前任务需要使用哪些工具，并实时接收工具返回的结果灵活思考下一步计划，直到完成任务。

create_tool_calling_agent: 该图模板适用于对单独的工具进行性能调试。

create_openai_functions_agent和create_openai_tools_agent: 该图模板用于构建以OpenAI风格请求工具函数的智能体(并不是只兼容OpenAI的GPT模型）

2.2 天气助手案例实战LangGraph预构建图模板API

LangGraph接入工具函数类别和LangChain一样有三类：LangChain内置的工具函数、自定义工具函数和使用MCP工具。我们这里通过自定义工具函数进行演示：

1. 创建自定义获取天气信息的工具函数，具体细节已经讲过很多次这里不加赘述。为了更加严谨，我们使用pydantic库定义一个对象类型描述传入参数，这里表示要传入的是一个字符串loc参数，表示的含义是城市名称。定义的WeatherQuery对象在@tool(args_schema=WeatherQuery)中约束get_weather的函数参数。tool装饰器可以将自定义函数修饰为LangChain/LangGraph的函数工具， 注意函数的注释必须要撰写清楚才能使大模型理解函数功能

import requests
from langchain_core.tools import tool
from pydantic import BaseModel, Field
class WeatherQuery(BaseModel):
loc: str = Field(description="城市名称")
@tool(args_schema=WeatherQuery)
def get_weather(loc):
"""
查询即时天气函数
:param loc: 必要参数，字符串类型，用于表示查询天气的具体城市名称，\
:return：心知天气 API查询即时天气的结果，具体URL请求地址为："https://api.seniverse.com/v3/weather/now.json"
返回结果对象类型为解析之后的JSON格式对象，并用字符串形式进行表示，其中包含了全部重要的天气信息
"""
url = "https://api.seniverse.com/v3/weather/now.json"
params = {
"key": "你注册的心知天气私钥",
"location": loc,
"language": "zh-Hans",
"unit": "c",
}
response = requests.get(url, params=params)
temperature = response.json()
return temperature['results'][0]['now']

我们可以打印装饰器修饰的工具函数来查看工具函数的名称、描述、参数和返回信息：

print(f'''
name: {get_weather.name}
description: {get_weather.description}
arguments： {get_weather.args}
''')

2. 初始化大模型和函数列表，该部分代码与LangChain的相关代码完全一致，这里不加赘述

from langchain.chat_models import init_chat_model
model = init_chat_model(
model='deepseek-chat',
model_provider='deepseek',
api_key='你注册的DeepSeek api_key'
)
tools = [get_weather]

3. 创建ReACT预制图结构并构建智能体，通过invoke方法传入messages列表得到智能体输出结果

from langgraph.prebuilt import create_react_agent
agent = create_react_agent(model=model, tools=tools)
response = agent.invoke(
{
"messages": [
{
"role": "user",
"content": "你好请你介绍一下你自己"
}
]
}
)
print(response)

可以看到智能体的输出结果同样是messages列表。

4. 测试外部工具的调用, 提问智能体“北京现在的天气如何？

response = agent.invoke(
{
"messages": [
{
"role": "user",
"content": "北京现在的天气如何?"
}
]
}
)
print(response)

我们观察智能体输出的消息列表，这不就是我们讲过的Function Calling的基本流程吗？大模型根据用户的提问从工具函数列表中选取适当的函数并自动生成函数参数，调用函数生成的结果再反馈给大模型生成最终的回复结果。

我们也可以通过response['messages'][-1].content索引大模型最终的回复结果不涵盖整个消息列表

三、LangGraph ReACT图结构浅析

LangGraph框架是通过Nodes（点）和Edges(边）的组合去创建复杂的循环工作流程，通过消息传递的方式串联所有节点形成一个通路。为了维持消息能够及时的更新并能够在节点中反复传递，则LangGraph构建了 State状态 的概念。每启动一个LangGraph构建流都会生成一个状态，图中的节点在处理时会传递和修改该状态。整个状态不仅仅是一组静态数据，更是根据每个节点的输出动态更新的，然后影响循环内的后续操作。像State等LangGraph的底层概念我们之后讲解LangGraph底层API的时候会详细说明。

上图展示了ReACT图结构，ReACT是Reason（推理）和Act（行动）的缩写，它的工作流程是一个循环图：思考->行动->观察结果->再思考…->得出答案。正如上图所示，ReACT图具体流程如下:

1. 开始：

   接收用户的输入

2. 调用模型：

   将当前状态传递给大模型要求模型思考

3. 模型决策：

   大模型会以特定格式返回一个响应，这个响应可能是：

• 最终答案: 如果模型认为信息足够，就直接回答用户
• 工具调用：如果模型认为需要更多信息，它会决定调用哪个工具

4. 执行工具：

   如果模型决定调用工具，图就会执行该工具，并获取工具返回的结果

5. 更新状态：

   将工具的执行结果添加到状态中

6. 循环：

   带着新的信息回到第2步，让模型再次思考

7. 结束：

   当模型返回最终答案时，循环结束，图运行完成将结果返回给用户。

这里不得不惊叹LangGraph开发者的抽象能力，如此复杂的图可以封装为一行代码，后台过程完全由LangGraph自动管理，大大加快了智能体的开发速度~

四、如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

一直在更新，更多的大模型学习和面试资料已经上传带到CSDN的官方了，有需要的朋友可以扫描下方二维码免费领取【保证100%免费】👇👇

01.大模型风口已至：月薪30K+的AI岗正在批量诞生

2025年大模型应用呈现爆发式增长，根据工信部最新数据：

国内大模型相关岗位缺口达47万

初级工程师平均薪资28K（数据来源：BOSS直聘报告）

70%企业存在"能用模型不会调优"的痛点

真实案例：某二本机械专业学员，通过4个月系统学习，成功拿到某AI医疗公司大模型优化岗offer，薪资直接翻3倍！

02.大模型 AI 学习和面试资料

1️⃣ 提示词工程：把ChatGPT从玩具变成生产工具
2️⃣ RAG系统：让大模型精准输出行业知识
3️⃣ 智能体开发：用AutoGPT打造24小时数字员工

📦熬了三个大夜整理的《AI进化工具包》送你：
✔️ 大厂内部LLM落地手册（含58个真实案例）
✔️ 提示词设计模板库（覆盖12大应用场景）
✔️ 私藏学习路径图（0基础到项目实战仅需90天）

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】