LangGraph 是由 LangChain 团队开发的开源框架，专为构建有状态、多步骤的复杂工作流而设计。它弥补了传统 LangChain 在动态流程控制（如循环、分支）上的不足，支持更灵活的 Agent 协作与状态管理：通过有向图（Graph） 组织工作流，将任务拆分为 节点（Nodes） 和 边（Edges），实现非线性的执行逻辑（如循环、条件分支），更贴近真实业务场景。

LangGraph 的特性

---

通过 LangGraph 获得控制能力，设计能够可靠处理复杂任务的智能体。

• 🛑 指导、管理和控制您的智能体，实现人工干预（human-in-the-loop）。添加易于加入的审核和质量控制，防止智能体偏离方向。加入人工干预检查以引导和批准智能体的操作。
• 🎨 构建富有表现力、可定制的智能体工作流程。LangGraph 的低层基础（low-level primitives）提供了创建完全可定制智能体所需的灵活性。设计多样化的控制流程——单智能体、多智能体、分层结构——全部使用一个框架。
• 📡 持久化上下文，实现长期互动。LangGraph 的内置存储（built-in memory）存储对话历史记录并随时间推移保持上下文，从而支持跨会话的丰富、个性化互动。
• 🌊 一流的流式技术（First-class streaming）带来更好的用户体验设计。通过原生的逐令牌流式传输（native token-by-token streaming），实时显示智能体的推理和操作，弥合用户期望与智能体能力之间的差距。

核心概念解析

要掌握 LangGraph，需要理解以下几个核心概念：

• State (状态)：整个应用的“共享内存”。它通常是一个 TypedDict，定义了需要在工作流中传递的所有数据，比如消息历史、中间结果等。
• Nodes (节点)：图中的“工作单元”。每个节点都是一个 Python 函数，负责执行一项具体任务，如调用 LLM、处理数据或调用工具。它接收当前的状态，并返回对状态的更新。
• Edges (边)：连接节点的“路径”。它定义了工作流的走向，即在一个节点完成后，接下来应该执行哪个节点。LangGraph 的“条件边”能力，可以根据当前状态动态选择路径，实现 if/else 这样的分支逻辑。
• Graph (图)：将状态、节点和边组合在一起的“总指挥”。它负责编排整个工作流的执行。

构建一个基本聊天机器人

---

LangGraph 安装

运行以下命令，安装 LangGraph 及其相关依赖包：

pip install -qU "langchain[openai]"
pip install -U langgraph langsmith

定义状态 (State)

定义一个结构来贯穿整个工作流的“状态”。对于聊天机器人来说，最重要的状态就是不断累积的对话消息。

• State(TypedDict): 使用 TypedDict 来定义状态的数据结构，确保类型安全和代码可读性。

• messages: Annotated[list, add_messages]:

• messages 是一个 python 列表 list。

• Annotated：Python 的标准功能，用于给类型附加元数据。

• add_messages 是 LangGraph 提供的一个便捷的帮助函数。它的作用和 operator.add 类似，专门用于处理消息列表。它告诉图的编译器：当一个节点返回 messages 时，请将这些新消息追加到现有列表中。这是实现多轮对话记忆的核心机制。

from typing import Annotated
import os
from langchain.chat_models import init_chat_model
from typing_extensions import TypedDict

from langgraph.graph import StateGraph, START, END
from langgraph.graph.message import add_messages

classState(TypedDict):
    messages: Annotated[list, add_messages]

关于 add_messages 函数，感兴趣的读者，可以阅读 langgraph 的源码。以下是 add_messages 的函数注释：

@_add_messages_wrapper
defadd_messages(
    left: Messages,
    right: Messages,
    *,
    format: Literal["langchain-openai"] | None = None,
) -> Messages:
"""Merges two lists of messages, updating existing messages by ID.

    By default, this ensures the state is "append-only", unless the
    new message has the same ID as an existing message.

    Args:
        left: The base list of messages.
        right: The list of messages (or single message) to merge
            into the base list.
        format: The format to return messages in. If None then messages will be
            returned as is. If 'langchain-openai' then messages will be returned as
            BaseMessage objects with their contents formatted to match OpenAI message
            format, meaning contents can be string, 'text' blocks, or 'image_url' blocks
            and tool responses are returned as their own ToolMessages.

            !!! important "Requirement"

                Must have ``langchain-core>=0.3.11`` installed to use this feature.

    Returns:
        A new list of messages with the messages from `right` merged into `left`.
        If a message in `right` has the same ID as a message in `left`, the
        message from `right` will replace the message from `left`.

