深入浅出LangGraph AI Agent智能体开发教程（八）—LangGraph底层API实现ReACT智能体

本系列前七篇文章：

• 深入浅出LangGraph AI Agent智能体开发教程（一）—全面认识LangGraph
• 深入浅出LangGraph AI Agent智能体开发教程（二）—LangGraph预构建图API快速创建Agent
• 深入浅出LangGraph AI Agent智能体开发教程（三）—LangGraph工具调用实战
• 深入浅出LangGraph AI Agent智能体开发教程（四）—LangGraph全生态开发工具使用与智能体部署
• 深入浅出LangGraph AI Agent智能体开发教程（五）—LangGraph 数据分析助手智能体项目实战
• 深入浅出LangGraph AI Agent智能体开发教程（六）—LangGraph 底层API入门
• 深入浅出LangGraph AI Agent智能体开发教程（七）—构建条件分支图和循环图

通过上期分享我们掌握了利用LangGraph搭建条件分支图、条件循环图等复杂图的能力，本期分享我们深入利用LangGraph底层API实现多轮问答机器人,并复现方法的ReACT图结构智能体。

本系列分享是笔者结合自己学习工作中使用LangChain&LangGraph经验倾心编写的，力求帮助大家体系化快速掌握LangChain&LangGraph Agent 智能体 AI Agent智能体开发的技能！笔者的LangChain系列教程暂时更完，后面也会实时补充工作实践中的额外知识点，建议大家在学习LangGraph分享前先学习LangChain的基本使用技巧。大家感兴趣可以关注笔者掘金账号和系列专栏。更可关注笔者同名微信公众号: 大模型真好玩, 每期分享涉及的代码均可在公众号私信: LangChain智能体开发获得。

首先通过使用LangGraph底层API搭建多轮对话机器人来学习如何将大语言模型作为节点加入到LangGraph图中。

1. 构建图的第一步首先要定义图的结构化状态，代码如下。使用创建具有特定键值类型的字典类来规范状态结构，其中键是一个列表，我们通过注解指定使用函数来处理消息的累积更新。

大家可能对这里使用的函数感到好奇，这个函数有什么作用呢? 为什么不用直接向消息列表中增加消息呢？因为LangGraph图运行时有一套单独的逻辑，直接使用有可能产生bug, 且不易调试。是LangGraph预定义的一个函数，核心逻辑是合并两个消息列表，默认状态为仅附加。函数接收两个参数，一个是消息的基本列表（比如上述的），另一个是要合并到基本列表中的消息列表（或单个消息）。值得注意的是: LangGraph对每条消息都使用ID进行编号，如果合并的列表中包含ID相同的消息，默认行为是使用要合并列表中的新消息替换掉基本列表中相同ID的消息。

2. 第二步要添加一个大模型节点，我们命名为，同时定义边连接开始节点与大模型节点。这里初始化大模型使用我们之前讲到的方法，大家不熟悉可参考系列文章深入浅出LangGraph AI Agent智能体开发教程（二）—LangGraph预构建图API快速创建Agent

以上代码构造的图结构如下，是不是非常简单：

3. 第三步编译创建好的图，并通过向图结构发送请求，图结构运行完成后返回最终的, 我们可以通过获取本次图运行的消息列表，也可通过得到图结构最后的输出:

4. 单轮对话的例子我们已经完成，多轮对话也不在话下。LangGraph多轮对话的原理和LangChain一样，也是通过构造消息列表实现多轮对话的功能，大家可参考文章深入浅出LangChain AI Agent智能体开发教程（四）—LangChain记忆存储与多轮对话机器人搭建， 这里不再赘述, 修改代码如下:

上述分享我们掌握了将大模型接入LangGraph底层图结构的方法，对今天的分享来说以上内容只是开胃小菜，本期分享的终极目标是使用LangGraph 底层 API 复现高级API 预构建ReACT图。

1. 定义图状态: 第一步还是定义图状态，它同样只包含一个消息列表，需要用到方法。

2. 定义模型和工具： 智能体构建的三大要素：提示词，模型和工具，我们这里先准备模型和工具函数, 模型同样使用， 工具函数访问心知天气API获得当前城市的天气情况。注意需要手动调用方法绑定大模型和工具函数。LangGraph定义工具函数并绑定模型的方法与LangChain一致，前面内容已经详细分享过。大家不熟悉可参考深入浅出LangChain AI Agent智能体开发教程（五）—LangChain接入工具基本流程

3. 定义节点和边: ReACT图结构包含两个节点， 一个用于调用模型，一个用于使用工具。节点函数中给大模型提供提示词，使其具备调用天气函数的能力。函数我们首次利用LangGraph三层结构中中间层的节点。大家可以看结构图进行定位:

ReACT图结构除了两个节点外，还需要大模型来判断是直接输出结果还是调用工具函数，很显然需要一个判断条件来构造条件分支图。这里还需要定义方法返回条件来判断结束还是调用工具，如果大模型节点返回结果中包含键，则说明要调用相关函数，否则结束。添加代码如下:

4. 定义图： 定义好所有的节点和判断条件后，我们参考ReACT图来定义并编译图。将和节点加入图中并关联相应边，随后调用方法编译可执行图。

5. 执行ReACT代理: 这部分代码简单不加赘述，执行结果如下，我们可以看到图成功调用了工具函数并返回结果，一个自定义的ReACT图就完成啦！

本期内容分享如何使用底层API构建多轮对话机器人和复现ReACT图结构智能体。通过定义状态、添加模型节点和工具节点，结合条件分支图实现ReACT图的工具调用与决策循环，并通过天气助手实例演示完整的开发流程，帮助大家掌握LangGraph的灵活性与强大功能。目前的图结构还有很多需要优化的点，例如如何让智能体优雅的保存记忆，如何实现智能体的流式调用提升交互体验等等，我们下期内容继续分享，大家期待一下吧~

本系列分享预计会有20节左右的规模，保证大家看完一定能够掌握LangChain&LangGraph的开发能力，大家感兴趣可关注笔者掘金账号和专栏，更可关注笔者的同名微信公众号：大模型真好玩， 本系列分享的全部代码均可在微信公众号私信笔者: LangChain智能体开发 免费获得。