构建一个基础聊天机器人¶

在本教程中，您将构建一个基础聊天机器人。这个聊天机器人是后续一系列教程的基础，在这些教程中，您将逐步添加更复杂的功能，并沿途介绍关键的 LangGraph 概念。让我们开始吧！🌟

先决条件¶

在开始本教程之前，请确保您能够访问支持工具调用功能的LLM，例如 OpenAI、Anthropic 或 Google Gemini。

1. 安装包¶

安装所需的包：

pip install -U langgraph langsmith

Tip

注册 LangSmith 可以快速发现并解决您的 LangGraph 项目中的问题，提升性能。LangSmith 允许您使用跟踪数据来调试、测试和监控使用 LangGraph 构建的 LLM 应用。有关如何入门的更多信息，请参阅 LangSmith 文档。

2. 创建一个 `StateGraph`¶

现在你可以使用 LangGraph 创建一个基本的聊天机器人。这个聊天机器人将直接响应用户的消息。

首先，创建一个 StateGraph。一个 StateGraph 对象将我们的聊天机器人结构定义为“状态机”。我们将添加 nodes 来表示聊天机器人可以调用的 llm 和函数，并添加 edges 来指定聊天机器人如何在这些函数之间进行转换。

^{API Reference: StateGraph | START | END | add_messages}

from typing import Annotated

from typing_extensions import TypedDict

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


class State(TypedDict):
    # 消息的类型是 "list"。注解中的 `add_messages` 函数
    # 定义了此状态键应如何更新
    # （在此情况下，它会将消息追加到列表中，而不是覆盖它们）
    messages: Annotated[list, add_messages]


graph_builder = StateGraph(State)

现在，我们的图可以处理两个关键任务：

每个 node 可以接收当前的 State 作为输入，并输出对状态的更新。
由于使用了预构建的 add_messages 函数和 Annotated 语法，对 messages 的更新将被追加到现有列表中，而不是覆盖它。

概念

在定义图时，第一步是定义其 State。State 包含图的 schema 和用于处理状态更新的 reducer 函数。在我们的示例中，State 是一个带有单个键 messages 的 TypedDict。我们使用了 add_messages reducer 函数，以便将新消息追加到列表中，而不是覆盖它。没有 reducer 注解的键将覆盖之前的值。有关状态、reducer 和相关概念的更多信息，请参见 LangGraph 参考文档。

3. 添加一个节点¶

接下来，添加一个 "chatbot" 节点。**节点**代表工作单元，通常是普通的 Python 函数。

首先，我们选择一个聊天模型：

{}¶

OpenAIAnthropicAzureGoogle GeminiAWS Bedrock

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["OPENAI_API_KEY"] = "sk-..."

llm = init_chat_model("openai:gpt-4.1")

pip install -U "langchain[anthropic]"

import os
from langchain.chat_models import init_chat_model

os.environ["ANTHROPIC_API_KEY"] = "sk-..."

llm = init_chat_model("anthropic:claude-3-5-sonnet-latest")

pip install -U "langchain[openai]"

import os
from langchain.chat_models import init_chat_model

os.environ["AZURE_OPENAI_API_KEY"] = "..."
os.environ["AZURE_OPENAI_ENDPOINT"] = "..."
os.environ["OPENAI_API_VERSION"] = "2025-03-01-preview"

llm = init_chat_model(
    "azure_openai:gpt-4.1",
    azure_deployment=os.environ["AZURE_OPENAI_DEPLOYMENT_NAME"],
)

pip install -U "langchain[google-genai]"

import os
from langchain.chat_models import init_chat_model

os.environ["GOOGLE_API_KEY"] = "..."

llm = init_chat_model("google_genai:gemini-2.0-flash")

pip install -U "langchain[aws]"

from langchain.chat_models import init_chat_model

# 按照此处的步骤配置您的凭证：
# https://docs.aws.amazon.com/bedrock/latest/userguide/getting-started.html

llm = init_chat_model(
    "anthropic.claude-3-5-sonnet-20240620-v1:0",
    model_provider="bedrock_converse",
)

我们现在可以将聊天模型整合到一个简单的节点中：

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


# 第一个参数是唯一的节点名称
# 第二个参数是在节点被使用时调用的函数或对象。
graph_builder.add_node("chatbot", chatbot)

注意 chatbot 节点函数如何以当前 State 作为输入，并返回一个字典，其中包含在键 "messages" 下更新后的 messages 列表。这是所有 LangGraph 节点函数的基本模式。

我们 State 中的 add_messages 函数会将 LLM 的响应消息追加到状态中已有的消息上。

4. 添加一个 `entry` 点¶

添加一个 entry 点，以告诉图 每次运行时从何处开始工作：

graph_builder.add_edge(START, "chatbot")

5. 添加一个 `exit` 点¶

添加一个 exit 点以指示 图应该在哪里结束执行。这对于更复杂的流程很有帮助，即使是在像这样的简单图中，添加一个结束节点也能提高清晰度。

graph_builder.add_edge("chatbot", END)

这告诉图在运行完 chatbot 节点后终止。

6. 编译图¶

在运行图之前，我们需要先编译它。我们可以通过调用图构建器上的 compile() 方法来实现这一点。这将创建一个 CompiledGraph，我们可以在状态上调用它。

graph = graph_builder.compile()

7. 可视化图（可选）¶

你可以使用 get_graph 方法和其中一个“绘制”方法，如 draw_ascii 或 draw_png 来可视化图。每个 draw 方法都需要额外的依赖项。

from IPython.display import Image, display

try:
    display(Image(graph.get_graph().draw_mermaid_png()))
except Exception:
    # 这需要一些额外的依赖项，并且是可选的
    pass

basic chatbot diagram

8. 运行聊天机器人¶

现在运行聊天机器人！

Tip

任何时候都可以通过输入 quit、exit 或 q 来退出聊天循环。

def stream_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)


while True:
    try:
        user_input = input("User: ")
        if user_input.lower() in ["quit", "exit", "q"]:
            print("Goodbye!")
            break
        stream_graph_updates(user_input)
    except:
        # 如果 input() 不可用，则作为后备
        user_input = "What do you know about LangGraph?"
        print("User: " + user_input)
        stream_graph_updates(user_input)
        break

Assistant: LangGraph 是一个旨在使用语言模型构建有状态多代理应用程序的库。它提供了创建工作流和状态机的工具，以协调多个 AI 代理或语言模型交互。LangGraph 基于 LangChain 构建，利用其组件并添加了基于图的协调功能。它特别适用于开发更复杂、具有状态的 AI 应用程序，这些应用超出了简单的查询-响应交互。
Goodbye!

恭喜！ 您已使用 LangGraph 创建了第一个聊天机器人。这个机器人可以通过接收用户输入并使用 LLM 生成响应来进行基本对话。您可以查看上面调用的 LangSmith Trace。

以下是本教程的完整代码：

^{API Reference: init_chat_model | StateGraph | START | END | add_messages}

from typing import Annotated

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


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


graph_builder = StateGraph(State)


llm = init_chat_model("anthropic:claude-3-5-sonnet-latest")


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


# 第一个参数是唯一的节点名称
# 第二个参数是当节点被使用时将被调用的函数或对象。
graph_builder.add_node("chatbot", chatbot)
graph_builder.add_edge(START, "chatbot")
graph_builder.add_edge("chatbot", END)
graph = graph_builder.compile()

下一步¶

你可能已经注意到，机器人的知识仅限于其训练数据中的内容。在接下来的部分中，我们将添加一个网络搜索工具，以扩展机器人的知识，使其更具能力。