怎么用 LangGraph 创建属于你自己的 AI 智能体

在 AI 领域，检索增强生成（RAG） 系统已成为处理简单查询、生成上下文相关回答的常见工具。然而，随着对更复杂 AI 应用的需求增长，我们需要超越仅“检索+生成”的能力。于是出现了 AI 智能体（Agents）——它们能执行复杂的多步任务、在多轮交互中维护状态，并能动态适应新信息。

LangGraph 是 LangChain 的强力扩展，专为帮助开发者构建这类高级 AI 智能体而设计。它支持有状态（stateful）、多角色（multi-actor）、可循环计算（cyclic computation）的应用，让智能体在执行中不断“感知—决策—行动—反思—再行动”。

本文将介绍 LangGraph 如何改变 AI 开发方式，并通过一个太阳能板节能计算示例，手把手展示如何构建你自己的 AI 智能体。你将看到 LangGraph 的特性如何让系统更智能、更可适应、更贴近真实场景。

LangGraph 是构建在 LangChain 之上的高级库，用于为大模型应用引入循环计算能力。

•在 LangChain 中，你通常构建有向无环图（DAG）来描述线性流程；•LangGraph 则更进一步：它支持循环（cycles），这对实现复杂、类似智能体的行为至关重要——模型可以在流程中反复迭代，根据不断变化的条件动态决定下一步动作。

LangGraph 的节点、状态与边

LangGraph 的核心概念：有状态图（Stateful Graph）

•State（状态） 表示在计算推进过程中被持续维护与更新的上下文/记忆。 它确保每一步都能访问之前步骤的相关信息，从而基于累计数据进行动态决策。•Nodes（节点） 工作流的基本构件，代表某个计算步骤或函数。 每个节点执行特定任务，如处理输入、做出决策、调用外部系统等； 节点可自定义，以满足多种操作需求。•Edges（边） 连接节点、定义计算从一步到下一步的流向； 支持条件逻辑，可根据当前状态改变执行路径； 负责数据与控制在节点间的传递，从而实现复杂的多步流程。

为什么选择 LangGraph？

LangGraph 通过对图结构、状态与协调的无缝管理，重塑了 AI 应用的开发方式：

•自动状态管理：在多轮交互中保留上下文，让 AI 能对变化的输入做出更聪明的响应；•精简的智能体协调：保障精确执行与高效信息交换，开发者可以把精力放在设计创新工作流上；•极高的灵活性：支持打造定制化、高性能应用；•可扩展与容错：即便在企业级场景下，也能保持系统稳健与可靠。

接下来你将学到什么？

•如何用 LangGraph 搭建有状态、可循环的智能体流程；•如何让智能体分步规划—执行—评估—再规划；•以“太阳能板节能计算”为例，如何将 LangGraph 的特性落地，构建智能、可适应且可生产的 AI 系统。

在了解了 LangGraph 的核心概念与优势之后，下面通过一个可落地的实战示例来动手实现： 我们将构建一个用于根据用户输入计算太阳能板潜在节能收益的 AI 智能体。该智能体可作为光伏销售网站上的潜在客户收集（lead generation）工具，与访客交互、给出个性化节省估算。通过收集诸如每月电费等关键数据，智能体既能帮助用户理解光伏的经济价值，也能为销售团队筛选高意向线索。此示例将展示 LangGraph 如何打造智能、动态的系统，实现复杂任务自动化并创造业务价值。

首先，导入项目所需的 Python 库与模块。这些依赖为我们使用 LangChain、LangGraph 以及 AWS 服务构建 AI 助手打下基础。

接下来，我们定义一个工具（），用于根据用户提供的 月度电费 来估算使用太阳能后可能带来的节省。 这个工具将被智能体调用，以实现 数据驱动的交互。

这段函数会处理用户的月度电费并返回一份太阳能系统收益的详细估算，包括：所需面板数量、安装成本以及 10 年期净节省。为简化演示，计算里使用了若干默认假设（如平均电价、平均日照时长）。在更高级的版本里，可以从用户处收集这些参数，从而更贴合其具体情况地给出个性化估算。

