我可是吃过亏的。 文章浏览阅读1.6k次,点赞3次,收藏10次。先说说我们需要定义Agent的状态，这包括Agent所持有的消息。Annotated,Sequence,TypedDict,我们需要定义工具节点和模型调用节点，以便在Agent工作流中使用。

一、 LangGraph ReAct框架概述

在构建简单的“一问一答”模式远远不够。真正的智Neng应用需要具备规划、施行、反思的Neng力，Neng够与外部世界交互，并根据情况Zuo出决策。这正是LangGraph的用武之地。

LangGraph与LangChain中封装好的AgentExecutor不同， 它提供了一套geng底层的框架， 哈基米！ 允许开发者geng灵活地构建和定制智NengAgent。

二、 定义Agent状态

琢磨琢磨。 先说说我们需要定义Agent的状态，这包括Agent所持有的消息。 from typing import Annotated, Sequence, TypedDict from langchain_core.messages import BaseMessage from langgraph.graph.message import add_messages class AgentState: messages: Annotated, add_messages] 三、 初始化模型和工具 接下来我们需要初始化模型和工具，以便在Agent工作流中使用。 from langchain import LangChain from langchain.chains import ReActAgent # 初始化模型 model = LangChain # 初始化工具 tool_registry = ReActAgent 四、 典型ReAct循环 典型ReAct循环包含四个阶段：观察、计划、施行和反思。 from langchain.graph import StateGraph, State, EndState class ReActAgent: def __init__: self._graph = StateGraph self._tool_registry = tool_registry self._build_graph def _build_graph: # 定义状态节点 observe = State plan = State act = State review = State end = EndState # 构建状态转移 self._graph.edge self._graph.edge self._graph.edge self._graph.edge self._graph.edge def _observe_to_plan: # 实现观察到计划的转换逻辑 pass # 其他转换方法实现... 五、 工具链集成Zui佳实践 工具设计原则 tong过@state装饰器定义节点状态，配合@transition实现状态跳转；循环控制施行流程等方式，实现了一个Thought → Action → Observation → Answer的基本逻辑。虽然这个过程帮助我们深入理解了Agent的核心运行机制， 但也暴露出许多问题，比方说流程控制复杂、状态管理困难、缺乏模块化与可视化支持等。 suo以呢， 本节课中，我们将迈出关键一步，引入当前Agent生态中fei常热门的框架——LangGraph。它基于有向图模型， 将Agent的运行流程抽象为节点 + 状态流转，具备结构清晰、易 、原生支持多工具/多轮调用等显著优势。 六、 动态工具调用机制 实现工具注册与调用平安验证： from promeus_client import start_http_server, Counter, Histogram REASONING_LATENCY = Histogram( 'agent_reasoning_seconds', 'Time spent in reasoning', ) TOOL_CALLS = Counter( 'tool_calls_total', 'Total tool invocations', ) 七、进阶优化方向 多模态感知集成视觉、语音等感知Neng力 自适应推理深度 群体智Neng构建多Agent协作系统 持续学习实现运行时的知识geng新机制 tong过LangGraph ReAct框架构建的智NengAgent开发者可yi快速搭建出具备复杂决策Neng力的AI系统。建议从简单场景入手，逐步添加工具和优化推理逻辑，到头来构建出满足业务需求的智Neng体解决方案。 如何构建复杂的AI工作流，特bie是在构建ReAct架构的智NengAgent方面表现出色。本文深入探讨了如何使用LangGraph来实现ReAct架构，并提供详细的代码示例和解释。 tong过本文的学习， 读者可yi掌握使用LangGraph ReAct框架构建智NengAgent的基本方法，为后续的AI应用开发打下坚实的基础。