LangChain 和 LangGraph 入门学习指南

LangChain 和 LangGraph 入门学习指南

本文档面向有 .NET 背景但不熟悉 Python AI 开发的开发者

---

目录

1. 什么是 LangChain？
2. 什么是 LangGraph？
3. 核心概念：大模型调用
4. 核心概念：状态机
5. 核心概念：节点和边
6. TK Agent 架构解析
7. 常见问题

---

1. 什么是 LangChain？

简单理解

LangChain 是一个 调用大模型的工具库。

就像你用 HttpClient 调用 REST API 一样，LangChain 帮你调用大模型 API。

.NET 对比

.NET	LangChain
HttpClient	ChatOpenAI
httpClient.PostAsync(url, content)	llm.invoke([messages])
JsonSerializer.Deserialize<T>()	直接返回字符串或结构化对象

代码示例

from langchain_openai import ChatOpenAI
from langchain_core.messages import SystemMessage, HumanMessage# 创建客户端 (类似 new HttpClient())
llm = ChatOpenAI(model="qwen3-max",base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",api_key="sk-xxx"
)# 调用大模型 (类似 httpClient.PostAsync())
response = llm.invoke([SystemMessage(content="你是一个助手"),  # 系统提示词HumanMessage(content="你好")            # 用户消息
])print(response.content)  # AI 的回复

为什么用 LangChain？

1. 统一接口: 不管是 OpenAI、阿里云千问、还是本地 Ollama，代码几乎一样
2. 消息格式: 自动处理消息格式转换
3. 错误处理: 内置重试、超时等机制

---

2. 什么是 LangGraph？

简单理解

LangGraph 是一个 状态机框架，用于构建复杂的 AI 对话流程。

想象一个流程图：用户说话 → 判断意图 → 执行对应操作 → 返回结果

LangGraph 就是用代码实现这个流程图。

.NET 对比

.NET	LangGraph
Windows Workflow Foundation	LangGraph
State Machine Pattern	StateGraph
Activity	Node (节点)
Transition	Edge (边)

为什么需要状态机？

普通的 if-else 代码：

if "发车" in user_input:# 处理发车
elif "呼车" in user_input:# 处理呼车
else:# 闲聊

问题：

• 多轮对话怎么办？（用户说"发车"，你问"去哪"，用户说"神经内科"）
• 状态怎么保存？
• 流程复杂了怎么维护？

LangGraph 解决这些问题！

---

3. 核心概念：大模型调用

3.1 消息类型

大模型对话由多条消息组成：

from langchain_core.messages import SystemMessage, HumanMessage, AIMessagemessages = [SystemMessage(content="你是一个助手"),  # 系统消息：设定 AI 的角色HumanMessage(content="你好"),          # 用户消息AIMessage(content="你好！有什么可以帮你？"),  # AI 回复HumanMessage(content="今天天气怎么样"),  # 用户继续问
]

消息类型	作用	例子
SystemMessage	设定 AI 的角色和行为规则	"你是一个轨道物流助手"
HumanMessage	用户说的话	"发车到神经内科"
AIMessage	AI 的回复	"确认发车吗？"

3.2 Temperature（温度）

温度控制 AI 输出的随机性：

温度	效果	适用场景
0.0 - 0.1	几乎确定性输出，每次问同样的问题得到相同答案	意图识别、信息提取
0.5 - 0.7	有一定随机性，回答更自然	闲聊、创意写作
1.0+	高度随机，可能产生意外结果	头脑风暴

3.3 Prompt（提示词）

Prompt 是给 AI 的指令，决定了 AI 的行为。

好的 Prompt 特点：

1. 明确角色：你是谁
2. 明确任务：要做什么
3. 明确格式：输出什么格式
4. 给出示例：最好有例子

# 意图识别的 Prompt
router_prompt = """你是一个意图分类器。
请把用户的话分类到以下类别之一：
- send_car: 发车
- call_car: 呼车
- chat: 闲聊用户消息: {message}只回复类别名称，不要回复其他内容。"""

---

4. 核心概念：状态机

4.1 什么是状态？

状态是在整个对话过程中需要记住的信息。

class TkState(TypedDict):messages: List[BaseMessage]      # 对话历史user_location: str               # 用户位置selected_station: Optional[Dict] # 选中的站点awaiting_confirm: bool           # 是否等待确认final_result: Dict               # 最终结果

4.2 状态的生命周期

请求1: "发车到神经内科"↓
状态: {awaiting_confirm: True, selected_station: {神经内科}}↓
返回: "确认发车吗？"请求2: "确认" (同一个 session_id)↓
状态: {awaiting_confirm: True, selected_station: {神经内科}}  ← 恢复上次的状态↓
执行发车 API↓
返回: "发车成功！"