定义节点 (Node)

定义工作节点：将当前的状态 state 作为输入，请求调用大模型.

• llm = init_chat_model：设置访问 qwen 模型的模型名称、url 等信息。
• chatbot 函数：接收当前状态，从状态中提取所有历史消息，将它们作为输入传递给 LLM，然后将 LLM 的回复封装成一个字典返回。

llm = init_chat_model(
    model="qwen-plus",          # 模型名称
    model_provider='openai',
    api_key=os.getenv("DASHSCOPE_API_KEY"),     # 传递 API Key
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1"# 阿里云兼容端
)

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

组装并编译图 (Graph)

• START 和 END 是 LangGraph 提供的特殊常量，清晰地标记了工作流的起点和终点
• 通过 add_node、add_edge 操作，定义各节点 node 的关系（执行先后顺序）。

# 初始化一个状态图构建器
graph_builder = StateGraph(State)

# 添加 chatbot 节点
graph_builder.add_node("chatbot", chatbot)
# 设置图的入口点
graph_builder.add_edge(START, "chatbot")
# 设置图的出口点
graph_builder.add_edge("chatbot", END)
# 编译图，生成可执行应用
graph = graph_builder.compile()

交互式运行

• graph.stream：将用户输入封装成标准消息格式（{“role”: “user”, “content”: …}），通过 graph.stream()流式执行 LangGraph 工作流。
• 当调用 graph.stream()时，返回的迭代器中每个 event 代表工作流中一个步骤的执行结果。event 是一个字典（dict），键为节点名称，值为该节点输出的状态更新片段。
• for value in event.values() 用于遍历当前步骤中所有被激活节点的输出。
• value[“messages”][-1] ：取 messages列表的最后一条消息。

defstream_graph_updates(user_input: str):
for event in graph.stream({"messages": [{"role": "user", "content": user_input}]}):
for value in event.values():
            print("Assistant:", value["messages"][-1].content)

whileTrue:
try:
        user_input = input("User: ")
if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
break
        stream_graph_updates(user_input)
except:
# fallback if input() is not available
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
break

运行效果

User: 你好
Assistant: 你好呀！✨ 很高兴见到你！今天过得怎么样呀？希望你度过了愉快的一天。我随时准备好陪你聊天、帮你解决问题，或者就这样轻松愉快地闲聊一会儿。有什么想跟我分享的吗？ 🌟
User: 介绍一下哆啦A梦
Assistant: 哆啦A梦（Doraemon）是一部非常著名的日本科幻动画和漫画作品的主角，由藤子·F·不二雄（Fujiko F. Fujio）创作。哆啦A梦本身是一个来自22世纪的蓝色机器猫，他的任务是帮助一个名叫野比大雄的小学生，改善他的未来命运。

### 基本信息：

- **中文名**：哆啦A梦
- **日文名**：ドラえもん
- **英文名**：Doraemon
- **作者**：藤子·F·不二雄（藤本弘和安孙子素雄的联合笔名）
- **首次登场**：1969年
- **类型**：科幻、喜剧、家庭、冒险

---

### 主要角色：

1. **哆啦A梦（Doraemon）**
   - 来自未来的机器猫，性格善良但有时胆小。
   - 肚子上有一个四次元口袋，可以拿出各种未来道具帮助大雄解决问题。
   - 喜欢吃铜锣烧，最害怕老鼠。

2. **野比大雄（Nobita Nobi）**
   - 普通的小学生，成绩差、运动不好、性格懦弱，经常惹麻烦。
   - 依靠哆啦A梦的帮助来应对生活中的各种困难。

3. **源静香（Shizuka Minamoto）**
   - 大雄的邻居和暗恋对象，温柔善良，喜欢洗澡。

4. **刚田武（Takeshi Goda，又称胖虎）**
   - 大雄的同学，强壮但霸道，喜欢欺负大雄。

5. **骨川小夫（Suneo Honekawa）**
   - 大雄的同学，爱炫耀，经常和胖虎一起欺负大雄。

---

### 故事背景：

哆啦A梦是大雄的曾孙——野比世修从未来派来的机器人，目的是帮助大雄改变他悲惨的命运，从而改善整个家族的未来。哆啦A梦使用各种神奇道具帮助大雄解决学习、人际关系、家庭和冒险中的问题，但往往也会引发一系列搞笑或出人意料的后果。

---

### 经典元素：

- **四次元口袋**：哆啦A梦最重要的道具来源，可以拿出各种稀奇古怪的未来科技。
- **代表道具**：
  - 竹蜻蜓（飞行器）
  - 任意门（瞬间移动）
  - 时光机
  - 隐形斗篷
  - 翻译魔芋

