构建一个真正"有脑子"的智Neng助手Yi经不再是遥不可及的梦想。本文将带你深入LangGraph框架，通过实战案例逐步搭建一个具备工具调用Neng力的问答系统。我们将抛开繁琐的理论，直击核心代码，让你快速理解图式编排如何赋予Agent复杂推理Neng力。

与传统线性处理不同，LangGraph提供了一种全新的思维方式——用"节点+边+状态"描述AI流程。这种设计不仅让复杂逻辑变得可视化，geng为后续 留下了充足空间。想象一下当你需要给Agent加入记忆功Neng或多模态支持时只需添加几个节点和连线即可完成！

在开始编码前，我们需要准备一些基础依赖项。

npm install @langchain/openai @langchain/core @langchain/langgraph zod

我们将使用Deepseek AI作为语言模型引擎，其响应速度和计算Neng力在中文场景表现优异。

const model = new ChatOpenAI({
    model: "deepseek-chat",
    apiKey: "sk-60816d9be57f4189b658f1eaee52382e", // 注意保护好API Key
    configuration: { baseURL: "https://api.deepseek.com" },
    temperature: 0.1, // 减少随机性以获得geng稳定输出
});

温馨提示：将temperature参数设置为较低值Ke以显著提升结构化任务的成功率。

为了让我们的Agent具有实际价值，我们需要赋予它执行具体任务的Neng力。这里定义三个基本计算工具：加法、乘法和除法。

const add = tool => String, {
    name: "add",
    description: "Add two numbers",
    schema: z.object({
        a: z.number.describe,
        b: z.number.describe,
    }),
});
const multiply = tool => String, {
    name:"multiply",
    description:"Multiply two numbers",
});
const divide = tool => String, {
    name:"divide",
});
// ...
toolsByName = { add, multiply, divide };
modelWithTools = model.bindTools);

"神经网络"般灵活的状态管理是LangGraphZui亮眼特色之一。接下来我们将深入探讨如何利用这一特性构建可靠且易于调试的AI流程。

精妙设计：状态驱动式开发范式

// 负责模型推理和决策
const llmCall = async  => {
    const response = await modelWithTools.invoke();
 return { messages: };

};
// 工具执行器
const toolNode = async  => {
   const lastMsg = state.messages.at;
   if return { messages };
   const results=;
   for{
      const result=await toolsByName.invoke;
      results.push(new ToolMessage({
         content:String,
         tool_call_id.call.id
      }));
   }
   return { messages: };
};
/* 分割线 */
import {StateGraph} from '@langchain/langgraph';
// 构建状态机图形结构
const agent=new StateGraph
.addNode
.addNode
.addEdge
.addConditionalEdges(
'llmCall',
shouldContinue,
)
.addEdge
.compile;
/* 分割线 */
function shouldContinue{
return state.messages.at.tool_calls?
'toolNode':END;
// 检查Zui后一条消息是否包含工具请求决定流向}
...
// 流式事件监听示例
for await{
if{
console.log
}
// 其他事件处理...
}
process.stdout.write;
}
agent.streamEvents;
...
console.log;
/* 分割线 */
import { HumanMessage } from "@langchain/core/messages";
import * as z from 'zod';
...
// 流式交互启动代码块
async function main{
try{
stream=agent.streamEvents({
messages:
},version:'v2');
...
} catch{
console.error;
process.exit;
}}
main;
/* 分割线 */
function generateId{
return crypto.randomBytes.toString;
}
function logState{
console.table(state.messages.map(msg=>({
role.msg.getType,
content.msg.content.substring+"..."
})));
}
/* 分割线 */
if{
throw new Error;
}
// 其他必要配置检查...
/* 分割线 */
export default{};
// 必要导出声明使其成为可运行模块
/* 分割线 */
class AgentError extends Error{
constructor{super}
}
// 自定义错误类增强调试体验
/* 分割线 */
if){
require.setHooks;
debugger;
// 强化调试支持配置}
/* 分割线 */
// 模块清单注释区域 - 用于自动生成依赖关系图表{/*
@dependencies:
- langgraph ^v.β.α.
- openai ^v.x.y.
*/}
/*
@author Moment
*/
// 模块元数据注释结束标记 {/*#__META__#*/}