企业官网建设流程全解析

前言：为什么你需要这本教程

在 AI 大模型时代，调用一个 LLM（大语言模型，Large Language Model）已经非常容易。但真正的挑战在于：如何构建一个能自主决策、多步推理、调用外部工具、与人类协作的智能 Agent？

LangGraph 就是为这个问题而生的。它由 LangChain 团队开发，是一个专门用于构建有状态、多角色 AI Agent 应用的框架。本教程将带你从零开始，通过构建一个完整的「智能旅行规划助手」项目，全面掌握 LangGraph Functional API 的每一个知识点。

本教程特色：

• 项目驱动

  ：以一个「智能旅行规划助手」为主线，从 v0.1 迭代到 v0.9，每章加入新能力

• API 速查

  ：每章末尾提供该章涉及的 API 速查表，方便随时查阅

• 避坑指南

  ：每章总结新手最常见的错误和解决方案

• 生动类比

  ：每个核心概念都有通俗易懂的类比，帮助你建立直觉理解

• Mermaid 图表

  ：关键流程配有 Mermaid 图，直观展示架构和数据流

学完本教程你将能够：

• 独立使用 LangGraph Functional API 构建生产级 Agent 应用
• 理解 State、Task、Entrypoint、Checkpointing 等核心概念
• 实现工具调用、人在环（Human-in-the-loop）、多 Agent 协作等高级功能
• 将 Agent 部署到生产环境并做好监控和优化

第 1 章：概念与架构 — 理解 LangGraph 是什么

1.1 本章目标

学完本章后，你将能够：

• 清楚地解释 LangGraph 是什么，它解决了什么问题
• 理解 Graph（图）、Node（节点）、Edge（边）、State（状态）、Entrypoint（入口）、Task（任务）六大核心概念
• 区分 LangGraph、LangChain 和直接调用 LLM 三者的定位和关系
• 理解 Functional API 和 Graph API 两种编程范式的区别，知道何时选用哪种
• 画出 LangGraph 的工作原理图

1.2 核心概念

1.2.1 一个生动的类比：智能工厂流水线

想象你经营一家智能工厂。客户下单后，订单会经过一系列加工步骤：接单 → 配料 → 加工 → 质检 → 打包 → 发货。每个步骤都是一个工位，由一个工人负责。工位之间通过传送带连接。订单信息（客户地址、产品规格、数量等）贯穿整个流程，每个工位都可以查看和修改它。

LangGraph 做的事情，本质上就是帮你搭建这样的「智能工厂流水线」：

1.2.2 LangGraph 到底是什么

LangGraph 是一个用于构建有状态、多步骤 AI Agent 应用的 Python 框架。它的核心价值在于：

1. 有状态（Stateful）

   ：与简单的「请求-响应」模式不同，LangGraph 的 Agent 可以记住之前的对话上下文、中间推理步骤、工具调用结果

2. 多步骤（Multi-step）

   ：Agent 不是一次性输出答案，而是像人类一样，经过多步推理、调用工具、验证结果，最终得出结论

3. 可控流程（Controllable Flow）

   ：你可以精确控制 Agent 的执行路径——什么时候调用 LLM、什么时候调用工具、什么时候暂停等待人类输入

一个直观的例子：用户问「我下周去东京，帮我规划一下行程」。一个 LangGraph Agent 的处理流程是：

用户输入 → 分析需求（提取目的地、时间、预算）→ 查询天气 → 查询机票 → 查询酒店 → 综合生成行程 → 展示给用户确认 → 根据反馈修改 → 最终输出

每一步都是一个独立的Task（任务），数据在它们之间流转，LangGraph 负责协调整个过程。

1.2.3 LangGraph vs LangChain vs 直接调用 LLM

很多初学者会混淆这三者的关系。下面用一个表格清晰地说明：

关键理解：LangGraph 并不是 LangChain 的替代品，两者是合作关系：

• LangChain

  提供了与 LLM 交互的便捷工具（模型调用、提示模板、工具定义等）

• LangGraph

  提供了编排这些工具的「指挥系统」，让 Agent 能自主决策和行动

你可以把 LangChain 理解为一个工具箱（扳手、螺丝刀、电钻），把 LangGraph 理解为一条自动化流水线——流水线用工具箱里的工具来完成复杂任务。

1.2.4 Functional API vs Graph API：两种编程范式

LangGraph v1.0 引入了Functional API（函数式 API），与传统的Graph API（图 API）形成两种编程范式：

Graph API（传统方式）：显式定义节点和边

from langgraph.graph import StateGraph, START, END # 需要显式定义 State、节点、边 builder = StateGraph(MyState) builder.add_node("step1", step1_fn) builder.add_node("step2", step2_fn) builder.add_edge(START, "step1") builder.add_conditional_edges("step1", router_fn, {"a": "step2", "b": END}) graph = builder.compile()

