LangGraph 入门全解(一)：从 LangChain 到多轮对话机器人

LangGraph的诞生

LangGraph由LangChain团队开发。而LangChain 诞生于 2022 年 10 月，最初只是一个帮助开发者调用大语言模型（LLM）的工具包。它的定位是“链式调用”，用 Chain（链）把 Prompt、模型、工具（Tool）、数据源等连接在一起。凭借这个简单而强大的抽象，LangChain 很快成为当时最受欢迎的 LLM 应用框架。

早期的LangChain有很多自定义的Chain，很方便做demo。但是由于其过度封装，工程化的时候遇到了很多的麻烦，一旦想自定义就得继承原有Chian，然后再在from_llm中编写逻辑，写了很多不必要的代码。（曾经为了修改Chain，想debug学习一下代码，但是一路下去，不知道跳转到哪里去了，当时还有LangChain和LlamaIndex之争。）

from langchain import hub
from langchain.chains import RetrievalQA

# See full prompt at https://smith.langchain.com/hub/rlm/rag-prompt
prompt = hub.pull("rlm/rag-prompt")

qa_chain = RetrievalQA.from_llm(
    llm, retriever=vectorstore.as_retriever(), prompt=prompt
)

qa_chain("What are autonomous agents?")

后来在2023年8月推出了LCEL，Chain的调用才变得直观起来。

from langchain import hub
from langchain_core.output_parsers import StrOutputParser
from langchain_core.runnables import RunnablePassthrough

prompt = hub.pull("rlm/rag-prompt")

defformat_docs(docs):
    return"nn".join(doc.page_content for doc in docs)

qa_chain = (
    {
        "context": vectorstore.as_retriever() | format_docs,
        "question": RunnablePassthrough(),
    }
    | prompt
    | llm
    | StrOutputParser()
)

qa_chain.invoke("What are autonomous agents?")

• 但随着应用越来越复杂，线性链式结构逐渐暴露很多局限，在实际开发时很痛苦：
• • 一旦有逻辑分支就会变得冗长。
  • 难以表示循环、状态保持。
  • 多智能体之间的消息传递无法自然表达。

于是，LangChain 团队推出了新的尝试 —— LangGraph，于2024年1月推出0.0.1版本。

LangGraph的特点

• LangChain 用“链”描述逻辑，适合 简单的、一次性的 LLM 调用。

• LangGraph 用“图”描述逻辑，适合 复杂的、有状态的、多轮或多智能体协作。

LangGraph 更像“流程编排系统”。利用了图的思想：节点、边与状态其核心抽象是 图（Graph）：

• 节点（Node）：执行单元，可以是调用一个模型、运行一个工具、访问一个数据库，或者一个人工审批环节，自由的编写代码。
• 边（Edge）：控制数据流，决定从一个节点走向另一个节点，可以是顺序执行、条件分支、循环。
• 状态（State）：全局上下文，贯穿整个图的执行过程。它可以被节点读写，从而支持有状态的对话、多轮任务执行，甚至长时任务恢复（其实就是一个字典）。

于是LangGraph 相较于传 LangChain有了以下优势：

• 有状态执行： 支持跨节点共享上下文，能够保存和恢复任务，使Agent的上下文管理变得简单。
• 灵活的流程表达： 分支、循环、人机协同都可以通过图结构自然表达。
• 直观的运行逻辑： 使用LangSmith或者graph.get_graph(xray=True).draw_mermaid_png()可以轻松的查看图的整体结构和运行逻辑关系，方便追踪执行路径、调试 agent、持久存储执行状态。
• 更低层的可控性： LangGraph 真正做到了框架，让开发者完全掌控 agent 的运行逻辑，专心编写业务代码。

与Dify等低代码有何不同

LangGraph 与 Dify这类平台比较，定位有明显不同：

• LangGraph：
• • 开源框架，更偏向 开发者。
  • 提供底层抽象，让你可以搭建高度自定义的 agent 工作流。
  • 更适合需要灵活控制、多智能体协作的复杂应用。
• Dify：
• • 属于 AI 应用开发中台。
  • 提供的是“低代码”环境，开发者通过界面化配置快速构建应用。
  • 优点是上手快、集成好，但灵活性受限。

LangGraph的唯一缺点就是不能直接给非技术人员使用。因此实际开发中，很多时候用Dify，Coze等快速验证想法，再使用LangGraph重新开发，优化各部分算法，提高运行效率。

基于LangGraph开发一个聊天bot

bot Agent 代码

from typing import Annotated
from typing_extensions import TypedDict
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages
from pydantic import SecretStr

# 此处定义你自己的模型
llm = ChatOpenAI(base_url="http://127.0.0.1:8000/v1", api_key=SecretStr("123123"), model="qwen3_32")

# 定义图状态
classState(TypedDict):
    messages: Annotated[list, add_messages]  # 此处维护完整的消息历史

graph = StateGraph(State)


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

graph.add_node("chatbot", chatbot)
graph.add_edge(START, "chatbot")
graph.add_edge("chatbot", END)

app = graph.compile()

if __name__ == "__main__":
    messages = []
    whileTrue:
        user_input = input("‍: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Exiting...")
            break
        messages.append({"role": "user", "content": user_input})
        response = app.invoke({"messages": messages})
        messages = response["messages"]
        print(f': {response["messages"][-1].content}')

查看图结构

使用下面的代码，保存图结构

from PIL import Image
import io
png_data = app.get_graph(xray=True).draw_mermaid_png()
img_io = io.BytesIO(png_data)

# 使用PIL的Image打开BytesIO对象
image = Image.open(img_io)

# 指定保存的本地文件路径
save_path = 'local_image.png'

# 保存图像到本地
image.save(save_path)

运行示例

学习资源推荐

如果你想更深入地学习大模型，以下是一些非常有价值的学习资源，这些资源将帮助你从不同角度学习大模型，提升你的实践能力。