稳健的 AI 系统离不开有效的状态管理与错误处理。下面定义两个实用工具：

•：在工具执行出错时，生成与具体 tool call 关联的错误消息；•：创建带兜底回退能力的工具节点，出错时自动调用错误处理逻辑。

这些函数可确保在工具执行过程中一旦出现错误，系统能优雅降级并向用户提供有用的反馈。

在这一步，我们将定义智能体如何管理会话状态（对话的持续上下文），并保证其能正确响应用户输入与工具输出。

为此，先用 Python 的 来定义状态结构 ——它描述在 LangGraph 中节点之间传递的消息格式。状态中会保存整段对话的消息列表，其中既包括用户输入，也包括智能体回复和工具输出。

在有了 之后，我们需要定义一个 Assistant 类 来驱动智能体的运行。 这个类的职责是：

•执行智能体的主循环；•调用工具（如 ）；•管理对话流转（处理用户输入与工具结果）；•兜底错误与无效输出（re-prompt 用户或请求澄清）。

核心逻辑基于一个 Runnable（可运行单元），它定义了调用 LLM 和工具的具体流程。

这些配置对于维持对话流程并确保助手基于上下文做出恰当响应至关重要。

本步骤我们为智能体接入 AWS Bedrock 上的 LLM（如 Anthropic Claude），作为语言能力引擎。 要调用 AWS 服务，你必须先正确配置 AWS 凭据，否则无法连接 Bedrock 并运行模型。

常见凭据配置方式包括：

•通过 AWS CLI 登录并写入本地凭据（）•设置环境变量：、、（可选）、•使用可被 AWS SDK 访问的 credentials 文件（通常位于 ）

完成凭据与区域设置后，即可创建 Bedrock Runtime 客户端，并实例化 LangChain 的 ：

这一步的集成保证了助手能够有效理解并响应用户输入。

在配置好 LLM 和 工具 之后，我们需要定义智能体的工作流。 工作流决定了智能体如何：

•与用户沟通；•何时收集所需信息（如月度电费）；•何时调用工具（如 ）；•如何将结果返回给用户。

核心部分是创建一个提示模板（Prompt Template），明确智能体的身份、对话目标与交互规则。

•system 消息：作为智能体的“行为守则”，引导其向用户询问月度电费，若信息不明确就不要猜测，并持续追问直至收集到必要数据。•placeholder：用于动态注入对话历史，让助手能基于上下文持续对话，并让用户的上一轮输入影响下一步动作。

接下来，定义智能体交互中会用到的工具；主要工具是 ，它会基于用户的月度电费计算潜在节省。将工具列在清单里后，通过 绑定到助手工作流，使智能体在对话中按需触发工具，实现人与工具的无缝衔接。

本步骤使用 LangGraph 搭建智能体的状态图，控制助手如何处理用户输入、何时触发工具、以及各阶段之间的流转。 图中包含用于核心动作的节点（nodes），以及决定节点间走向的边（edges）。

用于计算太阳能节省的 AI 智能体流程图

在 LangGraph 中，每个 Agent 智能体节点 代表一个操作步骤（如与用户交互或执行工具）。本示例定义两个关键节点：

•Assistant 节点：管理对话流程，向用户询问月度电费并处理响应；•Tool 节点：执行工具（如 ）来计算节省结果。

边用于定义节点之间的流向。在本例中：

•助手（assistant）先发起对话；•当收集到所需输入后，转入工具节点；•工具执行完成后，返回助手节点继续对话或收尾。

为确保对话在多步交互中能记住上下文，我们使用 MemorySaver 持久化图的会话状态（State）：

最后，通过初始化图工作流并开始对话来运行助手。

通过以上步骤，你已经成功构建了一个基于 LangGraph 的 AI 助手，它能够根据用户输入计算太阳能板节能效益。

本教程展示了 LangGraph 在管理复杂的多步骤流程中的强大能力，并突出了如何结合先进的 AI 工具来高效解决现实问题。

无论是开发用于 客户支持、能源管理 还是其他应用场景的 AI 智能体，LangGraph 都提供了你所需的：

•灵活性（Flexibility）：可定制复杂工作流；•可扩展性（Scalability）：支持从小规模实验到企业级部署；•稳健性（Robustness）：保证系统在长时运行与多轮交互中的可靠表现。

👉 借助 LangGraph，你可以更快地将 AI 创意转化为实用的智能系统，并让它们在真实世界中创造价值。