Functional API（新方式·本教程主力）：使用标准 Python 控制流

from langgraph.func import entrypoint, task @task def step1(data): ... @task def step2(data): ... @entrypoint() def workflow(input_data): result1 = step1(input_data).result() if result1 == "a": result2 = step2(result1).result() return result2 return result1

对比总结：

本教程选择 Functional API 的原因：

1. 使用标准 Python 语法，学习成本最低
2. 代码更简洁，可读性更好
3. 适合大多数实际场景
4. 是 LangGraph 团队主推的发展方向

当需要更细粒度的检查点或时间旅行等高级功能时，可以轻松切换到 Graph API，两者共享同一运行时，可以混合使用。

1.2.5 LangGraph 工作原理（Mermaid 图）

下面这张图展示了 LangGraph 的核心工作原理：

图中每个元素的含义：

• Entrypoint（入口）

  ：用户请求的入口，类似工厂的「接单台」。它负责接收输入、启动工作流、返回最终结果

• Task（任务）

  ：工作流中的独立执行单元，每个 Task 完成一个具体的工作（如调用 LLM、查询数据库、调用 API）

• 条件判断

  ：使用 Python 原生的if/else控制流程走向，决定下一步执行哪个 Task

• Checkpoint（检查点）

  ：自动保存工作流执行状态，就像游戏存档。如果流程中断或需要多轮对话，可以从检查点恢复

• 工具调用循环

  ：Task 调用 LLM → LLM 决定需要工具 → Task 执行工具 → 结果返回给 LLM → LLM 决定是否需要更多工具，如此循环直到 LLM 认为任务完成

1.2.6 关键术语速查表

1.3 实战：旅行规划助手 v0.0 — 环境准备

在本章我们不会写代码，而是先把「旅行规划助手」这个项目想清楚，并准备好开发环境。

1.3.1 项目全景图

我们的「旅行规划助手」将从一个极简的「问答机器人」开始，逐步迭代为一个功能完整的多 Agent 系统：

v0.1: 简单问答 —— 用户问「我想去东京玩3天」，LLM 回复一个行程建议 v0.2: 结构化输入 —— 增加目的地、天数、预算等结构化字段 v0.3: 多步骤推理 —— 分析需求 → 生成行程 → 格式化输出 v0.4: 工具调用 —— 接入模拟的机票、酒店、天气 API v0.5: 对话记忆 —— 支持多轮对话和上下文记忆 v0.6: 用户确认 —— 生成行程后暂停让用户审阅和修改 v0.7: 并行查询 —— 同时查询机票、酒店、天气，提升响应速度 v0.8: 多 Agent 协作 —— 规划师、预订员、客服三个 Agent 协同工作 v0.9: 生产部署 —— 添加错误处理、监控、流式响应

1.3.2 安装环境

在开始之前，请确保你的 Python 版本 >= 3.10：

# 检查 Python 版本 python --version # 应该显示 Python 3.10 或更高 # 安装核心依赖 pip install langgraph langchain langchain-openai --break-system-packages # 可选：安装其他模型提供商（根据你使用的模型选择） # pip install langchain-anthropic # Claude # pip install langchain-google-genai # Gemini

1.3.3 配置 API Key

在终端中设置环境变量（以 OpenAI 为例）：

# macOS / Linux export OPENAI_API_KEY="your-api-key-here" # Windows (CMD) set OPENAI_API_KEY=your-api-key-here # Windows (PowerShell) $env:OPENAI_API_KEY="your-api-key-here"

建议将 API Key 写入~/.bashrc或~/.zshrc文件中，避免每次都要重新设置：

echo 'export OPENAI_API_KEY="your-api-key-here"' >> ~/.bashrc source ~/.bashrc

如果你使用的是其他模型提供商（如 DeepSeek、Claude、Gemini），本教程中所有代码都可以轻松替换，只需修改模型初始化部分。我们将在第 2 章详细说明。