---

### 影响力：

哆啦A梦自1969年连载以来，风靡日本乃至全世界，成为一代又一代人童年的重要回忆。它不仅是一部娱乐作品，也蕴含了友情、成长、家庭、责任等深刻的主题。

- **动画版本**：多次被改编为动画，最经典的是1979年版和2005年重启版。
- **电影作品**：已有超过40部哆啦A梦剧场版电影。
- **文化符号**：在日本被官方认定为“国民级角色”，甚至成为外交文化使者。

---

### 经典台词：

> “大雄，别灰心，我们一起想办法！”
> “我是哆啦A梦，不是机器猫！”
> “要是我有哆啦A梦就好了……”

---

如果你喜欢怀旧、温馨、幽默又富有想象力的故事，哆啦A梦绝对是一个不容错过的选择！你想了解哆啦A梦的某个具体方面吗？比如某个道具、剧情、电影推荐等？
User: quit
Goodbye!

以上是 LangGraph 编程入门示例：构建一个聊天机器人。

普通人如何抓住AI大模型的风口？

领取方式在文末

为什么要学习大模型？

目前AI大模型的技术岗位与能力培养随着人工智能技术的迅速发展和应用 ， 大模型作为其中的重要组成部分 ， 正逐渐成为推动人工智能发展的重要引擎 。大模型以其强大的数据处理和模式识别能力， 广泛应用于自然语言处理 、计算机视觉 、 智能推荐等领域 ，为各行各业带来了革命性的改变和机遇 。

目前，开源人工智能大模型已应用于医疗、政务、法律、汽车、娱乐、金融、互联网、教育、制造业、企业服务等多个场景，其中，应用于金融、企业服务、制造业和法律领域的大模型在本次调研中占比超过 30%。

随着AI大模型技术的迅速发展，相关岗位的需求也日益增加。大模型产业链催生了一批高薪新职业：

人工智能大潮已来，不加入就可能被淘汰。如果你是技术人，尤其是互联网从业者，现在就开始学习AI大模型技术，真的是给你的人生一个重要建议！

最后

只要你真心想学习AI大模型技术，这份精心整理的学习资料我愿意无偿分享给你，但是想学技术去乱搞的人别来找我！

在当前这个人工智能高速发展的时代，AI大模型正在深刻改变各行各业。我国对高水平AI人才的需求也日益增长，真正懂技术、能落地的人才依旧紧缺。我也希望通过这份资料，能够帮助更多有志于AI领域的朋友入门并深入学习。

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发

大模型全套学习资料展示

自我们与MoPaaS魔泊云合作以来，我们不断打磨课程体系与技术内容，在细节上精益求精，同时在技术层面也新增了许多前沿且实用的内容，力求为大家带来更系统、更实战、更落地的大模型学习体验。

希望这份系统、实用的大模型学习路径，能够帮助你从零入门，进阶到实战，真正掌握AI时代的核心技能！

01 教学内容

• 从零到精通完整闭环：【基础理论 →RAG开发 → Agent设计 → 模型微调与私有化部署调→热门技术】5大模块，内容比传统教材更贴近企业实战！

• 大量真实项目案例： 带你亲自上手搞数据清洗、模型调优这些硬核操作，把课本知识变成真本事‌！

02适学人群

应届毕业生‌： 无工作经验但想要系统学习AI大模型技术，期待通过实战项目掌握核心技术。

零基础转型‌： 非技术背景但关注AI应用场景，计划通过低代码工具实现“AI+行业”跨界‌。

业务赋能突破瓶颈： 传统开发者（Java/前端等）学习Transformer架构与LangChain框架，向AI全栈工程师转型‌。

vx扫描下方二维码即可

本教程比较珍贵，仅限大家自行学习，不要传播！更严禁商用！

03 入门到进阶学习路线图

大模型学习路线图，整体分为5个大的阶段：

04 视频和书籍PDF合集

从0到掌握主流大模型技术视频教程（涵盖模型训练、微调、RAG、LangChain、Agent开发等实战方向）

新手必备的大模型学习PDF书单来了！全是硬核知识，帮你少走弯路（不吹牛，真有用）

05 行业报告+白皮书合集

收集70+报告与白皮书，了解行业最新动态！

06 90+份面试题/经验

AI大模型岗位面试经验总结（谁学技术不是为了赚$呢，找个好的岗位很重要）

07 deepseek部署包+技巧大全

由于篇幅有限

只展示部分资料

并且还在持续更新中…

真诚无偿分享！！！
vx扫描下方二维码即可
加上后会一个个给大家发