4.3 .NET 对比

// .NET 中你可能这样做
public class ConversationState
{public List<Message> Messages { get; set; }public string UserLocation { get; set; }public Station SelectedStation { get; set; }public bool AwaitingConfirm { get; set; }
}// 存储在 Session 或 Redis 中
HttpContext.Session.SetObject("state", state);

LangGraph 的 MemorySaver 自动帮你做这件事。

---

5. 核心概念：节点和边

5.1 节点（Node）

节点是状态机中的一个处理步骤，本质上是一个函数。

def router_node(state: TkState) -> TkState:"""节点函数的签名：- 输入: 当前状态- 输出: 更新后的状态"""# 处理逻辑...return {**state, "next_node": "send_car_node"}

5.2 边（Edge）

边定义了节点之间的连接关系。

普通边：A 执行完后一定去 B

workflow.add_edge("send_car_node", END)

条件边：根据条件决定去哪

workflow.add_conditional_edges("router",           # 从哪个节点出发route_decision,     # 决策函数{"send_car_node": "send_car_node","chit_chat_node": "chit_chat_node"}
)

5.3 图示

         ┌─────────┐│ router  │  ← 入口点 (set_entry_point)└────┬────┘││ route_decision() 返回什么？│┌─────────┼─────────┐│         │         │▼         ▼         ▼
send_car  call_car  chit_chat   ← 条件边 (add_conditional_edges)│         │         │▼         ▼         ▼END       END       END      ← 普通边 (add_edge)

---

6. TK Agent 架构解析

6.1 整体流程

用户: "发车到神经内科"│▼
┌─────────────────────────────────────────┐
│ tkMain.py (HTTP 服务)                    │
│ - 接收 POST /tk/chat 请求               │
│ - 解析参数                              │
│ - 调用 Agent                            │
└─────────────────────────────────────────┘│▼
┌─────────────────────────────────────────┐
│ tkAgent.py (状态机)                      │
│                                         │
│ 1. router_node                          │
│    - 调用 LLM 判断意图                   │
│    - 返回 "send_car_node"               │
│                                         │
│ 2. send_car_node                        │
│    - 调用 LLM 提取目标站点               │
│    - 调用 get_all_stations() 获取站点   │
│    - 调用 fuzzy_match_station() 匹配    │
│    - 返回确认请求                        │
└─────────────────────────────────────────┘│▼
返回: {"content": "确认发车到神经内科吗？"}

6.2 多轮对话流程

第1轮: "发车到神经"router_node → 意图=发车 → send_car_nodesend_car_node → 匹配到2个站点 → 返回选项状态: {awaiting_selection: True, pending_stations: [神经内科, 神经外科]}第2轮: "1"router_node → 检测到 awaiting_selection=True → 直接去 send_car_nodesend_car_node → 解析选择 → 返回确认请求状态: {awaiting_confirm: True, selected_station: 神经内科}第3轮: "确认"router_node → 检测到 awaiting_confirm=True → 直接去 send_car_nodesend_car_node → 调用发车 API → 返回成功状态: {awaiting_confirm: False}

6.3 关键代码位置

功能	文件	函数/位置
HTTP 入口	tkMain.py	tk_chat()
意图识别	tkAgent.py	router_node()
发车处理	tkAgent.py	send_car_node()
站点匹配	tkAgent.py	fuzzy_match_station()
调用后端	tkAgent.py	call_send_car_api()
构建状态机	tkAgent.py	build_tk_graph()

---

7. 常见问题

Q1: LangChain 和 LangGraph 的关系？

• LangChain: 调用大模型的工具库（底层）
• LangGraph: 构建对话流程的框架（上层）
• LangGraph 依赖 LangChain

Q2: 为什么用 LangGraph 而不是普通 if-else？

1. 多轮对话: 自动管理状态
2. 可维护性: 流程清晰，易于扩展
3. 可视化: 可以生成流程图
4. 复用性: 节点可以复用

Q3: Tool（工具）是什么？

在 LangChain 中，Tool 是让 AI 可以调用的外部函数。

# 定义一个工具
@tool
def get_weather(city: str) -> str:"""获取城市天气"""return f"{city}今天晴天"# AI 可以决定是否调用这个工具

我们的 TK Agent 没有使用 Tool 机制，而是用状态机手动控制流程。 这样更可控，适合业务逻辑明确的场景。

Q4: 如何调试？

1. 看日志: logger.info() 输出关键信息
2. 打印状态: 在节点中打印 state
3. Postman 测试: 发送请求看返回

Q5: 如何扩展新功能？

比如添加"呼车"功能：

1. 在 call_car_node() 中实现逻辑
2. 调用相应的 HCMS API
3. 更新 router_prompt 添加呼车关键词

---

学习资源

• LangChain 官方文档
• LangGraph 官方文档
• 阿里云千问 API 文档

---

下一步

1. 运行 TK Agent，用 Postman 测试各种场景
2. 修改 Prompt，观察 AI 行为变化
3. 尝试实现呼车功能
4. 阅读 LangGraph 官方教程