1.4 API 速查

1.5 常见错误与避坑指南

错误 1：混淆 LangGraph 和 LangChain

症状：新手经常问「LangGraph 是 LangChain 的升级版吗？」「我学了 LangGraph 还需要学 LangChain 吗？」

原因：两者名字相似，且 LangGraph 由 LangChain 团队开发，容易被混淆。

解决方案：记住这个关系——LangChain 提供「零件」（模型调用、工具、提示模板），LangGraph 提供「组装方案」（工作流编排、状态管理、持久化）。在实际项目中，两者通常一起使用：用 LangChain 定义模型和工具，用 LangGraph 编排工作流。

错误 2：以为 Functional API 功能不如 Graph API

症状：认为 Functional API 只是「简化版」，复杂场景必须用 Graph API。

原因：Functional API 写法更简洁，给人「功能简单」的错觉。

解决方案：Functional API 和 Graph API 共享同一运行时（Pregel —— Google 论文中提出的图计算框架，LangGraph 用它作为底层调度引擎），功能上完全等价。Functional API 只是用 Python 原生控制流代替了显式的图定义。你可以在 Functional API 中实现任何 Graph API 能做的事情——条件分支、循环、并行、子图、人在环等。唯一的区别是检查点粒度：Functional API 按 entrypoint 执行生成检查点，Graph API 按每个超步（superstep，即图中每个节点的单次执行）生成。

错误 3：忽视 Python 版本要求

症状：在 Python 3.9 环境下安装 LangGraph 失败或出现奇怪的错误。

原因：LangGraph v1.0+ 要求 Python 3.10+（3.9 已于 2025 年 10 月 EOL）。

解决方案：升级到 Python 3.10 或更高版本。可以使用pyenv管理多个 Python 版本：

# 安装 pyenv curl https://pyenv.run | bash # 安装 Python 3.11 pyenv install 3.11 # 在项目目录中设置 pyenv local 3.11

1.6 最佳实践总结

1. 先理解概念，再写代码：在动手之前，花时间理解 Graph、State、Task、Entrypoint 这些核心概念。它们是你后续学习的基础，就像学数学前先理解「加减乘除」一样。
2. Functional API 优先：对于大多数场景，Functional API 是更好的选择——代码更简洁、学习曲线更低、调试更方便。只有在需要时间旅行（Time Travel）或更细粒度的检查点控制时，才考虑 Graph API。
3. LangGraph + LangChain 配合使用：不要试图用纯 LangGraph 替代 LangChain。LangChain 提供的模型抽象、工具定义、提示模板等基础设施，与 LangGraph 的工作流编排能力是互补的。
4. 保持 Python 环境干净：使用venv或conda创建独立的虚拟环境，避免依赖冲突。LangGraph 的依赖链较长，隔离环境可以省去很多麻烦。
5. 从简单开始，逐步迭代：不要试图一次性构建复杂的 Agent。从最简单的「Hello World」开始（第 2 章），每章加入一个新能力，逐步构建。这正是我们本教程的设计思路。

学AI大模型的正确顺序，千万不要搞错了

🤔2026年AI风口已来！各行各业的AI渗透肉眼可见，超多公司要么转型做AI相关产品，要么高薪挖AI技术人才，机遇直接摆在眼前！

有往AI方向发展，或者本身有后端编程基础的朋友，直接冲AI大模型应用开发转岗超合适！

就算暂时不打算转岗，了解大模型、RAG、Prompt、Agent这些热门概念，能上手做简单项目，也绝对是求职加分王🔋

📝给大家整理了超全最新的AI大模型应用开发学习清单和资料，手把手帮你快速入门！👇👇

学习路线:

✅大模型基础认知—大模型核心原理、发展历程、主流模型（GPT、文心一言等）特点解析
✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑
✅开发基础能力—Python进阶、API接口调用、大模型开发框架（LangChain等）实操
✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用
✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代
✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经

以上6大模块，看似清晰好上手，实则每个部分都有扎实的核心内容需要吃透！

我把大模型的学习全流程已经整理📚好了！抓住AI时代风口，轻松解锁职业新可能，希望大家都能把握机遇，实现薪资/职业跃迁～

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】