构建一个基础聊天机器人¶

在本教程中，你将构建一个基础聊天机器人。这个聊天机器人是后续教程的基础，在后续教程中，你将逐步为其添加更复杂的功能，并在此过程中了解 LangGraph 的关键概念。让我们开始吧！🌟

先决条件¶

在开始本教程之前，请确保你可以访问支持工具调用功能的 LLM，例如 OpenAI、 Anthropic 或 Google Gemini。

1. 安装软件包¶

安装所需的软件包：

pip install -U langgraph langsmith

Tip

注册 LangSmith，以便快速发现问题并提高 LangGraph 项目的性能。LangSmith 可让你利用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用。有关如何开始的更多信息，请参阅 LangSmith 文档。

2. 创建一个 `StateGraph`¶

现在你可以使用 LangGraph 创建一个基础聊天机器人。这个聊天机器人将直接响应用户消息。

首先创建一个 StateGraph。StateGraph 对象将我们的聊天机器人结构定义为“状态机”。我们将添加 nodes 来表示聊天机器人可以调用的 LLM 和函数，以及 edges 来指定机器人应如何在这些函数之间进行转换。

^{API Reference: StateGraph | START | END | add_messages}

from typing import Annotated

from typing_extensions import TypedDict

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages


class State(TypedDict):
    # Messages 的类型为 "list"。
    # 注释中的 `add_messages` 函数定义了此状态键应如何更新
    # （在此例中，它会将消息追加到列表中，而不是覆盖它们）
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)

我们的图现在可以处理两个关键任务：

每个 node 都可以接收当前 State 作为输入并输出对 state 的更新。
感谢使用 Annotated 语法预先构建了 add_messages 函数，对 messages 的更新将追加到现有列表中，而不是覆盖它们。

概念

在定义图时，第一步是定义其 State。State 包含图的 schema 和处理 state 更新的 reducer 函数。在我们的示例中，State 是一个 TypedDict，包含一个键：messages。add_messages reducer 函数用于将新消息追加到列表中，而不是覆盖它。没有 reducer 注释的键将覆盖之前的earlier值。要了解有关 state、reducers 和相关概念的更多信息，请参阅 LangGraph 参考文档。

3. 添加一个节点¶

接下来，添加一个“chatbot”节点。**节点**代表工作单元，通常是普通的 Python 函数。

首先，让我们选择一个聊天模型：

OpenAIAnthropicAzureGoogle GeminiAWS Bedrock

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["OPENAI_API_KEY"] = "sk-..."

llm = init_chat_model("openai:gpt-4.1")

👉 阅读 OpenAI 集成文档

pip install -U "langchain[anthropic]"

import os
from langchain.chat_models import init_chat_model

os.environ["ANTHROPIC_API_KEY"] = "sk-..."

llm = init_chat_model("anthropic:claude-3-5-sonnet-latest")

👉 阅读 Anthropic 集成文档

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["AZURE_OPENAI_API_KEY"] = "..."
os.environ["AZURE_OPENAI_ENDPOINT"] = "..."
os.environ["OPENAI_API_VERSION"] = "2025-03-01-preview"

llm = init_chat_model(
    "azure_openai:gpt-4.1",
    azure_deployment=os.environ["AZURE_OPENAI_DEPLOYMENT_NAME"],
)

👉 阅读 Azure 集成文档

pip install -U "langchain[google-genai]"

import os
from langchain.chat_models import init_chat_model

os.environ["GOOGLE_API_KEY"] = "..."

llm = init_chat_model("google_genai:gemini-2.0-flash")

👉 阅读 Google GenAI 集成文档

pip install -U "langchain[aws]"

from langchain.chat_models import init_chat_model

# Follow the steps here to configure your credentials:
# https://docs.aws.amazon.com/bedrock/latest/userguide/getting-started.html

llm = init_chat_model(
    "anthropic.claude-3-5-sonnet-20240620-v1:0",
    model_provider="bedrock_converse",
)

👉 阅读 AWS Bedrock 集成文档

现在我们可以将聊天模型合并到一个简单的节点中：

def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}


# 第一个参数是唯一的节点名称
# 第二个参数是每次调用节点时将调用该函数或对象。
graph_builder.add_node("chatbot", chatbot)

请注意 chatbot 节点函数如何将当前 State 作为输入，并返回一个字典，该字典在“messages”键下包含一个更新的 messages 列表。这是所有 LangGraph 节点函数的基本模式。

我们 State 中的 add_messages 函数将把 LLM 的响应消息追加到 state 中已有的任何消息之后。

4. 添加一个 `entry` 点¶

添加一个 entry 点，告知图每次运行时**从何处开始工作**：

graph_builder.add_edge(START, "chatbot")

5. 添加一个 `exit` 点¶

添加一个 exit 点，指示**图应在何处完成执行**。这对于更复杂的流程很有用，但即使在这个简单的图中，添加一个结束节点也能提高清晰度。

graph_builder.add_edge("chatbot", END)

这会告诉图在运行完 chatbot 节点后终止。

6. 编译图¶

在运行图之前，我们需要编译它。我们可以通过在图构建器上调用 compile() 来实现。这将创建一个 CompiledStateGraph，我们可以在其上调用 state。

graph = graph_builder.compile()

7. 可视化图 (可选)¶

你可以使用 get_graph 方法和其中一个“draw”方法（例如 draw_ascii 或 draw_png）来可视化图。draw 方法每个都需要额外的依赖项。

from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # 这需要一些额外的依赖项，并且是可选的
    pass

basic chatbot diagram

8. 运行聊天机器人¶

现在运行聊天机器人！

Tip

你可以随时通过键入 quit、exit 或 q 来退出聊天循环。

def stream_graph_updates(user_input: str):
    for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
        for value in event.values():
            print("Assistant:", value["messages"][-1].content)


while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break
        stream_graph_updates(user_input)
    except:
        # 如果 input() 不可用则回退
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

Assistant: LangGraph 是一个库，旨在帮助使用语言模型构建有状态的多代理应用程序。它提供了创建工作流和状态机以协调多个 AI 代理或语言模型交互的工具。LangGraph 构建在 LangChain 之上，利用其组件，同时增加了基于图的协调功能。它对于开发超越简单查询-响应交互的更复杂、有状态的 AI 应用程序特别有用。
Goodbye!

恭喜！ 你已经使用 LangGraph 构建了你的第一个聊天机器人。这个机器人可以通过接收用户输入并使用 LLM 生成响应来进行基本对话。你可以检查上面的调用 LangSmith Trace。

下面是本教程的完整代码：

^{API Reference: init_chat_model | StateGraph | START | END | add_messages}

from typing import Annotated

from langchain.chat_models import init_chat_model
from typing_extensions import TypedDict

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages


class State(TypedDict):
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)


llm = init_chat_model("anthropic:claude-3-5-sonnet-latest")


def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}


# 第一个参数是唯一的节点名称
# 第二个参数是每次调用节点时将调用该函数或对象。
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

接下来的步骤¶

你可能已经注意到，该机器人的知识仅限于其训练数据。在下一部分中，我们将添加一个网络搜索工具，以扩展机器人的知识并使其功能更强大。