Skip to content

LangGraph 快速入门

本指南将向您展示如何设置和使用 LangGraph 的**预构建**、**可复用**组件，这些组件旨在帮助您快速可靠地构建 Agentic 系统。

前提条件

在开始本教程之前，请确保您已具备以下条件：

  • Anthropic API 密钥

1. 安装依赖

如果您尚未安装 LangGraph 和 LangChain，请安装它们：

pip install -U langgraph "langchain[anthropic]"

Info

安装 LangChain 是为了让 Agent 可以调用 模型。

2. 创建 Agent

要创建 Agent，请使用 create_react_agent：

API Reference: create_react_agent

from langgraph.prebuilt import create_react_agent

def get_weather(city: str) -> str:  # (1)!
    """获取给定城市的]天气。"""
    return f"It's always sunny in {city}!"

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",  # (2)!
    tools=[get_weather],  # (3)!
    prompt="你是一个乐于助人的助手"  # (4)!
)

# 运行 Agent
agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)
  1. 定义 Agent 可以使用的工具。工具可以定义为普通的 Python 函数。有关更高级的工具使用和自定义方法，请查看 工具 页面。
  2. 提供 Agent 使用的语言模型。要了解有关为 Agent 配置语言模型的更多信息，请查看 模型 页面。
  3. 提供模型要使用的工具列表。
  4. 为 Agent 使用的语言模型提供一个系统提示（说明）。

3. 配置 LLM

要使用特定参数配置 LLM，例如 temperature，请使用 init_chat_model：

API Reference: init_chat_model | create_react_agent

from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent

model = init_chat_model(
    "anthropic:claude-3-7-sonnet-latest",
    temperature=0
)

agent = create_react_agent(
    model=model,
    tools=[get_weather],
)

有关如何配置 LLM 的更多信息，请参阅 模型。

4. 添加自定义提示

提示用于指示 LLM 如何表现。可以添加以下任一类型的提示：

  • 静态提示：字符串被解释为**系统消息**。
  • 动态提示：基于输入或配置在**运行时**生成的消息列表。

定义一个固定的提示字符串或消息列表：

from langgraph.prebuilt import create_react_agent

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    # 一个永远不会改变的静态提示
    prompt="永远不要回答关于天气的问题。"
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

定义一个函数，该函数根据 Agent 的状态和配置返回消息列表：

from langchain_core.messages import AnyMessage
from langchain_core.runnables import RunnableConfig
from langgraph.prebuilt.chat_agent_executor import AgentState
from langgraph.prebuilt import create_react_agent

def prompt(state: AgentState, config: RunnableConfig) -> list[AnyMessage]:  # (1)!
    user_name = config["configurable"].get("user_name")
    system_msg = f"你是一个乐于助人的助手。请称呼用户为 {user_name}。"
    return [{"role": "system", "content": system_msg}] + state["messages"]

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    prompt=prompt
)

agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config={"configurable": {"user_name": "John Smith"}}
)

  1. 动态提示允许在构建 LLM 输入时包含非消息的上下文，例如：

    • 在运行时传递的信息，如 user_id 或 API 凭证（使用 config）。
    • 在多步推理过程中更新的内部 Agent 状态（使用 state）。

    动态提示可以定义为接收 state 和 config 并返回要发送到 LLM 的消息列表的函数。

有关更多信息，请参阅 上下文。

5. 添加内存

要允许与 Agent 进行多轮对话，您需要通过在创建 Agent 时提供 checkpointer 来启用持久化。在运行时，您需要提供一个包含 thread_id 的配置——这是对话（会话）的唯一标识符：

API Reference: create_react_agent | InMemorySaver

from langgraph.prebuilt import create_react_agent
from langgraph.checkpoint.memory import InMemorySaver

checkpointer = InMemorySaver()

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    checkpointer=checkpointer  # (1)!
)

# 运行 Agent
config = {"configurable": {"thread_id": "1"}}
sf_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]},
    config  # (2)!
)
ny_response = agent.invoke(
    {"messages": [{"role": "user", "content": "what about new york?"}]},
    config
)
  1. checkpointer 允许 Agent 在工具调用循环的每个步骤中存储其状态。这支持短期记忆和人工干预功能。
  2. 传递带有 thread_id 的配置，以便在 Agent 的后续调用中可以继续相同的对话。

启用 checkpointer 后，它会在提供的 checkpointer 数据库（如果在内存中使用 InMemorySaver 则在内存中）存储每个步骤的 Agent 状态。

请注意，在上面的示例中，当 Agent 在第二次使用相同的 thread_id 调用时，第一次对话的原始消息历史记录以及新的用户输入会自动包含在内。

有关更多信息，请参阅 内存。

6. 配置结构化输出

要生成符合模式的结构化响应，请使用 response_format 参数。可以使用 Pydantic 模型或 TypedDict 定义模式。结果可以通过 structured_response 字段访问。

API Reference: create_react_agent

from pydantic import BaseModel
from langgraph.prebuilt import create_react_agent

class WeatherResponse(BaseModel):
    conditions: str

agent = create_react_agent(
    model="anthropic:claude-3-7-sonnet-latest",
    tools=[get_weather],
    response_format=WeatherResponse  # (1)!
)

response = agent.invoke(
    {"messages": [{"role": "user", "content": "what is the weather in sf"}]}
)

response["structured_response"]

  1. 当提供 response_format 时，会在 Agent 循环末尾添加一个额外的步骤：Agent 消息历史记录会与结构化输出一起传递给 LLM，以生成结构化响应。

    要为此 LLM 提供系统提示，请使用元组 (prompt, schema)，例如 response_format=(prompt, WeatherResponse)。

LLM 后处理

结构化输出需要额外调用 LLM 来根据模式格式化响应。

后续步骤