使用 LangGraph 从头构建一个简单的问答机器人（Single-Agent）的 4 个基本核心步骤

知识点图片

使用 LangGraph 从头构建一个单体智能体（Single-Agent）问答机器人，核心逻辑可以提炼为 4 个基本步骤：定义状态（State）、定义节点（Node）、构建图（Graph）、编译与运行（Run）。

在开始之前，请确保你已经安装了必要的依赖并设置了环境变量（如 OpenAI API Key）：

bash

pip install langgraph langchain-openai langchain-core
export OPENAI_API_KEY="your-api-key"

以下是完整的 4 个核心步骤：

第一步：定义图的状态（Define the State）

LangGraph 是基于“状态（State）”驱动的。每一次交互，数据都会保存在状态中并在节点之间传递。对于一个问答机器人，最核心的状态就是聊天记录（Messages）。

python

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages

# 定义状态字典
class State(TypedDict):
    # 使用 add_messages 这是一个 reducer，它的作用是把新的消息追加到现有消息列表中，而不是覆盖它们
    messages: Annotated[list, add_messages]

第二步：定义处理节点（Define the Node）

节点（Node）是图中真正执行动作的地方。对于简单的问答机器人，我们只需要一个节点：调用大语言模型（LLM）。该节点接收当前状态，把消息发给 LLM，并将 LLM 的回复返回以更新状态。

python

from langchain_openai import ChatOpenAI

# 1. 初始化大模型
llm = ChatOpenAI(model="gpt-3.5-turbo", temperature=0)

# 2. 定义节点函数
def chatbot(state: State):
    # state["messages"] 包含了历史所有的对话内容
    response = llm.invoke(state["messages"])
    # 返回的结果会自动通过第一步定义的 add_messages 追加到状态中
    return {"messages": [response]}

第三步：构建并连接图（Build the Graph）

现在我们将状态和节点组合起来，定义数据的流向（边 Edge）。由于是简单的 Q&A 机器人，流程非常简单：开始 -> 大模型节点 -> 结束。

python

from langgraph.graph import StateGraph, START, END

# 1. 初始化图，并传入第一步定义的状态
graph_builder = StateGraph(State)

# 2. 将第二步定义的函数作为一个节点添加到图中，命名为 "chatbot"
graph_builder.add_node("chatbot", chatbot)

# 3. 定义边（流程走向）
graph_builder.add_edge(START, "chatbot") # 从 START 节点流向 chatbot 节点
graph_builder.add_edge("chatbot", END)   # 从 chatbot 节点流向 END 节点

# 4. 编译图，使其变成可执行的 Runnable 对象
graph = graph_builder.compile()

第四步：运行与测试（Run the Graph）

最后一步，我们构造用户输入，将其传入编译好的图中，并获取机器人的回答。

python

from langchain_core.messages import HumanMessage

# 1. 构造用户的提问（初始状态）
user_input = "你好，请用一句话解释什么是 LangGraph？"
initial_state = {"messages": [HumanMessage(content=user_input)]}

# 2. 运行图并流式输出结果
print(f"用户: {user_input}")

# 使用 stream 方法可以查看图中每个节点的输出
for event in graph.stream(initial_state):
    for node_name, node_state in event.items():
        if node_name == "chatbot":
            # 打印机器人最新的一条回复
            print(f"Bot: {node_state['messages'][-1].content}")

总结（完整代码概览）

将以上 4 个步骤组合在一起，就是一段不到 30 行的完整且具备记忆扩展能力的 LangGraph 问答机器人代码：

python

from typing import Annotated
from typing_extensions import TypedDict
from langgraph.graph.message import add_messages
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
from langchain_core.messages import HumanMessage

# 1. State
class State(TypedDict):
    messages: Annotated[list, add_messages]

# 2. Node
llm = ChatOpenAI(model="gpt-3.5-turbo")
def chatbot(state: State):
    return {"messages": [llm.invoke(state["messages"])]}

# 3. Graph
graph_builder = StateGraph(State)
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

# 4. Run
user_input = "LangGraph是什么？"
for event in graph.stream({"messages": [HumanMessage(content=user_input)]}):
    for node_name, value in event.items():
        print(f"Bot: {value['messages'][-1].content}")

为什么用 LangGraph 而不是直接调用 LLM？
虽然这个例子极其简单，但 LangGraph 为未来的扩展打下了基础。如果你想在这个机器人的基础上增加网络搜索功能、人类循环干预（Human-in-the-loop）或根据意图路由到不同模型，只需要在第 2 步增加更多的节点，在第 3 步修改图的连线（边）逻辑即可，非常具有扩展性。

播面