背景
LangGraph 是 LangChain 生态中用于构建复杂 Agent 应用的框架。与简单的链式调用不同，LangGraph 通过图结构组织 AI 工作流，提供了状态管理、循环执行和工具调用等核心能力。本文通过实战代码，解析如何使用 create_react_agent 快速构建支持多轮对话的 Agent。
实现原理
ReAct 模式
create_react_agent 实现了经典的 ReAct（Reasoning + Acting）模式：
用户输入 → LLM 理解意图 → 决定调用工具 → 执行工具 → 观察结果 → 生成回复
记忆机制
LangGraph 的记忆功能由两部分组成：
| 组件 | 作用 | 类比 |
|---|---|---|
checkpointer | 存储引擎，决定对话历史存哪里 | 硬盘/数据库 |
config["thread_id"] | 会话标识，区分不同对话 | 文件名/会话ID |
代码实现
完整代码
"""
LangGraph 快速入门示例 - 第一个 Agent 程序
本示例演示如何使用 LangGraph 的预构建组件创建一个简单的天气查询 Agent。
"""
from langgraph.prebuilt import create_react_agent
from langchain.chat_models import init_chat_model
from langgraph.checkpoint.memory import InMemorySaver
from pydantic import BaseModel
from dotenv import load_dotenv
from langchain_openai import ChatOpenAI
import os
# 加载环境变量
load_dotenv()
# 1. 定义工具函数
def get_weather(city: str) -> str:
"""获取指定城市的天气信息。
Args:
city: 城市名称
Returns:
天气描述字符串
"""
return f"It's always sunny in {city}!"
# 2. 定义结构化输出格式
class WeatherResponse(BaseModel):
"""天气响应的结构化格式。"""
conditions: str
# 3. 初始化模型（使用硅基流动平台的 Qwen 模型）
model = ChatOpenAI(
model="Qwen/Qwen3-Next-80B-A3B-Instruct",
openai_api_key=os.getenv("SILICONFLOW_API_KEY"),
openai_api_base="https://api.siliconflow.cn/v1",
temperature=0
)
# 4. 创建检查点器（用于记忆功能）
checkpointer = InMemorySaver()
# 5. 创建 Agent
agent = create_react_agent(
model=model,
tools=[get_weather],
checkpointer=checkpointer,
prompt="你是一个有帮助的助手，专门回答天气相关的问题。",
response_format=WeatherResponse
)
# 6. 运行 Agent
def main():
"""主函数 - 演示 Agent 的使用。"""
print("🤖 LangGraph Agent 已启动！")
print("=" * 50)
# 配置线程 ID（用于多轮对话）
config = {"configurable": {"thread_id": "1"}}
# 第一轮对话
print("\n用户：what is the weather in san francisco?")
sf_response = agent.invoke(
{"messages": [{"role": "user", "content": "what is the weather in san francisco"}]},
config
)
print(f"助手：{sf_response['messages'][-1].content}")
print(f"结构化响应：{sf_response.get('structured_response')}")
# 第二轮对话（测试记忆功能）
print("\n用户：what about new york?")
ny_response = agent.invoke(
{"messages": [{"role": "user", "content": "what about new york?"}]},
config
)
print(f"助手：{ny_response['messages'][-1].content}")
print(f"结构化响应：{ny_response.get('structured_response')}")
print("\n" + "=" * 50)
print("✅ 示例运行完成！")
if __name__ == "__main__":
main()
核心代码解析
工具定义
def get_weather(city: str) -> str:
"""获取指定城市的天气信息。"""
return f"It's always sunny in {city}!"
工具函数的 docstring 是 LLM 判断是否调用该工具的关键依据。
结构化输出
class WeatherResponse(BaseModel):
"""天气响应的结构化格式。"""
conditions: str
通过 Pydantic 模型约束输出格式，便于后续程序化处理。
记忆配置
# 存储引擎
checkpointer = InMemorySaver()
# 会话标识
config = {"configurable": {"thread_id": "1"}}
相同 thread_id 的多轮调用会共享对话历史。
Agent 创建
agent = create_react_agent(
model=model,
tools=[get_weather],
checkpointer=checkpointer,
prompt="你是一个有帮助的助手，专门回答天气相关的问题。",
response_format=WeatherResponse
)
create_react_agent 封装了 ReAct 循环的复杂逻辑，开发者只需关注工具和业务逻辑。
运行效果
执行
pip install langgraph langchain langchain-openai pydantic python-dotenv
python 01快速入门.py
输出
🤖 LangGraph Agent 已启动！
==================================================
用户：what is the weather in san francisco?
助手：The weather in San Francisco is sunny.
结构化响应：conditions='sunny'
用户：what about new york?
助手：The weather in New York is also sunny.
结构化响应：conditions='sunny'
==================================================
✅ 示例运行完成！
技术亮点：第二个问题 "what about new york?" 是省略句，Agent 通过上下文理解用户询问的是纽约天气，体现了记忆功能的价值。
总结
本文通过实战代码展示了 LangGraph 的核心能力：
- 快速搭建：
create_react_agent一行代码创建 ReAct Agent - 工具集成：通过函数定义轻松扩展 Agent 能力
- 记忆功能：
checkpointer+thread_id实现多轮对话 - 结构化输出：Pydantic 模型约束输出格式
进阶方向
- 自定义 StateGraph 实现更复杂的工作流
- 使用 PostgresSaver/RedisSaver 实现持久化存储
- Human-in-the-loop 人机协作模式
- 多 Agent 协作系统
参考
📌 本文首发于掘金，作者：AI探索者 🔗 转载请注明出处
💡 如果觉得有帮助，欢迎点赞、评论、收藏！ 🎯 你的支持是我持续创作的动力！
