LangGraph 提供了低级原语和高级预构建组件，用于构建基于代理的应用程序。本节重点介绍旨在帮助您快速可靠地构建代理系统而无需从头实现编排、内存或人工反馈处理的预构建、可重用组件。

一个_代理_由三个组件组成：一个大型语言模型 (LLM)、一套可供其使用的工具，以及一个提供指令的提示。

LLM 在一个循环中运行。在每次迭代中，它会选择一个要调用的工具，提供输入，接收结果（一个观察），并利用该观察来指导下一个动作。循环会一直持续，直到满足停止条件——通常是代理收集到足够的信息来响应用户时。

image

代理循环：LLM 选择工具并使用其输出来满足用户请求。

LangGraph 包含构建健壮、可投入生产的代理系统所需的几项基本功能

  • 内存集成：原生支持_短期_（基于会话）和_长期_（跨会话持久）内存，实现在聊天机器人和助手中的有状态行为。
  • 人在回路控制：执行可以_无限期_暂停以等待人工反馈——这与仅限于实时交互的基于 WebSocket 的解决方案不同。这允许在工作流的任何点进行异步审批、纠正或干预。
  • 流式传输支持：实时流式传输代理状态、模型令牌、工具输出或组合流。
  • 部署工具：包含无需基础设施的部署工具。LangGraph 平台支持测试、调试和部署。
    • Studio：用于检查和调试工作流的可视化 IDE。
    • 支持多种生产环境下的部署选项。

LangGraph 附带了一组预构建组件，可实现常见的代理行为和工作流。这些抽象构建在 LangGraph 框架之上，提供了更快的生产路径，同时在高级定制方面保持灵活性。

使用 LangGraph 进行代理开发使您能够专注于应用程序的逻辑和行为，而不是构建和维护状态、内存和人工反馈的支持基础设施。

高级组件被组织成几个包，每个包都有特定的重点。

使用以下工具可视化由 [create_react_agent](https://langgraph.com.cn/reference/agents.1.html#langgraph.prebuilt.chat_agent_executor.create_react_agent “ create_react_agent”) 生成的图，并查看相应代码的概述。它允许您探索代理的基础设施，该基础设施由以下内容的存在定义：

  • tools：代理可用于执行任务的工具列表（函数、API 或其他可调用对象）。
  • pre_model_hook：在模型调用之前调用的函数。它可用于精简消息或执行其他预处理任务。
  • post_model_hook：在模型调用之后调用的函数。它可用于实现防护措施、人在回路流程或其他后处理任务。
  • response_format：用于约束最终输出类型的数据结构，例如 `pydantic` `BaseModel`。

功能

工具 pre_model_hook post_model_hook response_format

图

graph image

以下代码片段展示了如何使用 [create_react_agent](https://langgraph.com.cn/reference/agents.1.html#langgraph.prebuilt.chat_agent_executor.create_react_agent “ create_react_agent”) 创建上述代理（及底层图）

1

from langgraph.prebuilt import create_react_agent from langchain_openai import ChatOpenAI model = ChatOpenAI("o4-mini") def tool() -> None: """Testing tool.""" ... agent = create_react_agent( model, tools=[tool], ) agent.get_graph().draw_mermaid_png()