从0到1实战：基于 LangGraph + 智谱AI + 高德天气API，打造多步骤自动化查询智能体

前言

在大模型应用开发中，LangGraph 作为 LangChain 生态内的工作流编排利器，可以轻松实现多步骤、有状态、可循环的智能体流程。本文将带你从零开发一个真实天气查询智能体：
通过智谱 GLM-4.5-Air 生成查询计划，利用 LangGraph 分步执行，调用高德天气官方 API获取实时气温，完成一套可落地、可扩展的 LLM 自动化流程。

一、技术栈介绍

• LangGraph：智能体工作流编排，状态管理、条件分支、循环执行
• LangChain：大模型调用、提示词模板、结构化输出
• 智谱AI ChatZhipuAI：使用 glm-4.5-air 生成结构化计划
• 高德地图天气 API：提供国内城市真实、稳定的实时天气数据
• Python：整体开发语言

二、整体流程设计

本项目采用计划-执行双节点智能体架构：

1. 生成计划节点：LLM 生成四个直辖市天气查询步骤
2. 执行查询节点：依次调用天气 API，更新状态
3. 条件路由：判断是否还有未完成计划，自动循环/结束

流程图：
START → 生成计划 → 执行单步查询 →（还有计划？）→ 继续执行 / END

三、环境准备

1. 安装依赖

pipinstalllanggraph langchain langchain-core langchain-community pydantic requests

2. 获取 API Key

1. 智谱AI Key
   前往：https://open.bigmodel.cn/ 获取 API Key
2. 高德 Web 服务 Key
   前往：https://lbs.amap.com/ → 控制台 → 应用管理 → 创建应用 → 添加 Key（选择 Web 服务）

四、完整代码实现

1. 导入库与基础配置

importoperatorimportosimportrequestsfromlangchain_core.messagesimportAnyMessage,HumanMessage,AIMessagefromlanggraph.graphimportSTART,END,StateGraphfromlangchain_core.runnablesimportRunnableConfigfromlangchain_community.chat_modelsimportChatZhipuAIfromlangchain_core.promptsimportChatPromptTemplatefromtypingimportTypedDict,List,AnnotatedfrompydanticimportBaseModel,Field

2. 配置 API 信息

# 智谱AI配置os.environ["ZHIPUAI_API_KEY"]="你的智谱API Key"model=ChatZhipuAI(temperature=0.1,model="glm-4.5-air")# 高德天气API配置GAODE_KEY="你的高德Web服务Key"

3. 定义状态与数据结构

# 智能体状态classMessageState(TypedDict):title:strplans:List[str]# 待执行计划finished:List[str]# 已完成计划messages:Annotated[List[AnyMessage],operator.add]# 结构化输出：计划列表classPlans(BaseModel):plans:List[str]=Field(description="天气查询步骤")

4. 封装真实天气 API

defget_real_weather(city_name:str)->str:"""调用高德天气API，获取真实气温"""try:url="https://restapi.amap.com/v3/weather/weatherInfo"params={"city":city_name,"key":GAODE_KEY,"extensions":"base","output":"json"}resp=requests.get(url,params=params,timeout=10)data=resp.json()ifdata.get("status")=="1"anddata.get("lives"):live=data["lives"][0]returnf"{live['weather']}，气温{live['temperature']}℃"exceptExceptionase:print(f"查询{city_name}失败：{e}")return"天气获取失败"

5. 构建 LangGraph 节点

节点1：生成查询计划

defmake_plan_node(state:MessageState):prompt=ChatPromptTemplate.from_messages([("system","只输出4个计划：查北京天气、查上海天气、查天津天气、查重庆天气"),("user","{title}")])chain=prompt|model.with_structured_output(schema=Plans)resp=chain.invoke({"title":state["title"]})plans=resp.plansifrespelse["查北京天气","查上海天气","查天津天气","查重庆天气"]return{"plans":plans}

节点2：执行单步天气查询

defrun_plan_node(state:MessageState):plans=state["plans"]ifnotplans:return{"plans":[]}current=plans[0]city=current.replace("查","").replace("天气","").strip()weather=get_real_weather(city)return{"plans":plans[1:],"finished":state["finished"]+[current],"messages":[AIMessage(content=f"{city}：{weather}")]}

路由函数

defshould_continue(state):returnENDiflen(state["plans"])==0else"run_plan_node"

6. 编译并运行智能体

# 构建流程图builder=StateGraph(MessageState)builder.add_node("make_plan_node",make_plan_node)builder.add_node("run_plan_node",run_plan_node)builder.add_edge(START,"make_plan_node")builder.add_edge("make_plan_node","run_plan_node")builder.add_conditional_edges("run_plan_node",should_continue)graph=builder.compile()# 执行if__name__=="__main__":out=graph.invoke({"title":"查询四个直辖市天气","plans":[],"finished":[],"messages":[HumanMessage(content="开始查询真实天气")],})print("\n===== 天气查询结果 =====")formsginout["messages"]:print(msg.content)

五、运行效果

===== 天气查询结果 ===== 开始查询真实天气 北京：晴，气温 14℃ 上海：多云，气温 19℃ 天津：晴，气温 12℃ 重庆：阴，气温 17℃

六、常见问题与排坑

1. No module named ‘langgraph’
   pip install langgraph
2. jwt.encode 报错
   pip uninstall jwt && pip install pyjwt
3. 第三方天气接口不通
   优先使用高德、和风天气等官方正规 API，不要依赖免费小接口
4. 智能体死循环/消息重复
   节点只返回需要更新的字段，不要覆盖整个 state

七、扩展方向

• 支持任意城市天气查询
• 增加多轮重试、异常处理机制
• 接入工具调用（ToolCall）自动选择查询城市
• 构建多智能体协作：计划者 + 执行者 + 总结者
• 部署为 API 服务，提供前端调用

八、总结

本文通过LangGraph + 智谱AI + 高德天气API，完成了一个标准的企业级 LLM 自动化智能体开发流程。你学到了：

• LangGraph 状态管理与条件路由
• 大模型结构化输出（Pydantic）
• 真实第三方 API 接入
• 智能体工作流设计思想

这套架构可直接迁移到：自动化报告、批量数据查询、RAG 流程、多步骤任务执行等场景。

• 博客园
• 公众号行走之飞鱼