从零到一：用LangGraph与LLM打造你的首个AI智能体

在构建复杂AI应用时，将强大的大型语言模型（LLM）与灵活的流程编排框架结合是实现智能化的关键一步。

今天，我们将聚焦于如何首次将LLM集成到LangGraph图中，构建一个“简单机器人”（Agent Bot），了解其基本工作原理，并探讨其初始阶段“无记忆”的特点。

为什么要将LLM与LangGraph结合？

LangGraph的核心是一个动态的图结构（Graph Structure），好比一张“智能蓝图”，通过节点（Nodes）和边（Edges）协调数据流，轻松实现复杂的AI工作流。相比纯Python函数，接入LLM就像为你的“流水线”装上一个能推理、生成内容的“大脑”。

通过LLM的加持，LangGraph可以处理用户输入、生成自然语言响应，甚至为后续复杂决策奠定基础。接下来，我们将用最简单的Agent Bot，带你上手这一组合！

️ 打造Agent I：你的第一个“简单机器人”

Agent Bot的目标直截了当：将LLM嵌入LangGraph图，掌握基本工作流。尽管它简单，却是你通往高级AI智能体的起点。

1. 核心基石：AgentState

在LangGraph中，**状态（State）**是节点间共享的“数据仓库”，存储上下文信息。Agent Bot的状态很简单，只包含用户输入的消息。我们用Python的TypedDict定义：

from typing import TypedDict, List
from langchain_core.messages import HumanMessage

class AgentState(TypedDict):
    messages: List[HumanMessage]

messages是一个HumanMessage对象列表，代表用户的输入，标准的LLM交互格式。

2. 定义LLM节点

节点是LangGraph中执行任务的单元。Agent Bot的核心节点负责调用LLM处理用户输入。我们用LangChain的ChatOpenAI初始化LLM（以GPT-4o-mini为例）：

from langchain_openai import ChatOpenAI
import os

llm = ChatOpenAI(
    model="gpt-4o-mini",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

def process(state: AgentState) -> AgentState:
    response = llm.invoke(state["messages"])
    print(f"\nAI: {response.content}")
    return state

这个process节点从状态中提取messages，调用LLM生成响应，并打印结果。

3. 构建与编译图

LangGraph通过StateGraph定义工作流，Agent Bot的图结构极简：起点（START）、LLM节点（process）、终点（END）。代码如下：

from langgraph.graph import StateGraph, START, END

graph = StateGraph(AgentState)
graph.add_node("process", process)
graph.add_edge(START, "process")
graph.add_edge("process", END)
agent = graph.compile()

START和END分别是工作流的入口和出口，编译后的图通过agent.invoke()运行，接收用户输入作为初始状态。

4. 运行Agent Bot

以下是交互代码，让用户与Agent I对话：

user_input = input("输入: ")
while user_input != "exit":
    agent.invoke({"messages": [HumanMessage(content=user_input)]})
    user_input = input("输入: ")

试试输入“嗨，我是Bob”，AI会热情回应。但如果你接着问“我叫什么？”，它可能会说“抱歉，我不知道你的名字”，这暴露了Agent I的局限。

⚠️ “无记忆”的痛点

Agent Bot成功集成了LLM，但它有一个致命弱点：无记忆。每次用户输入都触发一次独立的LLM调用，AI无法记住之前的对话。例如，你说“嗨，我是Bob”后问“我叫什么？”，AI因缺乏上下文而束手无策。

这是因为我们仅将当前HumanMessage传入llm.invoke()，没有存储对话历史。这种“无记忆”特性让Agent Bot显得“简单”，但也为我们指明了优化方向。

未来展望：向“有记忆”智能体进阶

Agent Bot是我们探索LangGraph与LLM融合的第一步。它的“无记忆”短板让我们意识到上下文管理的重要性。未来，我们将通过更复杂的状态设计（例如联合HumanMessage和AIMessage）以及对话历史存储，让AI具备“记忆”，实现更流畅、聪明的交互体验。

完整代码

from typing import TypedDict, List
from langchain_core.messages import HumanMessage
from langchain_openai import ChatOpenAI
from langgraph.graph import StateGraph, START, END
import os

# 定义状态
class AgentState(TypedDict):
    messages: List[HumanMessage]

# 创建LLM
llm = ChatOpenAI(
    model="gpt-4o-mini",
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url=os.getenv("OPENAI_BASE_URL")
)

# 创建节点
def process(state: AgentState) -> AgentState:
    response = llm.invoke(state["messages"])
    print(f"\nAI: {response.content}")
    return state

# 创建状态图
graph = StateGraph(AgentState)
# 添加节点
graph.add_node("process", process)
# 添加边
graph.add_edge(START, "process")
graph.add_edge("process", END)
# 编译图
agent = graph.compile()

# 交互循环
user_input = input("输入: ")
while user_input != "exit":
    agent.invoke({"messages": [HumanMessage(content=user_input)]})
    user_input = input("输入: ")

结语

通过Agent Bot，我们迈出了将LLM与LangGraph结合的关键一步。尽管它目前“无记忆”，但已为更强大的AI智能体铺平道路。下一期，我们将为Agent I注入“记忆”，让AI更聪明、更贴心！快动手试试，解锁AI开发的无限可能吧！